CN109739178A - 一种监测数据驱动的工件加工变形在线预测方法 - Google Patents

Abstract

本发明公开了一种监测数据驱动的工件加工变形在线预测方法，其特征是是利用工件在加工过程中实时监测获得的变形量或变形力等数据，预测工件在之后的加工中产生的变形量。为实现该预测方法，发明了一种张量模型，用于表达多维、非结构化的工件几何‑工艺信息‑装夹信息‑监测数据信息，构建了加工变形预测模型的多维输入空间，作为预测模型的输入。发明了一种基于深度学习的零件加工变形在线预测模型。本发明利用了更为准确的实时监测量代替了难以测量的残余应力等不确定性信息，解决了传统基于残余应力的变形离线预测精度低的问题，提高了工件加工变形的预测精度，为基于变形预测结果的变形精确控制提供了基础。

Description

一种监测数据驱动的工件加工变形在线预测方法

技术领域

本发明涉及一种数控机械加工技术，尤其是一种在加工过程中利用监测的变形数据及相关的几何-工艺等数据预测零件加工变形的方法，具体地说是一种监测数据驱动的工件加工变形在线预测方法。

背景技术

加工变形是造成大型结构件加工质量问题的主要原因之一，加工变形控制已经成为大型结构件加工质量控制的重要方面。如飞机结构件中的框、梁、肋类零件，由于其尺寸大，且材料去除率高，在加工过程中，零件的残余应力不断的释放，同时受到材料性能、零件几何、加工工艺等多种因素的耦合影响，引起零件的加工变形。若加工后通过校形处理变形，校形工艺复杂，校形不当易引起工件开裂，校形可控制的精度仍然难以满足高精度加工变形控制要求，并且易影响零件的疲劳寿命。

准确预测零件的加工变形量是零件加工工艺调整的依据和加工变形控制的基础。在制造领域，已有方法主要基于残余应力预测或检测，利用分析法或数值法(有限元)离线模拟预测零件的变形量，进而在离线状态下根据变形预测结果优化工艺实现加工变形控制。但是由于零件材料残余应力分布的不均匀性，同一批材料残余应力分布的差异性以及残余应力的测量难度大，测量精度受限，导致了预测结果与实际情况仍有较大的差距，所以现有方法仍然难以实现加工变形的精确预测。在零件加工中，监测零件加工状态的数据能够准确反映零件当前的加工状态，获得事前难以准确测量及物理量。利用实时监测数据在线预测零件变形是提高预测精度的有效手段之一，而由于零件变形受几何等多种因素影响，且数据为高维度、非结构化数据，对监测数据驱动的加工变形在线预测方法及建模提出了挑战。

发明内容

本发明的目的是针对零件加工变形预测精度低的问题，提出一种加工过程中监测数据驱动的工件加工变形在线预测方法，本发明为提高变形预测的精度提供了很好的解决方案，为变形控制提供了调整依据。本发明把由材料属性不均匀等不确定性因素导致的加工变形精确控制难题转化为基于在线监测数据等确定性因素的问题求解。

本发明的技术方案是：

一种监测数据驱动的工件加工变形在线预测方法，其特征在于：在工件上设置适量的监测点；在加工过程中获取监测工件的加工变形数据及相应的零件中间状态几何信息、工艺信息等数据；将获取的几何-工艺-变形数据通过张量模型进行表达；利用零件加工过程中产生的张量模型，通过预测模型，预测零件下一步加工的变形量。

所述的变形相关数据包括，工件加工中间状态几何数据，加工工艺数据，工件装夹位置数据和变形监测数据等。工件在加工过程中采集的变形相关数据通过张量模型表达，数据包括工件中间状态的几何信息，工件加工的工艺信息和工件变形监测数据等。

所述的变形监测数据包括工件变形量、工件变形力等能够反应零件变形状态的数据。

所述的工件在加工过程中采集的变形相关数据通过高阶张量模型表达。

所述的零件的中间加工状态的变形相关信息可以通过一个4阶张量表示，张量的第 1,2阶表表示各个参数的几何位置信息。张量的第3阶表示不同维度的变形相关信息，该阶的维度由变形相关数据的数据类别数量决定。张量的第4阶表示零件加工中的中间状态数量。不同信息之间通过几何位置建立关联关系。张量第3阶的加工相关数据，包括零件几何信息、切削深度、装夹位置信息和变形量及变形量监测信息，由张量中的四个子矩阵分别表示。

所述的张量模型中，工艺信息，装夹位置，变形数据等均按照几何对应位置分层建立，构成张量模型。

所述的张量模型中，工件几何状态映射到所提出的张量模型的第3阶的第1维中，每个元素对应于工件某个区域。其中该子阵列中的元素是XY区域中相应部分的材料高度。如果元素中没有实体，则相应单位中的值为0。为了保持表示的一般性，可以根据部件类型的工件尺寸来设置该子阵列的一个维度中的数据元素的数量。总结来说，工件加工中间状态几何数据的表达是通过将几何数据利用Z向投影建立R³-R²的映射，通过一个二维数组表达复杂的几何数据。第3阶的第2维是零件位置(x，y)的切削深度。切削深度子矩阵表示去除材料的位置和后续过程的切削深度。第3阶的第3维和第4维是夹具位置信息和监控数据。

所述的张量模型的第3阶的维度可以继续扩展，用于表达其余的变形相关数据，如其他工艺参数等。

所述的张量模型作为预测模型的输入，张量模型中包括了前T时刻的变形相关数据以及T+1时刻的零件工艺及几何信息，预测零件T+1时刻的变形情况。

所述的预测模型是基于卷积神经网络(CNN)和循环神经网络(RNN)建立，但不局限于该模型。

所述的CNN用于提取张量模型中的特征和关系，并将该关系表示为一组向量。然后将向量作为RNN的输入，用于建立当前工件状态的输入信息与后续加工过程产生的变形之间的时序关系。

所述的CNN采用Res-Net，共22层；RNN采用双向长短时记忆网络，隐藏状态为 256个，网络的训练速率为1x10e-5。

本发明的变形预测过程如下所示：

步骤1：布局装夹装置，记录变形量监测点的位置，并记录其位置信息为C

步骤2：按照既定的工艺加工工件，加工间隙记录监测到的零件变形量数据，将当前的零件的几何信息G_t,工艺信息P_t,变形量D_t存储，并将之前的监测点位置信息结合，构成表达当前加工状态的张量模型A_t＝[G_t,C,P_t,D_t]。

步骤3：将之前t歩的存储的变形相关数据-张量模型输入到已经通过历史数据训练好的预测模型中，预测模型输出t+1歩的变形量。同时可以将t+1预测的变形量及相关信息建立张量模型，继续预测后续的加工变形量。

步骤4：判断加工是否结束，如无，继续步骤2；否则，结束加工。

本发明的有益效果是：

本发明利用了更为准确的实时监测量代替了难以测量的残余应力等不确定性信息，解决了传统基于残余应力的变形离线预测精度低的问题，提高了工件加工变形的预测精度，为基于变形预测结果的变形精确控制提供了基础。

附图说明

图1为本发明监测数据驱动的工件加工变形在线预测方法。

图2为本发明的几何-工艺-变形数据张量模型示意图。

图3为本发明的基于深度学习的变形预测模型。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1-3所示。

一种监测数据驱动的工件加工变形在线预测方法，其整个过程如图1的流程图所示，具体步骤如下：

步骤1：布局装夹装置，记录变形量监测点的位置，并记录其位置信息为C

步骤2：按照既定的工艺加工工件，加工间隙记录监测到的零件变形量数据，将当前的零件的几何信息G_t,工艺信息P_t,变形量D_t存储，并将之前的监测点位置信息结合，构成表达当前加工状态的张量模型A_t＝[G_t,C,P_t,D_t]，如图2。

步骤3：将之前t歩的存储的变形相关数据-张量模型输入到已经通过历史数据训练好的预测模型中，预测模型输出t+1歩的变形量。同时可以将t+1预测的变形量及相关信息建立张量模型，继续预测后续的加工变形量，如图3。

步骤4：判断加工是否结束，如无，继续步骤2；否则，结束加工。

所述的变形量在线监测中变形量及变形力通过浮动装夹工艺装备实现[参见中国专利 ZL,201410768014.8的内容]。

所述的张量模型通过以下方法建立：

零件的中间加工状态的变形相关信息可以通过一个4阶张量表示，如图2所示，张量的第1,2阶I₁,I₂表示各个参数的几何位置信息。张量的第3阶I₃表示不同维度的变形相关信息，该阶的维度由变形相关数据的数据类别数量决定。张量的第4阶表示零件加工中的中间状态数量。不同信息之间通过几何位置建立关联关系。张量第3阶的加工相关数据，包括零件几何信息如图2-e，切削深度如图2-d，装夹位置信息如图2-b和变形量及变形量监测信息如图2-a，由张量中的四个子矩阵分别表示。张量模型中，工艺信息，装夹位置，变形数据等均按照几何对应位置分层建立，构成张量模型。

张量模型中，工件几何状态映射到所提出的张量模型的第3阶的第1维中，每个元素对应于工件某个区域。其中该子阵列中的元素是XY区域中相应部分的材料高度。如果元素中没有实体，则相应单位中的值为0。为了保持表示的一般性，可以根据部件类型的工件尺寸来设置该子阵列的一个维度中的数据元素的数量。总结来说，工件加工中间状态几何数据的表达是通过将几何数据利用Z向投影建立R³-R²的映射，通过一个二维数组表达复杂的几何数据。第3阶的第2维是零件位置(x，y)的切削深度。切削深度子矩阵表示去除材料的位置和后续过程的切削深度。第3阶的第3维和第4维是夹具位置信息和监控数据。张量模型的第3阶的维度可以继续扩展，用于表达其余的变形相关数据，如其他工艺参数等。

所述的变形预测模型如下：

预测模型是基于卷积神经网络(CNN)和循环神经网络(RNN)建立，CNN用于提取张量模型中的特征和关系，并将该关系经过全连接层(FC)表示为一组向量。然后将向量输入RNN的输入层(Input-FC)作为RNN的输入，用于建立当前工件状态的输入信息与后续加工过程产生的变形之间的时序关系。数据经过RNN处理后，将两端的输出经过混合层(Mulitmodel-layer)混合后输入回归层(Regression-layer)，最终输出下一次加工的变形量。其中CNN采用Res-Net，共22层；RNN采用双向长短时记忆网络，隐藏状态为256个。网络的训练集来自实际加工零件及零件加工仿真数据，网络的优化采用随机梯度下降方法，训练速率为1x10e-5。

通过将之前t歩的存储的变形相关数据-张量模型输入到已经通过历史数据训练好的预测模型中，预测模型输出t+1歩的变形量。同时可以将t+1预测的变形量及相关信息建立张量模型，继续预测后续的加工变形量。

其预测过程如图3所示，首先将张量模型输入训练好的网络中，张量经过卷积神经网络的特征提取将特征信息作为循环神经网络的输入。循环神经网络将不同加工状体下特征数据进行时序关联关系提取后，将结果输出到回归网络，预测零件的下一个加工状态的变形量。

本发明未涉及部分与现有技术相同或可采用现有技术加以实现。

Claims (10)

1.一种监测数据驱动的工件加工变形在线预测方法，其特征是：采集加工过程中监测到的与零件变形相关的数据，以变形相关的数据驱动加工变形在线预测。

2.根据权利要求1所述的监测数据驱动的工件加工变形在线预测方法，其特征在于：在工件上设置适量的监测点；在加工过程中获取监测工件的加工变形数据及相应的零件中间状态几何信息、工艺信息数据；将获取的几何-工艺-变形数据通过张量模型进行表达；利用零件加工过程中产生的张量模型，通过预测模型，预测零件下一步加工的变形量。

3.根据权利要求1所述的监测数据驱动的工件加工变形在线预测方法，其特征在于：变形相关的数据包括，工件加工中间状态几何数据，加工工艺数据，工件装夹位置数据和变形监测数据；工件在加工过程中采集的变形相关数据通过张量模型表达，数据包括工件中间状态的几何信息，工件加工的工艺信息和工件变形监测数据。

4.根据权利要求1所述的监测数据驱动的工件加工变形在线预测方法，其特征在于：变形监测数据包括能够反应零件变形状态的工件变形量、工件变形力数据。

5.根据权利要求1所述的监测数据驱动的工件加工变形在线预测方法，其特征在于：工件在加工过程中采集的变形相关数据通过高阶张量模型表达。

6.根据权利要求1所述的监测数据驱动的工件加工变形在线预测方法，其特征在于：工件加工中间状态几何数据的表达是通过将几何数据利用Z向投影建立R³-R²的映射，通过一个二维数组表达复杂的几何数据。

7.根据权利要求5所述的监测数据驱动的工件加工变形在线预测方法，其特征在于：在张量模型中，工艺信息、装夹位置和变形数据均按照几何对应位置分层建立，构成张量模型。

8.根据权利要求7所述的监测数据驱动的工件加工变形在线预测方法，其特征在于：张量模型作为预测模型的输入，张量模型中包括了前T时刻的变形相关数据以及T+1时刻的零件工艺及几何信息，预测零件T+1时刻的变形情况。

9.根据权利要求8所述的监测数据驱动的工件加工变形在线预测方法，其特征在于：预测模型是基于卷积神经网络和循环神经网络建立，但不局限于该模型，以张量模型为输入，以下一步加工的变形量为输出。

10.根据权利要求1所述的监测数据驱动的工件加工变形在线预测方法，其特征在于：它包括以下步骤：

步骤1：布局装夹装置，记录变形量监测点的位置，并记录其位置信息为C；

步骤2：按照既定的工艺加工工件，加工间隙记录监测到的零件变形量数据，将当前的零件的几何信息G_t,工艺信息P_t,变形量D_t存储，并将之前的监测点位置信息结合，构成表达当前加工状态的张量模型A_t＝[G_t,C,P_t,D_t]；

步骤3：将前t歩的存储的与变形相关的数据-张量模型输入到已经通过历史数据训练好的预测模型中，预测模型输出t+1歩的变形量；同时将t+1步预测的变形量及相关信息建立张量模型，继续预测后续的加工变形量；

步骤4：判断加工是否结束，如无，继续步骤2；否则，结束加工。