CN112528955A - 一种高频元件加工尺寸的精度预测方法及系统 - Google Patents
一种高频元件加工尺寸的精度预测方法及系统 Download PDFInfo
- Publication number
- CN112528955A CN112528955A CN202011568332.1A CN202011568332A CN112528955A CN 112528955 A CN112528955 A CN 112528955A CN 202011568332 A CN202011568332 A CN 202011568332A CN 112528955 A CN112528955 A CN 112528955A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- cutting force
- precision
- machining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Numerical Control (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种高频元件加工尺寸的精度预测方法及系统,属于高频元件加工质量的预测技术领域;精度预测方法包括:将加工参数和切削力的特征值输入至精度预测神经网络,获取高频元件的质量等级;训练精度预测神经网络的方法为:按照不同的尺寸精度值,将高频元件划分为不同的质量等级;将切削力数据按照不同的加工特征分段,采用特征提取方法计算切削力的特征值;将加工参数和切削力的特征值归一化预处理,作为数据样本集;训练精度预测神经网络,获取精度预测神经网络;其中,精度预测神经网络为RBF神经网络模型与DNN神经网络模型的结合。本发明采用精度预测神经网络可以更为便捷,更为准确地获取加工尺寸的预测精度。
Description
技术领域
本发明属于高频元件加工质量的预测技术领域,更具体地,涉及一种高频元件加工尺寸的精度预测方法及系统。
背景技术
高频元件是一种高频天线的基础组成零件,而天线作为一种电磁波接收与发送的关键器件,是无线通讯技术中不可或缺的一部分。目前,在天线尤其是裂缝天线的设计与制造中,设计的平板天线应该具有的电性能,在经过加工制造后,实际测量的电性能与设计的电性能有一定的差距,特别是在副瓣电平方面。一个原因是电性能极大地受到制造精度的影响,另一方面是设计人员通常根据自己的经验试选天线的制造精度,然后按照不同的制造精度专门加工一些天线试验样件,通过测量这些天线试验样件的电性能,然后选择合适的加工参数和制造精度,这种方法多依照工人经验,加工生产效率低、合格率低和智能化程度低。
同时在机械加工领域,现有的尺寸检测手段都是基于抽样选取部分零件进行质量检测,效率低且存在可信度低的情况。因此,在加工前预测或者在线控制高频元件的尺寸精度对高频元件的加工生产非常重要。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种高频元件加工尺寸的精度预测方法及系统,旨在解决现有的高频元件加工尺寸精度的预测由于存在制造精度、人为判断、抽样检测等因素的制约,导致预测精度较差的问题。
为实现上述目的,本发明提供了一种高频元件加工尺寸的精度预测方法,包括以下步骤:
将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
将加工参数和切削力的特征值输入至精度预测神经网络,获取高频元件的质量等级;
其中,精度预测神经网络为RBF神经网络模型与DNN神经网络模型的结合。
优选地,训练精度预测神经网络的方法为:
获取历史高频元件数控铣削的加工参数、切削力数据和质量数据,其中,质量数据包括加工的尺寸数据;
将加工的尺寸数据与目标尺寸数据相减,获取尺寸精度值;
按照不同的尺寸精度值,将高频元件划分为不同的质量等级;
将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
将加工参数和切削力的特征值进行归一化预处理,作为数据样本集;
以样本集为输入,以质量等级为输出,训练精度预测神经网络,获取精度预测神经网络;
其中,精度预测神经网络为RBF神经网络模型与DNN神经网络模型的结合。
优选地,加工参数包括:主轴转速、切削深度、进给量、尺寸类别和零件材料。
优选地,切削力数据的加工特征分段方法为:根据切削力数据的时域分布特点,以及按照不同的加工特征在时域的分布特征,对切削力数据进行分段。
优选地,特征提取方法包括时域特征提取和时频域特征提取;所述时域特征提取为计算加工过程中实时切削力数据的统计特征,包括绝对平均值、均方根值和峰值平均值;所述时频域特征提取为通过小波分析方法计算实时切削力数据的小波能量特征和小波系数的统计特征。
优选地,质量等级包括不合格、合格和高精度。
本发明提供了一种高频元件加工尺寸的精度预测系统,包括第一特征提取模块和精度预测神经网络模块;
第一特征提取模块用于将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
第一精度预测神经网络模块用于将加工参数和切削力的特征值输入至精度预测神经网络,获取高频元件的质量等级;
其中,精度预测神经网络为RBF神经网络模型与DNN神经网络模型的结合。
优选地,高频元件加工尺寸的精度预测系统还包括精度预测神经网络的训练模块,训练模块包括数据采集单元、加法器、等级划分器、数据处理器、第二特征提取模块、精度预测神经网络的构建单元;
数据采集单元用于获取历史高频元件数控铣削的加工参数、切削力数据和质量数据,其中,质量数据包括加工的尺寸数据;
加法器用于将加工的尺寸数据与目标尺寸数据相减,获取尺寸精度值;
等级划分器用于按照不同的尺寸精度值,将高频元件划分为不同的质量等级;
第二特征提取模块用于将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
数据处理器用于将加工参数和切削力的特征值进行归一化预处理,作为数据样本集;
精度预测神经网络的构建单元用于以样本集为输入,以质量等级为输出,训练精度预测神经网络,获取精度预测神经网络。
优选地,特征提取方法包括时域特征提取和时频域特征提取;所述时域特征提取为计算加工过程中实时切削力数据的统计特征,包括绝对平均值、均方根值和峰值平均值;所述时频域特征提取为通过小波分析方法计算实时切削力数据的小波能量特征和小波系数的统计特征。
优选地,质量等级包括不合格、合格和高精度。
通过本发明所构思的以上技术方案,与现有技术相比,能够取得以下有益效果:
本发明分为两个阶段,第一个阶段为精度预测神经网络的训练阶段:将加工的尺寸数据与目标尺寸数据相减,获取尺寸精度值;按照不同的尺寸精度值,将高频元件划分为不同的质量等级;将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;将加工参数和切削力的特征值进行归一化预处理,作为数据样本集;以样本集为输入,以质量等级为输出,训练精度预测神经网络,获取精度预测神经网络;第二个阶段为实际应用中,直接将加工参数和切削力的特征值输入至已经训练完的精度预测神经网络。获取高频元件的质量等级。本发明采用精度预测神经网络可以更为便捷,更为准确地获取加工尺寸的预测精度。
在实际应用中,可以设定不同的加工参数,输入至精度预测神经网络,预测加工精度,可以辅助优化不同切削条件的选择。
本发明的精度预测神经网络在实际应用中,随着历史数据的不断增多,预测精度的更高,具有持续地生命周期。
附图说明
图1是本发明提供的一种高频元件加工尺寸的精度预测方法流程图;
图2是本发明提供的神经网络模型示意图;
图3是本发明提供的高频元件样件零件图;
图4是本发明提供的实验组的x向信号分段结果图;
图5是本发明提供的训练过程精度变化示意图;
图6是本发明提供的最终预测与实际的对比验证图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,一方面,本发明提供了一种高频元件加工尺寸的精度预测方法,包括;
将采集的切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
将加工参数和切削力的特征值输入至精度预测神经网络,获取高频元件的质量等级;
其中,如图2所示,精度预测神经网络为RBF神经网络模型与DNN神经网络模型的结合。
优选地,训练精度预测神经网络的方法为:
获取历史高频元件数控铣削的加工参数、切削力数据和加工后的质量数据;其中,质量数据包括加工的尺寸数据;
将加工的尺寸数据与目标尺寸数据相减,获取尺寸精度值;
按照不同的尺寸精度值,将高频元件划分为不同的质量等级;
将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
将加工参数和切削力的特征值进行归一化预处理,作为数据样本集;
以样本集为输入,以样本对应的质量等级为输出,训练精度预测神经网络,获取高频元件加工尺寸精度预测模型;
其中,精度预测神经网络为RBF神经网络模型与DNN神经网络模型的结合。
优选地,加工参数包括主轴转速、切削深度、进给量、尺寸类别和零件材料。
优选地,质量数据还包括加工工件的表面粗糙度;加工的尺寸数据包括零件间的距离尺寸和零件的半径。
优选地,切削力数据的加工特征分段方法为:通过分析切削力数据的时域分布特点,按照不同的加工特征在时域的分布特征,对切削力数据进行分段。
优选地,特征提取方法包括时域特征提取和时频域特征提取;时域特征提取为计算加工过程中实时切削力数据的统计特征,包括绝对平均值、均方根值和峰值平均值;时频域特征提取为通过小波分析方法计算实时切削力数据的小波能量特征和小波系数的统计特征。
优选地,质量等级包括不合格、合格和高精度三种等级,经过one-hot编码后分别对应(1,0,0),(0,1,0)和(0,0,1)。
具体地,RBF神经网络模型为三层结构,模型的激活函数为径向基高斯函数,公式如下:RBF神经网络模型输出层结构如下:||·||是欧式范数;ci为RBF隐含层节点i的中心;σ为高斯函数的方差;xk为第k个输入样本的输入值,k=1,2,3,...,K,共有K个输入样本;wij为RBF隐含层节点i到输出层节点j的连接权值,RBF隐含层共有h1个节点,i=1,2,...,h1;输出层h2个节点,j=1,2,...,h2,yj为RBF神经网络模型的第j个输出节点的实际输出。
RBF神经网络模型的隐含层节点数量依据k-mean算法实现对隐含层数据中心的自组织选择。
具体地,DNN神经网络模型为N+2层结构,其中,第0层为DNN输入层,第1到第N层为隐层,第N+1层为DNN神经网络模型的输出层,相邻层之间通过前馈权值矩阵连接。DNN模型的损失函数为其中,K为样本数;M为类别数量;m为类别;S为样本k实际类别,Skm的取值为:若类别m与样本k相同,则Skm=1;否则,Skm=0;pkm为观测样本k被预测为类别m的概率值;隐含层的激活函数为其中,v为节点的输入值;α为常系数,其值大小控制激活函数的负值部分在何时饱和,取值范围为(0,1);输出层的激活函数为其中,ea为DNN模型输出层第a个输出节点的输入值;∑beb为所有输出节点的输入值之和;Qa为经过该激活函数计算后的节点a的输出结果。
另一方面,本发明提供了一种高频元件加工尺寸的精度预测系统,包括第一特征提取模块和精度预测神经网络模块;
第一特征提取模块用于将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
第一精度预测神经网络模块用于将加工参数和切削力的特征值输入至精度预测神经网络,获取高频元件的质量等级;
其中,精度预测神经网络为RBF神经网络模型与DNN神经网络模型的结合。
优选地,高频元件加工尺寸的精度预测系统还包括精度预测神经网络的训练模块,训练模块包括数据采集单元、加法器、等级划分器、数据处理器、第二特征提取模块、精度预测神经网络的构建单元;
数据采集单元用于获取历史高频元件数控铣削的加工参数、切削力数据和质量数据,其中,质量数据包括加工的尺寸数据;
加法器用于将加工的尺寸数据与目标尺寸数据相减,获取尺寸精度值;
等级划分器用于按照不同的尺寸精度值,将高频元件划分为不同的质量等级;
第二特征提取模块用于将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
数据处理器用于将加工参数和切削力的特征值进行归一化预处理,作为数据样本集;
精度预测神经网络的构建单元用于以样本集为输入,以质量等级为输出,训练精度预测神经网络,获取精度预测神经网络。
优选地,特征提取方法包括时域特征提取和时频域特征提取;所述时域特征提取为计算加工过程中实时切削力数据的统计特征,包括绝对平均值、均方根值和峰值平均值;所述时频域特征提取为通过小波分析方法计算实时切削力数据的小波能量特征和小波系数的统计特征。
优选地,质量等级包括不合格、合格和高精度。
实施例
图3是高频元件样件,最终加工后的尺寸精度的预测方法如下:中恶化实施例中高频元件的加工特性,材料特性,加工环境以及生产经验,以切削条件为实验参数,基于每种材料设计了三因素五水平的正交实验,并在实验中实时采集米克朗HSM600U LP高速加工中心精密铣削薄壁工件的加工过程信号-切削力信号,最终将实验完成后的数据进行处理与分析,据此进行尺寸精度预测方法的研究。
本实施例提供的高频元件加工尺寸的精度预测方法,具体包括以下步骤:
步骤一:加工前确定高频元件数控铣削的加工参数;
本实施例中,根据高频元件的加工特性,材料特性,加工环境以及生产经验,在机具工装、机床刚度、工件材料和冷却条件等保持恒定的情况下,以切削条件为实验参数,具体为主轴转速(30000~40000r/min),进给量(2800~4000)和切深(0.03mm~0.20mm),按照正交实验设计了三因素多水平的高频元件采样实验,每种材料下的实验组数为42组。同时,每个加工样件设计有三种不同的加工特征,分别为缝、方孔和圆孔,如图3所示,并确定了采集的数据种类为加工前的工艺参数数据和加工时的切削力数据。其中,为了后期数据分析和处理,在每个加工特征的分类基础上再进行细分,按照图3所示高频元件的零件图,可以得到具体分类为:方孔1(8.6*8.6),方孔2(5.2*5.2),缝1(3*8),缝2(1*8),方孔3(13*13),圆孔(4个,每个为,最后加工);
另外,将下列加工参数:主轴转速n、进给量feed、切深dp以及材料、道具和特征分类均写入feature_quality.csv中;
步骤二:加工时设置外置传感器采集高频元件的加工过程数据,本实施例中加工过程数据包括切削力数据;具体切削力数据的采集方法为:选择Kistler固定式测力仪,安装在铣削工作台上(通过虎钳固定),采样率设置为100Hz,采样时长设置为2000s,在机床铣削工件时实时采集切削力(Fx、Fy、Fz),并经过力传感器-电荷放大器-数据采集卡-PC实现切削力数据的传输,最终得到加工工件在X、Y、Z三个方向的实时铣削力信息,并通过MATLAB保存为csv文件,分别为XXX_Force_X,XXX_Force_Y,XXX_Force_Z(XXX为某组实验序号);
步骤三:加工后通过三坐标仪采集高频元件的质量数据,质量数据包括加工的尺寸数据和表面粗糙度数据;本实施例中,质量数据包括X方向的加工尺寸、Y方向的加工尺寸和表面粗糙度;因此,根据加工特征的不同,将检测结果分为三个csv文件,分别为XXX_Quality_Crack,XXX_Quality_Square,XXX_Quality_Circle(XXX为某组实验序号),每个文件下存储对应实验组的X方向的加工尺寸、Y方向的加工尺寸和表面粗糙度;
步骤四:将切削力数据按照不同的加工特征进行分段;本实施例中,通过测力仪采集高频元件整个加工过程的切削力数据,数据中包括了三种特征下的切削力数据,呈现出比较明显的分段特征,如图4所示;
在分段之前,切削力数据需要进行数据清洗,保留有效的完整的加工部分信号,并消除测力仪与机床的同步误差;具体数据清洗的方法为:基于Python语言编写数据清洗函数,具体为:定义一个滑动窗口,让滑动窗口在读取切削力数据组里滑动,读取窗口的最大值maxV和最小值minV,当|maxV-minV|<H时(本实施例中H值设置为2N,原因为设备零漂误差为±1N左右),说明当前处于无效数据阶段,窗口后移;否则处于有效数据阶段。通过改数据清洗函数可以找到第一个有效数据窗口点和最后一个有效数据窗口点,从而截取中间部分为有效切削力数据,并保存为csv文件,如XXX_Force_X.csv,XXX_Force_Y.csv,XXX_Force_Z.csv;
为实现信号的分段,本实施例根据实际加工时间分布,确定每个阶段的时间段,然后对切削力数据进行切割分段:在假设加工环境条件相同且机床正常工作的情况下,加工特征之间的时间分布比为T-方孔1:T-方孔2:T-缝1:T-缝2:T-方孔3:T-圆孔=9.24:3.38:3:1:21.125:14.14;其中,每个圆孔占比为3.533;
根据该时间分布比,读取对应的切削力数据文件(如:XXX_Force_X1.csv),获得其总长度,然后基于该时间比进行分段,最终得到对应某个具体加工特征的切削力数据,保存为csv文件,如XXX_Force_X_Square1.csv,XXX_Force_X_Square2.csv,XXX_Force_X_Crack1.csv等等;
步骤五:通过特征提取方法计算切削力数据的特征值;本实施例读取步骤四种的各个加工特征的各个方向的切削力数据,分析并提取切削力数据的时域特征和时频域特征;
对于时域特征的提取,本实施例中提取了绝对平均值abm、均方根值rms和峰值平均值peak,时域特征的提取公式如下:
其中,ft为t时刻的切削力;B为当前切削力的采样点数;对于Fp的计算,将切削力的B个采样点分为A段,找出每一段的峰值fpt(>0),并计算峰值fpt的平均值;
对于时频域特征的提取,本实施例提取了小波包特征,具体将切削力数据进行三层小波包分解后,提取前三个节点的小波系数(前三个小波系数能量占比为XX%)的统计特征和能量特征;
小波系数是切削力数据经过三层小波包分解后得到的8个分信号(分别表示不同的维度)的基础数据点,然后对占比前三的分信号进行特征提取;
具体特征为前三的分信号的绝对平均值pywt_abm和能量占比e_ratio,提取结果存放在csv文件的feature_quality.csv中;
步骤六:将步骤获取的加工的尺寸数据和目标尺寸相减,结果作为尺寸精度的表征指标,并保存到feature_quality.csv的文件中;将加工够的高频元件依照尺寸精度值划分为不同的质量等级,比如:不合格、合格和高精度等级,并利用程序实现对迟钝精度数据的类别划分;在本实施例中,质量等级按照高频元件具体产品设计要求划分为三个等级:不合格、合格和高精度,经过one-hot编号后分别对应(1,0,0),(0,1,0)和(0,0,1);
步骤七:对步骤一和步骤五分别获取的高频元件的加工参数和切削力特征数据进行归一化预处理,并把处理后的数据样本分为训练集和测试集两部分;
本实施例中,所有对应加工特征的特征结果和质量数据都保存在了对应的csv文件里,调用Python程序读取feature_quality.csv,将结果分为feature_data和label_data,对feature_data采用(0,1)归一化,具体公式为:
其中,Max和Min分别为对应特征在所有实验组中的最大值和最小值;
步骤八:利用步骤七中数据样本,训练精度预测神经网络,获取高频元件的加工尺寸精度预测模型,该模型用于获取加工元件的质量等级;具体如下:
本实施例中精度预测神经网络以材料ma,刀具直径d,特征类别r,主轴转速n,进给量feed,切深dp,时域绝对平均值abm,时域均方根值rms,时域峰值平均值peak,小波包节点1绝对平均值pywt_abm1,小波包节点2绝对平均值pywt_abm2,小波包节点3绝对平均值pywt_abm3,小波包节点1能量占比e_ratio1,小波包节点2能量占比e_ratio2,小波包节点3能量占比e_ratio3为输入,尺寸精度类别的one-hot编码为输出(3节点),结合RBF和DNN建立组合精度预测神经网络,具体形式为y=F(ma,d,r,n,feed,dp,abm,rms,peak,pywt_abm,e_ratio)。
本实施例在设置了合适的训练参数后得到的训练效果图与测试的预测效果图分别入图5和图6所示。其中图5为训练过程中训练集与验证集的预测精度的变化图,可见在训练后期其预测精度基本达到了80%左右,已经达到了高频元件尺寸精度的预测精度要求。为保证泛化性和鲁棒性,本实施例将一组新的数据通过训练好的预测模型进行预测,结果如图6所示,预测结果绝大部分是符合实际值的,说明了模型的有效性。
本发明与现有技术相比,具有以下优势:
本发明分为两个阶段,第一个阶段为精度预测神经网络的训练阶段:将加工的尺寸数据与目标尺寸数据相减,获取尺寸精度值;按照不同的尺寸精度值,将高频元件划分为不同的质量等级;将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;将加工参数和切削力的特征值进行归一化预处理,作为数据样本集;以样本集为输入,以质量等级为输出,训练精度预测神经网络,获取精度预测神经网络;第二个阶段为实际应用中,直接将加工参数和切削力的特征值输入至已经训练完的精度预测神经网络。获取高频元件的质量等级。本发明采用精度预测神经网络可以更为便捷,更为准确地获取加工尺寸的预测精度。
在实际应用中,可以设定不同的加工参数,输入至精度预测神经网络,预测加工精度,可以辅助优化不同切削条件的选择。
本发明的精度预测神经网络在实际应用中,随着历史数据的不断增多,预测精度的更高,具有持续地生命周期。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的神经和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种高频元件加工尺寸的精度预测方法,其特征在于,包括以下步骤:
将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
将加工参数和切削力的特征值输入至精度预测神经网络,获取高频元件的质量等级;
其中,精度预测神经网络为RBF神经网络模型与DNN神经网络模型的结合。
2.根据权利要求1所述的精度预测方法,其特征在于,训练加工尺寸精度预测神经网络的方法为:
获取历史高频元件数控铣削的加工参数、切削力数据和质量数据,其中,质量数据包括加工的尺寸数据;
将加工的尺寸数据与目标尺寸数据相减,获取尺寸精度值;
按照不同的尺寸精度值,将高频元件划分为不同的质量等级;
将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
将加工参数和切削力的特征值进行归一化预处理,作为数据样本集;
以样本集为输入,以质量等级为输出,训练精度预测神经网络,获取精度预测神经网络;
其中,精度预测神经网络为RBF神经网络模型与DNN神经网络模型的结合。
3.根据权利要求1或2所述的精度预测方法,其特征在于,所述加工参数包括:主轴转速、切削深度、进给量、尺寸类别和零件材料。
4.根据权利要求1或2所述的精度预测方法,其特征在于,所述切削力数据的加工特征分段方法为:根据切削力数据的时域分布特点,以及按照不同的加工特征在时域的分布特征,对切削力数据进行分段。
5.根据权利要求4所述的精度预测方法,其特征在于,所述特征提取方法包括时域特征提取和时频域特征提取;所述时域特征提取为计算加工过程中实时切削力数据的统计特征,包括绝对平均值、均方根值和峰值平均值;所述时频域特征提取为通过小波分析方法计算实时切削力数据的小波能量特征和小波系数的统计特征。
6.根据权利要求2所述的精度预测方法,其特征在于,所述质量等级包括不合格、合格和高精度。
7.一种高频元件加工尺寸的精度预测系统,其特征在于,包括第一特征提取模块和精度预测神经网络模块;
第一特征提取模块用于将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
第一精度预测神经网络模块用于将加工参数和切削力的特征值输入至精度预测神经网络,获取高频元件的质量等级;
其中,精度预测神经网络为RBF神经网络模型与DNN神经网络模型的结合。
8.根据权利要求7所述的精度预测系统,其特征在于,还包括精度预测神经网络的训练模块,训练模块包括数据采集单元、加法器、等级划分器、数据处理器、第二特征提取模块、精度预测神经网络的构建单元;
所述数据采集单元用于获取历史高频元件数控铣削的加工参数、切削力数据和质量数据,其中,质量数据包括加工的尺寸数据;
所述加法器用于将加工的尺寸数据与目标尺寸数据相减,获取尺寸精度值;
所述等级划分器用于按照不同的尺寸精度值,将高频元件划分为不同的质量等级;
所述第二特征提取模块用于将切削力数据按照不同的加工特征分段后,采用特征提取方法计算切削力的特征值;
所述数据处理器用于将加工参数和切削力的特征值进行归一化预处理,作为数据样本集;
所述精度预测神经网络的构建单元用于以样本集为输入,以质量等级为输出,训练精度预测神经网络,获取精度预测神经网络。
9.根据权利要求7或8所述的精度预测系统,其特征在于,所述特征提取方法包括时域特征提取和时频域特征提取;所述时域特征提取为计算加工过程中实时切削力数据的统计特征,包括绝对平均值、均方根值和峰值平均值;所述时频域特征提取为通过小波分析方法计算实时切削力数据的小波能量特征和小波系数的统计特征。
10.根据权利要求7或8所述的精度预测系统,其特征在于,所述质量等级包括不合格、合格和高精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568332.1A CN112528955B (zh) | 2020-12-25 | 2020-12-25 | 一种高频元件加工尺寸的精度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568332.1A CN112528955B (zh) | 2020-12-25 | 2020-12-25 | 一种高频元件加工尺寸的精度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528955A true CN112528955A (zh) | 2021-03-19 |
CN112528955B CN112528955B (zh) | 2022-05-13 |
Family
ID=74976608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011568332.1A Active CN112528955B (zh) | 2020-12-25 | 2020-12-25 | 一种高频元件加工尺寸的精度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528955B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115237054A (zh) * | 2022-09-21 | 2022-10-25 | 中科航迈数控软件(深圳)有限公司 | 一种主轴驱动电机控制方法、装置、终端及存储介质 |
CN116993734A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市博硕科技股份有限公司 | 基于视觉成像进行分析的电池隔热棉裁切质量预测系统 |
CN117549219A (zh) * | 2024-01-12 | 2024-02-13 | 东方电气集团东方汽轮机有限公司 | 一种叶片喷砂质量预测方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011148157A2 (en) * | 2010-05-27 | 2011-12-01 | The University Of Sheffield | Method of machining hard material with a minimum of chip segmentation chatter |
CN106295795A (zh) * | 2016-08-09 | 2017-01-04 | 衢州学院 | 一种基于bp神经网络算法的铜管内螺纹成形质量预测方法 |
CN108920812A (zh) * | 2018-06-28 | 2018-11-30 | 江苏大学 | 一种机械加工表面粗糙度预测方法 |
CN109977464A (zh) * | 2019-02-18 | 2019-07-05 | 江苏科技大学 | 一种基于bp神经网络的活塞切削加工变形量的预测方法 |
CN111723440A (zh) * | 2020-05-12 | 2020-09-29 | 华中科技大学 | 一种薄壁件加工精度预测混合建模方法 |
-
2020
- 2020-12-25 CN CN202011568332.1A patent/CN112528955B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011148157A2 (en) * | 2010-05-27 | 2011-12-01 | The University Of Sheffield | Method of machining hard material with a minimum of chip segmentation chatter |
CN106295795A (zh) * | 2016-08-09 | 2017-01-04 | 衢州学院 | 一种基于bp神经网络算法的铜管内螺纹成形质量预测方法 |
CN108920812A (zh) * | 2018-06-28 | 2018-11-30 | 江苏大学 | 一种机械加工表面粗糙度预测方法 |
CN109977464A (zh) * | 2019-02-18 | 2019-07-05 | 江苏科技大学 | 一种基于bp神经网络的活塞切削加工变形量的预测方法 |
CN111723440A (zh) * | 2020-05-12 | 2020-09-29 | 华中科技大学 | 一种薄壁件加工精度预测混合建模方法 |
Non-Patent Citations (1)
Title |
---|
王定: "基于铣削力的刀具磨损在线监测研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115237054A (zh) * | 2022-09-21 | 2022-10-25 | 中科航迈数控软件(深圳)有限公司 | 一种主轴驱动电机控制方法、装置、终端及存储介质 |
CN115237054B (zh) * | 2022-09-21 | 2022-12-16 | 中科航迈数控软件(深圳)有限公司 | 一种主轴驱动电机控制方法、装置、终端及存储介质 |
CN116993734A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市博硕科技股份有限公司 | 基于视觉成像进行分析的电池隔热棉裁切质量预测系统 |
CN116993734B (zh) * | 2023-09-27 | 2023-12-01 | 深圳市博硕科技股份有限公司 | 基于视觉成像进行分析的电池隔热棉裁切质量预测系统 |
CN117549219A (zh) * | 2024-01-12 | 2024-02-13 | 东方电气集团东方汽轮机有限公司 | 一种叶片喷砂质量预测方法、系统、设备及存储介质 |
CN117549219B (zh) * | 2024-01-12 | 2024-05-10 | 东方电气集团东方汽轮机有限公司 | 一种叶片喷砂质量预测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112528955B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528955B (zh) | 一种高频元件加工尺寸的精度预测方法及系统 | |
CN111366123B (zh) | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
CN111037365A (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
CN110647943A (zh) | 基于演化数据聚类分析的切削刀具磨损监测方法 | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN110561191B (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
CN113515847B (zh) | 一种基于K-means聚类算法的非均质岩石数字岩芯建模方法 | |
CN109507304B (zh) | 一种基于超声探伤的缺陷检测方法 | |
CN113487533B (zh) | 一种基于机器学习的零件装配质量数字化检测系统及方法 | |
Li et al. | Milling tool wear state recognition based on partitioning around medoids (PAM) clustering | |
CN110928237B (zh) | 一种基于振动信号的数控加工中心颤振在线辨识方法 | |
Antić et al. | A model of tool wear monitoring system for turning. | |
CN116008114B (zh) | 一种基于传感器信号的骨材料钻削过程刀具磨损检测方法 | |
CN112372371B (zh) | 数控机床刀具磨损状态评估方法 | |
CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN113523904A (zh) | 一种刀具磨损检测方法 | |
CN116448047A (zh) | 基于时频图融合-残差网络的加工表面粗糙度预测方法 | |
CN115422978A (zh) | 一种工件表面粗糙度预测方法 | |
Shi et al. | Wear identification of vibration drilling bit based on improved lmd and bp neural network | |
CN114021401A (zh) | 一种切削加工表面残余应力场梯度分布预测方法 | |
CN114310483B (zh) | 一种数控加工尺寸误差预测方法 | |
Jeyaraj et al. | A data-driven model to predict dressing interval during a multi-flute end mill grooving process using a multilayered diamond grinding wheel | |
CN117066337B (zh) | 用于电机定转子加工的冲压控制方法及系统 | |
CN117592223B (zh) | 一种面向航空航天材料的孔加工刀具智能设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |