CN113065630B - 用于砂带磨削加工的工艺参数优化方法 - Google Patents

用于砂带磨削加工的工艺参数优化方法 Download PDF

Info

Publication number
CN113065630B
CN113065630B CN202110310343.8A CN202110310343A CN113065630B CN 113065630 B CN113065630 B CN 113065630B CN 202110310343 A CN202110310343 A CN 202110310343A CN 113065630 B CN113065630 B CN 113065630B
Authority
CN
China
Prior art keywords
grinding
process parameters
fitness
model
chaotic
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.)
Active
Application number
CN202110310343.8A
Other languages
English (en)
Other versions
CN113065630A (zh
Inventor
唐倩
张鹏辉
李志航
吴海鹏
蔺梦圆
杨爱平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202110310343.8A priority Critical patent/CN113065630B/zh
Publication of CN113065630A publication Critical patent/CN113065630A/zh
Application granted granted Critical
Publication of CN113065630B publication Critical patent/CN113065630B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

本申请一种用于砂带磨削加工的工艺参数优化方法，所述方法包括如下步骤：S1：使用混沌映射进行群初始化；S2：确定群适应度并根据适应度值从大到小进行排序，在确定群适应度中将预测模型作为混沌麻雀搜索算法的适应度函数；S3：采用混沌麻雀搜索算法更新发现者、追随者和警戒者位置，令I＝1，其中，I表示迭代次数的变量，I为正整数；S4：I＝I+1，其中，I表示迭代次数的变量，判断I是否大于预设的迭代次数，若是，进入下一步，若否，进入步骤S2；S5：输出最佳位置和适应度，即输出在满足预设加工精度条件下，磨削效率最优的磨削工艺参数。本申请在加工精度要求的范围内最大限度地提高磨削效率，实现对磨削工艺参数的智能优化。

Description

用于砂带磨削加工的工艺参数优化方法
技术领域
本发明涉及磨削加工技术领域，尤其涉及一种用于砂带磨削加工的工艺参数优化方法。
背景技术
磨削加工是应用较为广泛的切削加工方法之一。与其他切削加工方式，如车削、铣削、刨削等比较，具有以下特点：1、磨削速度很高，每秒可达30m～50m；磨削温度较高，可达1000”C～1500℃；磨削过程历时很短，只有万分之一秒左右。2、磨削加工可以获得较高的加工精度和很小的表面粗糙度值。3、磨削不但可以加工软材料，如未淬火钢、铸铁和有色金属等，而且还可以加工淬火钢及其他刀具不能加工的硬质材料，如瓷件、硬质合金等。4、磨削时的切削深度很小，在一次行程中所能切除的金属层很薄。传统的磨削工艺必须考虑很多因素，如生产条件、传统工艺习惯、生产成本和行业标准等；目前，这些主要依靠工程师的经验和知识。随着计算机技术和人工智能的迅速发展和普及，磨削技术的智能化已成为一个重要的研究课题。特别是随着行业数据的爆炸式增长，磨削工艺数据已成为智能制造的核心要素。但是，因为磨削过程机理复杂，磨削过程相互耦合，难以建立精确的数学模型系统地解释加工过程特征，以此来对磨削工艺参数进行优化。
因此，亟需一种新的对磨削工艺参数进行优化的方法。
发明内容
有鉴于此，本发明提供一种用于砂带磨削加工的工艺参数优化方法，其特征在于：所述方法包括如下步骤：
S1：使用混沌映射进行群初始化；
S2：确定群适应度并根据适应度值从大到小进行排序，在确定群适应度中将预测模型作为混沌麻雀搜索算法的适应度函数；
其中，所述预测模型采用如下方法确定：
S21：确定神经网络的训练集和测试集；
S22：构建基于双向长短时记忆网络的磨削加工的工艺参数和评价参数的模型；
S23：通过步骤S21中的训练集对所述模型进行训练，直至所述模型通过测试集的测试，通过测试后的模型为预测模型；
S3：采用混沌麻雀搜索算法更新发现者、追随者和警戒者位置，令I＝1，其中，I表示迭代次数的变量，I为正整数；
S4：I＝I+1，其中，I表示迭代次数的变量，判断I是否大于预设的迭代次数，若是，进入下一步，若否，进入步骤S2；
S5：输出最佳位置和适应度，即输出在满足预设加工精度条件下，磨削效率最优的磨削工艺参数。
进一步，所述步骤S21包括如下步骤：
确定预设数量的数据集，所述数据集中的每一个子集均包括磨削速度、下压力、进给速度、加工精度和磨削效率；
对数据集中的数据进行归一化处理，所述归一化处理采用如下方法：
Figure GDA0003916355690000021
其中，x表示归一化值，Xi表示当前值，lb表示当前数值的取值范围的最小值，ub表示当前数值的取值范围的最大值；
将归一化处理后的数据集按照预设比例分为训练集和测试集。
进一步，所述工艺参数包括磨削速度、下压力和进给速度，所述评价参数包括加工精度和磨削效率。
进一步，所述工艺参数和评价参数的模型包括单层双向LSTM层和单层全连接网络，所述单层全连接网络的维度由两层LSTM的输出维度拼接而成，在该模型中以工艺参数为输入，以评价参数为模型的输出。
进一步，所述优化方法的目标为在加工精度要求的范围内最大限度地提高磨削效率：
Figure GDA0003916355690000031
其中，max imize表示使最大化，η表示磨削效率；vs表示砂带线速度即磨削速度；μ表示下压力；vm表示进给速度；
Figure GDA0003916355690000032
表示约束，h表示磨削深度。
进一步，所述预设迭代次数根据如下方法确定：迭代次数由混沌麻雀搜索算法的优化结果决定，当混沌麻雀搜索算法的输出结果趋于稳定时的迭代次数设定为算法的预设迭代次数。
本发明的有益技术效果：本发明提供的用于砂带磨削加工的工艺参数优化方法，降低了磨削加工工艺参数优化对人工经验和专业知识的依赖，通过双向长短时记忆神经网络磨削加工工艺参数和评价参数之间的预测模型，通过混沌麻雀搜索算法在搜索空间中确定最优工艺组合，在加工精度要求的范围内最大限度地提高磨削效率，实现对磨削工艺参数的智能优化。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本申请的优化方法的流程图。
图2为本申请的双向长短时记忆神经网络的结构示意图。
图3为本申请的实验加工示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明：
本发明提供一种用于砂带磨削加工的工艺参数优化方法，其特征在于：所述方法包括如下步骤：如图1所示，
S1：使用混沌映射进行群初始化；
S2：确定群适应度并根据适应度值从大到小进行排序，在确定群适应度中将预测模型作为混沌麻雀搜索算法的适应度函数；
其中，所述预测模型采用如下方法确定：
S21：确定神经网络的训练集和测试集；
S22：构建基于双向长短时记忆网络的磨削加工的工艺参数和评价参数的模型；
S23：通过步骤S21中的训练集对所述模型进行训练，直至所述模型通过测试集的测试，通过测试后的模型为预测模型；
S3：采用混沌麻雀搜索算法更新发现者、追随者和警戒者位置，令I＝1，其中，I表示迭代次数的变量，I为正整数；
S4：I＝I+1，其中，I表示迭代次数的变量，判断I是否大于预设的迭代次数，若是，进入下一步，若否，进入步骤S2；
S5：输出最佳位置和适应度，即输出在满足预设加工精度条件下，磨削效率最优的磨削工艺参数。迭代结束后，对得到的结果进行反归一化处理，可以得到最优的工艺参数。
其中，确定神经网络的训练集和测试集采用如下方法确定：
确定预设数量的数据集，所述数据集中的每一个子集均包括磨削速度、下压力、进给速度、加工精度和磨削效率；
对数据集中的数据进行归一化处理，所述归一化处理采用如下方法：
Figure GDA0003916355690000041
其中，x表示归一化值，Xi表示当前值，lb表示当前数值的取值范围的最小值，ub表示当前数值的取值范围的最大值；
将归一化处理后的数据集按照预设比例分为训练集和测试集。本领域技术人员可根据实际需求来设定比例，在本实施例中，预设比例为8：2，即将整个数据集等分为10份，其中8份为训练集，2份为测试集。
在本实施例中，所述工艺参数包括磨削速度、下压力和进给速度，所述评价参数包括加工精度和磨削效率。
在本实施例中，如图2所示，所述工艺参数和评价参数的模型包括单层双向LSTM层和单层全连接网络，所述单层全连接网络的维度由两层LSTM的输出维度拼接而成，在该模型中以工艺参数为输入，以评价参数为模型的输出。预测模型主要由双向LSTM单元和全连接网络组成。具体包括：①单层双向LSTM层，即两层方向相反的LSTM层，可根据工序的数量选择相应的timestep，本案例为单工序工艺数据，暂且将timestep设定为1；②单层全连接网络，维度由两层LSTM的输出维度拼接而成，多次测试后设定为128，此时模型拟合效果最佳。在预测模型中，以磨削速度、下压力和进给速度三个工艺参数作为模型的输入，以加工精度和磨削效率两个评价参数作为模型的输出。
在本实施例中，所述优化方法的目标为在加工精度要求的范围内最大限度地提高磨削效率：
Figure GDA0003916355690000051
其中，max imize表示使最大化，η表示磨削效率；vs表示砂带线速度即磨削速度；μ表示下压力；vm表示进给速度；
Figure GDA0003916355690000052
表示约束，h表示磨削深度。
在本实施例中，所述预设迭代次数根据如下方法确定：迭代次数由混沌麻雀搜索算法的优化结果决定，当混沌麻雀搜索算法的输出结果趋于稳定时的迭代次数设定为算法的预设迭代次数。
本发明提供一种案例：20CrMnTi渗碳合金钢的外圆磨削试验。
在七轴联动高精度数控砂带磨床上对20CrMnTi圆柱型钢材进行了315组不同工艺参数的磨削试验。
如图3所示，圆杆直径为24mm，长度为300mm。其精度为±0.01mm。在本实验中，每种合金圆棒都可以在几个不同的工艺参数下进行加工。具体来说，在每组工艺参数下，加工宽度为10mm，间隔为2mm，然后切换到下一组进行加工。每个工件可加工20次。加工后，我们使用ATOS蓝光三维扫描仪，该扫描仪的测量精度可以达到±0.002mm。
如表1所示，为案例实验的部分数据。
表1部分实验数据
Figure GDA0003916355690000061
针对约束和优化目标，该模型得到的最优工艺参数组合为[8.410,20.000,1200.000]。相应的预测结果为[0.265,5.214]。选取符合约束条件的实验数据，并与表2中的结果值进行比较。在实验数据中，符合工件加工直径精度的工艺组合共有74种，其中列出了一些磨削效率大于4.8(mm3/s)的工艺组合。结果表明，模型计算结果优于所有实验数据。
Table 2优化结果与实验数据的对比
Figure GDA0003916355690000062
Figure GDA0003916355690000071
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种用于砂带磨削加工的工艺参数优化方法，其特征在于：所述方法包括如下步骤：
S1：使用混沌映射进行群初始化；
S2：确定群适应度并根据适应度值从大到小进行排序，在确定群适应度中将预测模型作为混沌麻雀搜索算法的适应度函数；
其中，所述预测模型采用如下方法确定：
S21：确定神经网络的训练集和测试集；
S22：构建基于双向长短时记忆网络的磨削加工的工艺参数和评价参数的模型；
S23：通过步骤S21中的训练集对所述模型进行训练，直至所述模型通过测试集的测试，通过测试后的模型为预测模型；
S3：采用混沌麻雀搜索算法更新发现者、追随者和警戒者位置，令I＝1，其中，I表示迭代次数的变量，I为正整数；
S4：I＝I+1，其中，I表示迭代次数的变量，判断I是否大于预设的迭代次数，若是，进入下一步，若否，进入步骤S2；
S5：输出最佳位置和适应度，即输出在满足预设加工精度条件下，磨削效率最优的磨削工艺参数。
2.根据权利要求1所述用于砂带磨削加工的工艺参数优化方法，其特征在于：所述步骤S21包括如下步骤：
确定预设数量的数据集，所述数据集中的每一个子集均包括磨削速度、下压力、进给速度、加工精度和磨削效率；
对数据集中的数据进行归一化处理，所述归一化处理采用如下方法：
Figure FDA0003916355680000011
其中，x表示归一化值，Xi表示当前值，lb表示当前数值的取值范围的最小值，ub表示当前数值的取值范围的最大值；
将归一化处理后的数据集按照预设比例分为训练集和测试集。
3.根据权利要求1所述用于砂带磨削加工的工艺参数优化方法，其特征在于：所述工艺参数包括磨削速度、下压力和进给速度，所述评价参数包括加工精度和磨削效率。
4.根据权利要求3所述用于砂带磨削加工的工艺参数优化方法，其特征在于：所述工艺参数和评价参数的模型包括单层双向LSTM层和单层全连接网络，所述单层全连接网络的维度由两层LSTM的输出维度拼接而成，在该模型中以工艺参数为输入，以评价参数为模型的输出。
5.根据权利要求4所述用于砂带磨削加工的工艺参数优化方法，其特征在于：所述优化方法的目标为在加工精度要求的范围内最大限度地提高磨削效率：
Figure FDA0003916355680000021
其中，max imize表示使最大化，η表示磨削效率；vs表示砂带线速度即磨削速度；μ表示下压力；vm表示进给速度；s.t.表示约束，h表示磨削深度。
6.根据权利要求4所述用于砂带磨削加工的工艺参数优化方法，其特征在于：所述预设迭代次数根据如下方法确定：迭代次数由混沌麻雀搜索算法的优化结果决定，当混沌麻雀搜索算法的输出结果趋于稳定时的迭代次数设定为算法的预设迭代次数。
CN202110310343.8A 2021-03-23 2021-03-23 用于砂带磨削加工的工艺参数优化方法 Active CN113065630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110310343.8A CN113065630B (zh) 2021-03-23 2021-03-23 用于砂带磨削加工的工艺参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110310343.8A CN113065630B (zh) 2021-03-23 2021-03-23 用于砂带磨削加工的工艺参数优化方法

Publications (2)

Publication Number Publication Date
CN113065630A CN113065630A (zh) 2021-07-02
CN113065630B true CN113065630B (zh) 2023-04-07

Family

ID=76561616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110310343.8A Active CN113065630B (zh) 2021-03-23 2021-03-23 用于砂带磨削加工的工艺参数优化方法

Country Status (1)

Country Link
CN (1) CN113065630B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925596B (zh) * 2022-04-20 2023-10-20 永得利科技（无锡）有限公司 基于晶圆测试设备的铸件平台精铣加工参数的优化方法
CN115452842A (zh) * 2022-10-20 2022-12-09 颖态智能技术(上海)有限公司 一种面向阀口袋包装机的褶皱检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388702A (zh) * 2018-01-30 2018-08-10 河南工程学院 基于pso神经网络的工程陶瓷电火花加工效果预测方法
CN110232212A (zh) * 2019-05-08 2019-09-13 上海交通大学 基于蝙蝠算法的天线设计优化方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472057B (zh) * 2018-10-16 2023-05-23 浙江大学 基于跨工步隐式参数记忆的产品加工质量预测装置及方法
CN109410208A (zh) * 2018-11-14 2019-03-01 成都极致智造科技有限公司 砂带磨损的机器学习识别与工艺参数优化方法
JP6898371B2 (ja) * 2019-02-28 2021-07-07 ファナック株式会社 加工条件調整装置及び加工条件調整システム
CN110442099B (zh) * 2019-08-05 2021-05-11 湘潭大学 一种基于长短期记忆的数控加工工艺参数优化方法
CN110576336A (zh) * 2019-09-11 2019-12-17 大连理工大学 基于ssae-lstm模型的深孔加工刀具磨损量监测方法
JP7424777B2 (ja) * 2019-09-13 2024-01-30 ファナック株式会社 機械学習装置、制御装置、生成方法および制御方法
CN112418406B (zh) * 2020-12-09 2022-06-07 甘肃靖远航天风力发电有限公司 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388702A (zh) * 2018-01-30 2018-08-10 河南工程学院 基于pso神经网络的工程陶瓷电火花加工效果预测方法
CN110232212A (zh) * 2019-05-08 2019-09-13 上海交通大学 基于蝙蝠算法的天线设计优化方法及系统

Also Published As

Publication number Publication date
CN113065630A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN113065630B (zh) 用于砂带磨削加工的工艺参数优化方法
CN109828532B (zh) 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法
CN111563301A (zh) 一种薄壁件铣削加工参数优化方法
Sarkar et al. Parametric optimisation of wire electrical discharge machining of γ titanium aluminide alloy through an artificial neural network model
Kuriakose et al. Multi-objective optimization of wire-electro discharge machining process by non-dominated sorting genetic algorithm
CN105929689A (zh) 基于粒子群算法的机床制造系统加工节能优化方法
Zuperl et al. Modeling and adaptive force control of milling by using artificial techniques
Nain et al. Performance evaluation of the WEDM process of aeronautics super alloy
CN113051683B (zh) 一种数控机床刀具寿命预测方法、系统、设备及存储介质
CN111721835B (zh) 空心钻磨削砂轮状态智能监测方法
CN111633467A (zh) 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法
Pourmostaghimi et al. Intelligent model-based optimization of cutting parameters for high quality turning of hardened AISI D2
CN115146529B (zh) 一种汽车悬架弹簧冷抛丸强化残余应力预测方法
Bhuiyan et al. Optimization of cutting parameters in turning process
Azimi et al. An optimization on the DIN1. 2080 alloy in the electrical discharge machining process using ANN and GA
Bisht et al. Application of AI and RSM to optimize WEDM process parameters on D4 steel
CN107491036B (zh) 机床加工能耗控制方法及加工机床
CN112861433A (zh) 一种基于多层级集成框架的产品低碳设计的方法
CN109446721B (zh) 基于标识符软件线程执行顺序排列的机床工艺交互算法
CN114580268B (zh) 一种基于支持向量回归和t检验的机床加工能效建模系统及方法
Vundavilli et al. Parameter optimization of wire electric discharge machining process using GA and PSO
CN113076971A (zh) 一种基于迁移学习的材料去除率模型的建立方法和装置
Azadi Moghaddam et al. An empirical study on statistical analysis and optimization of EDM process parameters for inconel 718 super alloy using D-optimal approach and genetic algorithm
Patwari et al. Improvement of Surface Roughness by Particle Swarm Optimization in Hot Air Streaming Turning Process of Mild Steel
Saini et al. Aguchi Based Grey Relational Analyses for Multi Objective Optimization of Response Variables in CNC Turning of Aluminum 7075 Alloy

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