CN113570147A - 一种薄壁件多工况加工误差快速预测方法及设备 - Google Patents

Abstract

本发明涉及一种薄壁件多工况加工误差快速预测方法及设备，属于加工误差预测领域。本发明先开展部分工况下的薄壁件加工实验，对多个点位的加工误差进行测量获得原始训练数据；然后开展区别于上述工况的新工况下的薄壁件加工实验，对新工况下的薄壁件选择代表性的诱导点测量加工误差获得诱导训练数据；将两部分数据合并训练多工况下薄壁件加工误差快速预测模型。在模型测试阶段，仅需要为模型输入新工况下薄壁件待预测点处的几何位置值即可计算出待预测点处的加工误差值。本发明基于几何位置驱动的数据诱导，仅需增加少量的诱导点样本即可将部分工况下学习到的加工误差分布规律仿射至待预测的目标工况薄壁件上，可以快速准确的预测薄壁件加工误差。

Description

一种薄壁件多工况加工误差快速预测方法及设备

技术领域

本发明属于加工误差预测领域，更具体地，涉及一种几何位置驱动的薄壁件多工况加工误差快速预测方法及设备。

背景技术

由于薄壁件是典型的弱刚度零件，在加工中受到交变载荷的作用，会产生严重的变形，最终引起加工误差。而薄壁件的加工误差又是衡量薄壁件使用性能最直接的指标，它直接关系到部件的使用状态，严重时会影响整个装备的力学性能，缩短装备的服役寿命。因此对薄壁件的加工误差进行准确评价至关重要。

传统的获取薄壁件加工误差的方法是直接对加工后的薄壁件进行测量，所使用的测量设备主要有两类，一类是接触式的三坐标测量仪，另外一类是非接触式的基于激光或视觉的传感器。但上面提到的这些设备对薄壁件的加工测量往往存在周期较长的问题，在多点测量时影响尤为明显，这极大地影响了生产效率。

为了提高效率，近些年也有一些借助机器学习、深度学习等智能学习手段来对薄壁件加工进行预测的方法。这些方法有一个前提假设，即模型训练过程所使用的数据和测试阶段所使用的数据处于相同的特征空间中，并且具有相同的边缘分布和条件分布。只有满足上述前提条件，模型才可以对新的数据进行预测，具体表现为只有满足过去工况和当前工况下的数据特征一致并且分布一致，才可以对当前工况下的薄壁件加工误差进行预测。但这个假设在实际的机械加工过程中是很难保证的，往往不同的加工参数就会对应不同分布的加工误差，因此不能通过上述传统的方法对不同工况下的薄壁件加工误差进行预测。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种薄壁件多工况加工误差快速预测方法及设备，其目的在于，解决现有技术中测试效率低或者虽然预测效率高但不适用于新工况预测的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种薄壁件多工况加工误差快速预测方法，包括如下步骤：

S1、离线获取原始训练数据：

开展部分工况下的薄壁件加工实验，并从加工后的各个薄壁件上分别选取多个点位作为型值点进行加工误差测量，获得各个型值点的几何位置和对应的加工误差，构成原始训练数据；

S2、在线获取诱导训练数据

开展待预测的薄壁件目标工况下的加工实验，该目标工况是不同于步骤S1的新工况，然后在待预测的薄壁件上选择一部分能够反映工况特征的点位作为诱导点，测量诱导点几何位置和加工误差，作为诱导训练数据；

S3、离线训练多工况加工误差预测模型

将步骤S1的原始训练数据与步骤S2的诱导训练数据合并为训练数据集，构建多工况加工误差预测模型，并使用训练数据集中型值点和诱导点的几何位置作为输入、加工误差作为输出对多工况加工误差预测模型进行训练；

S4、在线预测加工误差

将待预测薄壁件上的待测点的几何位置输入步骤S3中训练好的多工况加工误差预测模型，获得该待测点对应的加工误差预测值。

进一步地，步骤S1包括如下子步骤：

S1.1、在相同设备、刀具条件下任选多个不同工况加工相应数量、同规格的薄壁件，每个薄壁件对应一种工况；

S1.2、测量加工后的薄壁件的加工误差

在各个薄壁件的加工表面上取相互垂直的u、v两个方向分别测量多个型值点；每一个型值点的u、v坐标值和测量获得的加工误差值y构成原始训练数据χ^S。

进一步地，步骤S2中，诱导点从位于加工误差分布的关键位置处选取，最终得到诱导训练数据χ^T。

进一步地，步骤S3中获取训练数据集的步骤如下：

记原始训练数据为χ^S、诱导训练数据为χ^T：

其中，X_i＝{u_i,v_i}，表示第i个点位的坐标值为(u_i,v_i)，上标src、tar分别表示型值点、诱导点，R^p×3、R^q×3分别表示实数域的p行3列矩阵和q行3列矩阵，将χ^S与χ^T按行合并得到训练数据集χ如下：

χ＝χ^S∪χ^T

χ_i表示χ中的第i个样本点坐标，p、q分别为型值点总数和诱导点总数。

进一步地，步骤S3中的多工况加工误差预测模型的构建与训练方法如下：

S3.1、多工况加工误差预测模型包括基学习器的训练和权重的更新学习，其中基学习器为内层，权重更新学习为外层；设定基学习器的最大迭代次数为N₀；

S3.2、按照均匀分布的方式对χ^S与χ^T中的各个样本施加相同的初始权重

之后用χ来训练基学习器，得到初始映射模型h_t(X_i)，其中t表示迭代次数，t≤N₀；

对比实验测量值y_i和预测值h_t(X_i)之间的差异，计算每一个样本的训练偏差，并统计出其中的最大值E_t：

每一个样本的预测偏差比重

为：

计算样本权重的加权和ε_t：

如果ε_t≥0.5或t＝N₀，则终止迭代，令：

计算β_t＝ε_t/(1-ε_t),

并更新样本权重

其中Z_t是标准化常数，满足

S3.3、重复执行步骤S3.2直至终止迭代，定义最终获得的映射函数为h_f(X_i)：

其中，

表示

四舍五入取整；

S3.4、将χ_i输入h_f(X_i)，进行基学习的循环训练，损失函数为：

其中y_i表示第i个样本的实际加工误差，

表示第i个样本通过模型h_f(X_i)预测的加工误差，通过对两者差的绝对值求和获得训练损失，abs为绝对值运算符。

进一步地，型值点和诱导点的几何位置坐标值均按照在加工面上的相对位置设为0～1之间的数值。

为了实现上述目的，按照本发明的另一个方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如前任一项所述的方法。

为了实现上述目的，按照本发明的另一个方面，提供了一种薄壁件多工况加工误差快速预测设备，包括如前所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。

总体而言，本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1、本发明通过先期开展部分工况下的薄壁件加工实验并进行加工误差实测获得原始训练数据，该部分数据只需获取一次即可在后续重复利用；然后在实际需要对新工况进行误差预测时，只需要针对新工况的特点选择少量具有代表性的点位作为诱导点进行加工误差的实际测量获得诱导训练数据；再将原始训练数据和诱导训练数据合并训练多工况下薄壁件加工误差快速预测模型，即可利用训练后的模型实现新工况的加工误差预测。该方法由于原始训练数据可以重复利用，在对新工况进行加工误差预测的过程中只需要采集少量的诱导点样本与原始训练数据进行样本合并，即可实现原始采集工况-加工误差映射关系到新工况-加工误差映射关系的仿射变化；因此，本发明相比于传统的逐点实测方案由于能够大幅减少实测点的数量，能够大大提升预测效率；而相比于现有的机器学习、深度学习方法只能针对固定工况进行预测、每一个新工况都需要重新采集大量样本进行训练的情况，本发明基于几何位置驱动的数据诱导，仅需增加少量的诱导点样本即可将部分工况下学习到的加工误差分布规律仿射至待预测的薄壁件上，实现针对新工况的快速训练与预测，并且广泛适用于各种回归学习算法模型。

2、在相同设备、刀具以及同规格零件条件下采集原始训练数据，可以最大限度地保证数据样本的一致性，减少奇异点，同时也更符合一般工厂的实际加工场景。

3、诱导点位置的选择尽可能地位于加工误差分布的关键位置处，可以确保采用尽量少的诱导点来实现更贴近工况误差规律的仿射，从而尽可能节约数据采集时间、提高预测效率。这些关键位置通常可以是靠近边界位置、局部最优位置(例如局部形状的最大值或最小值位置)等。

4、通过基学习器的训练和权重的更新学习，在模型训练过程中，会动态地为每一个样本分配权重，并且在迭代过程中，会根据预测值与实测值的偏差动态地自适应调整样本权重，以使最终预测损失达到最小并实现快速收敛，进而使在部分工况下学习到的加工误差分布规律更为准确地表现在待预测的薄壁件上，最终大幅提升模型预测精度及训练效率。在模型的实际使用阶段，仅需要为模型输入新工况下薄壁件待预测点处的几何位置值，模型即可计算出这部分待预测点处的加工误差值。

附图说明

图1是本发明优选实施例的一种几何位置驱动的薄壁件多工况加工误差快速预测方法流程图。

图2是本发明优选实施例的一个用于实验的薄壁件模型图。

图3是本发明优选实施例的实验中T型薄板上各测量点和诱导点的位置分布。

图4是本发明优选实施例选取的12个工况的加工误差分布图，可见虽然每个工况的加工参数有区别，但是其加工误差分布规律是非常相似的，这种相似性是由加工工件本身的刚度特性决定的，具体加工误差数值的差异，则与加工参数有较大的关系。

图5是原始的部分工况采集的原始训练数据所反映的误差分布规律在新工况诱导点组成的诱导训练数据的诱导下，进行仿射的原理示意图。

图6(a)是本发明优选实施例的新工况误差分布预测图，图中的圆点为实测采集的诱导点。

图6(b)是本发明优选实施例的新工况误差分布预测图与误差分布实测图的对比，可以看出二者重合度较高，即仅需要实际采集少量诱导点即可实现整个薄壁件误差分布的准确预测。

图7是本发明优选实施例的测量时间与传统直接测量法的测量时间对比图。

图8是本发明优选实施例的新工况加工误差预测值与实测值的测量误差分布，可以看出加工误差预测精度在90％以上。

图9是本发明优选实施例的新工况加工误差预测值与实测值的偏差变化规律，可以看出加工误差预测值与实测值的吻合度较高、绝对偏差小、变化规律高度一致。

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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

下面是本发明的一个具体应用实例，其主要流程如图1所示，包括下列步骤：

S1、离线获取原始训练数据：

S1.1、开展部分工况下的薄壁件加工实验，在本实施例中采用的具体实验方式是使用MicronUCP800五轴数控铣床开展铣削加工实验，实验对象为外形尺寸100×70×30mm的Ti₆Al₄V毛坯，毛坯呈两列分布12个T型薄板，每个薄板高20mm，宽25mm，厚1mm，如图2所示。实验过程粗加工和半精加工选用ShanHele6×6DX4TX50L平底立铣刀，精加工选用ShanHele4×4DX4TX50L平底立铣刀，加工参数根据实际需求设置，每个T型薄板对应一种工况。可以理解的是，本实施例选取12个工况进行实验，所以设置了12个T型薄板，在不同实施例中，根据所需预测的工况数量，上述薄板数量是可以对应调整的，不应以此为限。此外，本实施例将12个T型薄板制备在同一基体上，以便于直接采用同一设备、夹具一次性装夹固定，可以理解的是，该T型薄板的排布设置仅作为验证本发明效果的一个示例，在实际加工过程中薄板件的形状、构造、装夹等依实际情况决定即可。

S1.2、对加工后的薄壁件加工误差进行测量。

本实施例中测量使用的是RenishawOMP40探针，为防止装夹误差和不同设备不同的运动精度对加工误差测量的影响，因此采用在机测量的方式获取各个测点的加工误差。在T型薄板的u、v两个方向分别测量m、n个型值点，本实施例取m＝10，v＝7，可以理解的是，型值点的数量同样可以根据实际场景来依经验调整，每个工况的型值点数量、分布也可以不同。每一个型值点的u、v值和测量获得的加工误差值e构成原始训练数据χ^S。可以理解的是，上述型值点仅作为训练样本使用，其数量、分布可由使用者按照常规的样本选取规则，依个人经验设定，满足训练使用即可。如图4所示，12中工况下的

S2、在线获取诱导训练数据

当需要进行预测时，同样的在待预测的薄壁件目标工况下开展加工实验，设备、刀具和T型薄板与S1.1一致，但加工参数是区别于S1.1中加工参数的一组新的加工参数(不同加工参数即代表不同工况)。加工后按照S1.2的测量思路，在待预测的薄壁件上诱导点的位置进行加工误差的测量，诱导点位置如图3中较大的点所示，这些点的选择还可根据模型的预测结果进行调整，即选择模型预测精度更高的点作为诱导点。如图3所示，本实施例中选择远离薄壁件根部和两侧边的点作为诱导点，最终得到诱导训练数据χ^T。诱导点的测量结果是对应目标工况的，不同的工况通过不同的诱导点进行反映，优选地，诱导点位置的选择需要尽可能地位于加工误差分布的关键位置处，如靠近边界位置，局部最优位置等，以使诱导结果更符合不同工况的加工误差分布规律。优选地，本实施例中型值点和诱导点的u、v坐标值是按照所选点在板材上的相对位置比例，采用0～1之间的数值进行设定的，其取值可以直接由绘图软件上的曲线控制点获取，无需另外进行归一化等运算，从而进一步提高运算效率。

S3、离线训练多工况加工误差预测模型

将步骤S1的原始训练数据χ^S与步骤S2的诱导训练数据χ^T合并为训练数据集χ，构建多工况加工误差预测模型，并使用训练数据集中型值点和诱导点的几何位置作为输入、加工误差作为输出对多工况加工误差预测模型进行训练；

其中，X_i＝{u_i,v_i}，表示第i个点位的坐标值为(u_i,v_i)，上标src、tar分别表示型值点、诱导点，R^p×3、R^q×3分别表示实数域的p行3列矩阵和q行3列矩阵，将χ^S与χ^T按行合并得到训练数据集χ如下：

χ＝χ^S∪χ^T

χ_i表示χ中的第i个样本点坐标，p、q分别为型值点总数和诱导点总数。

进一步地，步骤S3中的多工况加工误差预测模型的构建与训练方法如下：

S3.1、模型在结构上包含两层，第一层是基学习器的训练，第二层是权重更新学习，基学习器为内层，权重更新学习为外层。其中基学习器的选择可以是任意的回归算法，本专利选择的算法是决策树回归算法，这里设定基学习最大迭代次数N₀次。

S3.2、构建好基学习器之后，按照均匀分布的方式对原始训练数据χ^S和诱导训练数据χ^T的各个样本施加相同的初始权重

之后用合并后的数据集χ来训练基学习器，可以得到一个初始映射模型h_t(X_i)，这里t为第t次迭代，理想的最大迭代次数对应上述定义N₀，即t≤N₀。

对比实验测量值y_i和预测值h_t(X_i)之间的差异，计算每一个样本的训练偏差，并统计出其中的最大值E_t：

每一个样本的预测偏差比重

为：

计算样本权重的加权和ε_t：

如果ε_t≥0.5或t＝N₀，则终止迭代，令：

之后计算β_t＝ε_t/(1-ε_t),

并更新样本权重

其中Z_t是标准化常数，满足

S3.3、重复执行步骤S3.2直至终止迭代，定义最终获得的映射函数为h_f(X_i)：

其中，

表示

四舍五入取整；

该映射函数是对若干h_t(X_i)学习器的加权求和表达，加权策略为选择角标满足

的映射函数h_t(X_i)，使用ln(1/β_t)作为系数来进行加权，不满足条件的映射函数h_t(X_i)直接舍弃，可最大程度确保最终映射函数的准确性。

S3.4、训练多工况下薄壁件加工误差预测模型

S3.4.1、设置决策树基学习器的最大深度为6，整个模型采用3折交叉验证，基学习器的最大迭代次数设置为500。

S3.4.2、将χ_i输入h_f(X_i)，进行基学习的循环训练，损失函数为：

其中y_i表示第i个样本的实际加工误差，

表示第i个样本通过模型h_f(X_i)预测的加工误差，通过对两者差的绝对值求和获得训练损失，abs为绝对值运算符。上述步骤通过在原始训练数据(即源域数据)中并入诱导点进行模型训练，即可将原数训练数据中包含的误差分布规律仿射至新目标工况(即目标域数据)中，从而获得新目标工况的加工误差分布，诱导仿射原理如图5所示。

按照上述步骤训练完成的模型即可用于开展相应待预测薄壁件目标工况的加工误差预测工作，仅需要输入待预测型值点的u、v值，模型即可自动输出该目标工况下对应点位的加工误差。不同工况的差异，已经在模型训练中的样本参数权重上加以表现，部分工况下获取到的薄壁件加工误差分布知识已经在模型参数上加以表现。

S3.5、模型预测效果的验证

(1)预测效率的验证

在AMD Ryzen 5 3600X 6核处理器3.79GHz，运行内存32GB硬件配置下，利用Python 3.7来进行模型训练和测试，评估模型训练和预测的时间。模型训练和目标工况加工误差预测所需时间分别为13.36s和21.7ms。在本实施例开展的实验中，计算了单个采样点的测量时间，约为4.3s。

以70个待测量点为例，如果采用直接测量的方式对目标工况的加工误差进行获取，需要花费4.3×70＝301(s)，而采用本发明的方法只需要4.3×12+13.36+0.0217＝64.9817(s)，时间缩短到原来的22％左右，如图7所示，本发明由于在预测过程中需要实际采集的数据点(即诱导点)远少于传统直接测量法所需测量的点数，也远少于传统机器学习、深度学习等智能学习方法为了训练模型所需要的样本点数，大大提高了获取加工误差的效率。

(2)预测精度的验证

如图6(a)和图6(b)所示，将本实施例的预测加工误差分布和实验测量误差分布数据进行三维可视化对比可以发现，实测数据与预测数据的三维分布重合度极高，代表本发明的预测精度高。

本实施例中模型最终的预测精度选用决定系数R²和均方根误差RMSE加以表征，其中：

其中，

是加工误差实测值的平均值，R²越接近1，说明预测精度越高；RMSE越小说明预测精度越高。

本实施例取图3的70个测点获得的预测数据和实测数据如图8、图9所示，可见预测误差分布在±10％的误差带内，即预测精度达到90％以上，预测结果与实测结果的分布规律则吻合度非常高，绝对偏差则非常小。采用上述点位数据计算决定系数R²和均方根误差RMSE得到R²＝0.99，RMSE＝2.69μm，进一步验证了本发明能够取得非常高的预测精度。

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，凡在本发明的精神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 (8)

1.一种薄壁件多工况加工误差快速预测方法，其特征在于，包括如下步骤：

S1、离线获取原始训练数据：

开展部分工况下的薄壁件加工实验，并从加工后的各个薄壁件上分别选取多个点位作为型值点进行加工误差测量，获得各个型值点的几何位置和对应的加工误差，构成原始训练数据；

S2、在线获取诱导训练数据

开展待预测的薄壁件目标工况下的加工实验，该目标工况是不同于步骤S1的新工况，然后在待预测的薄壁件上选择一部分能够反映工况特征的点位作为诱导点，测量诱导点几何位置和加工误差，作为诱导训练数据；

S3、离线训练多工况加工误差预测模型

将步骤S1的原始训练数据与步骤S2的诱导训练数据合并为训练数据集，构建多工况加工误差预测模型，并使用训练数据集中型值点和诱导点的几何位置作为输入、加工误差作为输出对多工况加工误差预测模型进行训练；

S4、在线预测加工误差

将待预测薄壁件上的待测点的几何位置输入步骤S3中训练好的多工况加工误差预测模型，获得该待测点对应的加工误差预测值。

2.如权利要求1中所述的一种薄壁件多工况加工误差快速预测方法，其特征在于，步骤S1包括如下子步骤：

S1.1、在相同设备、刀具条件下任选多个不同工况加工相应数量、同规格的薄壁件，每个薄壁件对应一种工况；

S1.2、测量加工后的薄壁件的加工误差

在各个薄壁件的加工表面上取相互垂直的u、v两个方向分别测量多个型值点；每一个型值点的u、v坐标值和测量获得的加工误差值y构成原始训练数据χ^S。

3.如权利要求1中所述的一种薄壁件多工况加工误差快速预测方法，其特征在于，步骤S2中，诱导点从位于加工误差分布的关键位置处选取，最终得到诱导训练数据χ^T。

4.如权利要求1中所述的一种薄壁件多工况加工误差快速预测方法，其特征在于，步骤S3中获取训练数据集的步骤如下：

记原始训练数据为χ^S、诱导训练数据为χ^T：

其中，X_i＝{u_i,v_i}，表示第i个点位的坐标值为(u_i,v_i)，上标src、tar分别表示型值点、诱导点，R^p×3、R^q×3分别表示实数域的p行3列矩阵和q行3列矩阵，将χ^S与χ^T按行合并得到训练数据集χ如下：

χ＝χ^S∪χ^T

χ_i表示χ中的第i个样本点坐标，p、q分别为型值点总数和诱导点总数。

5.如权利要求4中所述的一种薄壁件多工况加工误差快速预测方法，其特征在于，步骤S3中的多工况加工误差预测模型的构建与训练方法如下：

S3.1、多工况加工误差预测模型包括基学习器的训练和权重的更新学习，其中基学习器为内层，权重更新学习为外层；设定基学习器的最大迭代次数为N₀；

S3.2、按照均匀分布的方式对χ^S与χ^T中的各个样本施加相同的初始权重

之后用χ来训练基学习器，得到初始映射模型h_t(X_i)，其中t表示迭代次数，t≤N₀；

对比实验测量值y_i和预测值h_t(X_i)之间的差异，计算每一个样本的训练偏差，并统计出其中的最大值E_t：

每一个样本的预测偏差比重

为：

计算样本权重的加权和ε_t：

如果ε_t≥0.5或t＝N₀，则终止迭代，令：

计算β_t＝ε_t/(1-ε_t),

并更新样本权重

其中Z_t是标准化常数，满足

S3.3、重复执行步骤S3.2直至终止迭代，定义最终获得的映射函数为h_f(X_i)：

其中，

表示

四舍五入取整；

S3.4、将χ_i输入h_f(X_i)，进行基学习的循环训练，损失函数为：

其中y_i表示第i个样本的实际加工误差，

表示第i个样本通过模型h_f(X_i)预测的加工误差，通过对两者差的绝对值求和获得训练损失，abs为绝对值运算符。

6.如权利要求1～5中任一项所述的一种薄壁件多工况加工误差快速预测方法，其特征在于，型值点和诱导点的几何位置坐标值均按照在加工面上的相对位置设为0～1之间的数值。

7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1～6任一项所述的方法。

8.一种薄壁件多工况加工误差快速预测设备，其特征在于，包括如权利要求7所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。

Images