CN113947821A - 一种涡轮增压叶片质量控制方法 - Google Patents

一种涡轮增压叶片质量控制方法 Download PDF

Info

Publication number
CN113947821A
CN113947821A CN202111558131.8A CN202111558131A CN113947821A CN 113947821 A CN113947821 A CN 113947821A CN 202111558131 A CN202111558131 A CN 202111558131A CN 113947821 A CN113947821 A CN 113947821A
Authority
CN
China
Prior art keywords
robot
detection
impeller blade
force
impeller
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.)
Pending
Application number
CN202111558131.8A
Other languages
English (en)
Inventor
田威
王长瑞
李国良
张奇
胡俊山
张新龙
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202111558131.8A priority Critical patent/CN113947821A/zh
Publication of CN113947821A publication Critical patent/CN113947821A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • G07C3/143—Finished product quality control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K15/00—Arrangements for producing a permanent visual presentation of the output data, e.g. computer output printers
    • G06K15/02—Arrangements for producing a permanent visual presentation of the output data, e.g. computer output printers using printers
    • G06K15/10—Arrangements for producing a permanent visual presentation of the output data, e.g. computer output printers using printers by matrix printers
    • G06K15/102—Arrangements for producing a permanent visual presentation of the output data, e.g. computer output printers using printers by matrix printers using ink jet print heads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种涡轮增压叶片质量控制方法，涉及非电变量的控制或调节系统领域。该叶片制造方法包括：在叶轮叶片加工过程中，基于广义回归神经网络的刀具磨损预测模型，对加工工艺参数进行动态优化调整，在完成叶轮叶片的初步成型后，在加工零件表面喷涂条形码，采用视觉检测技术进行叶轮叶片周向零点定位以及动平衡信息追溯，通过动平衡测试仪，测得动平衡参数，建立力学模型，融合遗传算法与最小二乘影响系数法，对校正参数进行调整，将不满足动平衡要求的零件送回加工中心，基于校正参数进行补偿，采用多角度、变光源产品缺陷多维检测系统进行零件缺陷检测。

Description

一种涡轮增压叶片质量控制方法
技术领域
本发明涉及领域为G05D：非电变量的控制或调节系统，具体涉及一种涡轮增压叶片质量控制方法。
背景技术
涡轮增压系统是实现新一代汽车节能环保、高燃烧效率、超强动力、超长续航等高性能需求的重要保障，叶轮叶片、中间壳、压气机壳等涡轮增压系统复杂精密零件加工质量直接影响能量回收效能和传动效率。以叶轮叶片为例，整体结构复杂（大扭角自由曲面）、叶片薄（0.1mm）、加工精度高（圆度≤5μm），面临变曲率薄壁结构变形控制难、多类型微细缺陷检测精度低、专用装备核心技术缺失等行业“卡脖子”问题，且核心装备被国外长期垄断，严重制约我国复杂结构零件高精密加工的发展，亟需突破涡轮增压系统核心零部件高精密制造新模式，构建加工、检测、调控一体化智能生产线，实现涡轮增压系统高精密制造与核心装备国产化，推动新一代汽车智能制造产业转型升级。
申请人认为，动平衡检测-校正迭代修正补偿，是保证叶轮叶片加工质量与动平衡检测校正精度的关键，中国专利“CN112653306A，基于工业AI的电动机动平衡工艺优化方法及系统”，该方法包括在电动机转子制造过程中采集工艺数据；从工艺数据中提取关联特征数据；将关联特征数据输入训练后的AI模型得到优化工艺参数；基于优化工艺参数对生产设备进行控制。上述专利训练过程中采用遗传算法对AI模型参数进行优化，并不能达到最理想的效果。
刀具磨损闭环反馈自动补偿策略是解决因刀具磨损导致零件加工精度低的关键，中国专利“CN111185803B，一种用于磨损刀具在位姿态调整方法”，其方法包括：根据刀具寿命模型获得测量时刻；在测量时刻进行刀具磨损测量得到磨损值；由磨损值进行刀具在位姿态的调整。通过使用该方法快速实现对刀具磨损信息的获取，实现精确的判断并及时对切削参数进行调整，保障切削质量的同时实现刀具寿命的延长，节约成本。上述专利通过视觉的方法，来提供高质量检测样本，通过Canny算法获取磨损深度信息，无法实时对刀具磨损进行预测以及闭环反馈自动补偿。
因此需要提供一种能够提高动平衡检测矫正精度和刀具磨损预测精度进而提高涡轮增压叶片加工质量的制造方法。
发明内容
发明目的：本发明提出一种涡轮增压叶片质量控制方法，以解决现有技术存在的上述问题。
技术方案：一种涡轮增压叶片质量控制方法包括：S1. 将待加工零件放置于加工中心，在定位夹具中夹紧。
S2. 完成定位后，确定叶轮叶片加工工艺参数，采用外型线车削与流道铣削相结合的叶轮叶片加工工艺，完成叶轮叶片的一次成型。
S3. 在步骤S2的叶轮叶片加工过程中，基于广义回归神经网络的刀具磨损预测模型，对加工工艺参数进行动态优化调整。
S4. 将车铣完成后的叶轮叶片放到去毛刺工位处。
S5. 在步骤S4中完成叶轮叶片的初步成型后，在加工零件表面喷涂条形码，采用视觉检测技术进行叶轮叶片周向零点定位以及动平衡信息追溯。
S6. 将叶轮叶片运送至动平衡检测区域，通过动平衡测试仪，测得动平衡参数，建立力学模型，融合遗传算法与最小二乘影响系数法，对校正参数进行调整。
S7. 将不满足动平衡要求的零件送回加工中心，基于校正参数进行补偿。
S8. 采用多角度、变光源产品缺陷多维检测系统进行零件缺陷检测。
在进一步的实施例中，在S3建立广义回归神经网络的刀具磨损预测模型中，采用广义回归神经网络将输入层的层数设置为电流信号或振动信号的维数，输入的特征量传递为模式层的输入流。
在模式层中，样本数决定了模式层神经元数目：
Figure 551665DEST_PATH_IMAGE001
Figure 11596DEST_PATH_IMAGE002
其中，T为转置矩阵，n为样本数目，
Figure 648114DEST_PATH_IMAGE003
为第i个神经元的输出值，
Figure 283101DEST_PATH_IMAGE004
为欧几里得距离的平方，X为网络输入变量，
Figure 106701DEST_PATH_IMAGE005
为第i个神经元对应的学习样本，第i个神经元的输出值实际上就是输入的特征量和对应样本X之间的欧几里得距离平方的指数平方的指数形式。
神经元求和的计算公式分为两种：
第一种为，计算出所有模式层的算数和
Figure 370323DEST_PATH_IMAGE006
，它与各层的神经元的连接权值为1，其公式为：
Figure 799030DEST_PATH_IMAGE007
第二种计算公式为：
Figure 981750DEST_PATH_IMAGE008
其实质就是计算出所有模式层的神经元加权和，其传递函数为：
Figure 948438DEST_PATH_IMAGE009
其中
Figure 874806DEST_PATH_IMAGE010
为第
Figure 830123DEST_PATH_IMAGE011
个输出样本
Figure 449324DEST_PATH_IMAGE012
中的第
Figure 450778DEST_PATH_IMAGE013
个元素，输出层中的神经元数目多少是根据训练样本中的输出向量的维数k来定的，每一个神经元除以求和层的输出值第
Figure 541356DEST_PATH_IMAGE013
个神经元的输出与预测结果
Figure 741393DEST_PATH_IMAGE014
的第
Figure 672440DEST_PATH_IMAGE013
个元素
Figure 692348DEST_PATH_IMAGE015
相对应，也就是：
Figure 350732DEST_PATH_IMAGE016
。
在本实施例中使用广义回归网络的刀具磨损预测模型与现有技术相比具有全局收敛性非常好，且训练时间成本低，能够快速的达到全局收敛，且泛化能力强，而且与现有技术相比不会出现震荡。
在进一步的实施例中，在对加工工艺参数进行动态优化调整时，采用基于非线性梯度下降法的融合刀具磨损与加工工艺参数的零件加工质量评估方法，定义新函数：
Figure 608538DEST_PATH_IMAGE017
称
Figure 303961DEST_PATH_IMAGE018
为能量函数，采用梯度神经网络求解，其模型如下图所示：
Figure 952111DEST_PATH_IMAGE019
其中，参数
Figure 289552DEST_PATH_IMAGE020
表示梯度下降算法的步长，
Figure 401864DEST_PATH_IMAGE021
表示能量函数
Figure 953675DEST_PATH_IMAGE018
的梯度，能够收敛到唯一解，优化了加工工艺参数最优解求解与调整算法，实现了刀具磨损闭环反馈自动补偿策略，解决了因刀具磨损导致零件加工精度低的问题。
在进一步的实施例中，S5-1. 在S4中，将车铣完成后的叶轮叶片放在去毛刺工位的随行自适应压紧夹具上，确保随行夹具与叶轮叶片保持在双目相机视场中，通过识别轮廓尺寸及特征点，确定当前叶轮叶片种类。
S5-2. 在S5-1中确定叶轮叶片种类后，调用对应型号叶轮叶片加工程序，选定对应的去毛刺刀具。
S5-3. 进行刀具零点标定，确定当前刀具刀尖点在机器人基座标系中的位置，从而确定机器人去毛刺轨迹。
S5-4. 根据叶轮叶片种类确定机器人初始加工轨迹，通过采集三组以上不同机器人位姿信息及六维力传感器信息，进行重力补偿求解出力传感器后的重力及重心，消除不同刀具带来的重力影响。
S5-5. 确定磨抛法向力
Figure 151438DEST_PATH_IMAGE022
、切向力
Figure 902356DEST_PATH_IMAGE023
和轴向力
Figure 197071DEST_PATH_IMAGE024
，计算磨抛力和磨抛深度之间的关系。
S5-6. 根据叶轮叶片种类，设定浮动电主轴轨迹跟踪恒力大小，实现去毛刺过程中的轴向浮动。
S5-7. 通过六维力传感器信息在去毛刺加工过程中实时采集力信息，结合S5-4中重力补偿所求得的重力和重心信息，消除采集力信息中重力的影响，获得由于去毛刺所产生的实际打磨力。
S5-8. 结合S5-5中得到的磨抛法向力与磨抛深度之间的关系，调节导纳控制模型系数，根据S5-7中得到的实际打磨力，经过导纳控制模型，将磨抛力信息转换为机器人去毛刺过程中的轨迹调整信息，实现去毛刺轨迹的主动恒力跟踪。
S5-9. 结合双目相机，对机器人轨迹进行实时跟踪，同时采集机器人位姿、速度、加速度信息，结合神经网络对机器人轨迹进行预测，从而预防机器人与环境发生碰撞，保障叶轮叶片去毛刺全过程的顺利进行。
在进一步的实施例中，在S5-5中，考虑受尺寸效应的影响，磨抛力和磨抛深度之间的关系为：
Figure 358931DEST_PATH_IMAGE025
其中，
Figure 309570DEST_PATH_IMAGE026
为比例系数，
Figure 723234DEST_PATH_IMAGE027
为机器人的进给速度，
Figure 482242DEST_PATH_IMAGE028
为加工轮的线速度，
Figure 690370DEST_PATH_IMAGE029
为磨抛深度，系数
Figure 551141DEST_PATH_IMAGE030
和
Figure 768495DEST_PATH_IMAGE031
随着磨削过程中随磨抛深度和磨削力不断变化，且
Figure 382010DEST_PATH_IMAGE032
，
Figure 229881DEST_PATH_IMAGE033
为动态切刃系数。
在进一步的实施例中，在S6中进行动平衡测试时，叶轮鼻端与背部不平衡量的影响关系如下：
设叶轮背部初始不平衡量设为m，初始不平衡角为
Figure 686270DEST_PATH_IMAGE031
，影响系数为
Figure 831949DEST_PATH_IMAGE034
，影响角度为
Figure 690184DEST_PATH_IMAGE035
。
又设鼻端初始不平衡量为n，初始不平衡角为
Figure 381059DEST_PATH_IMAGE036
，背部不平衡折合量为
Figure 262428DEST_PATH_IMAGE037
=m
Figure 821585DEST_PATH_IMAGE038
，背部不平衡折合角为
Figure 157495DEST_PATH_IMAGE039
=
Figure 409485DEST_PATH_IMAGE037
+180°-
Figure 715832DEST_PATH_IMAGE035
，叶轮的背部不平衡量与鼻端不平衡量符合矢量三角形关系，进行矢量合成，不平衡量矢量合成值
Figure 16364DEST_PATH_IMAGE040
为：
Figure 583611DEST_PATH_IMAGE041
其中：
Figure 865557DEST_PATH_IMAGE042
Figure 518255DEST_PATH_IMAGE043
为鼻端不平衡量与背部不平衡量的夹角。
不平衡量合成量与初始量的夹角
Figure 560160DEST_PATH_IMAGE044
设为：
Figure 247494DEST_PATH_IMAGE045
Figure 201805DEST_PATH_IMAGE046
不平衡量合成量角度判断值，不平衡量合成量角度为
Figure 545062DEST_PATH_IMAGE047
：
设
Figure 984134DEST_PATH_IMAGE048
则
Figure 401340DEST_PATH_IMAGE049
将基于遗传算法的最小二乘影响系数法应用于转子平衡时，采用限制平衡配重的上限，并以平衡配重作为自变量并寻优，优化问题的表达式为：
Figure 166033DEST_PATH_IMAGE050
式中：F为适应度判断值，m表示平面数量，
Figure 917958DEST_PATH_IMAGE051
为最大平衡配重允许量，
Figure 160720DEST_PATH_IMAGE052
为最大残余振动允许量，
Figure 698012DEST_PATH_IMAGE053
为第i个平面的残余振动值，
Figure 571290DEST_PATH_IMAGE054
为第i个平面的加权因子，
Figure 420297DEST_PATH_IMAGE055
为第i个面的配重量。
为此，将目标函数设为适应度函数，由于遗传算法求解的是最大值问题，因此可令适应度函数为目标函数的负值，经过初始群体的产生、选择、交叉、变异后，每组将会产生最优解，最终在多组结果中选择最理想的作为最优解，从而确定涡轮加工参数。
在进一步的实施例中，所述产品缺陷多维检测系统包括：产品检测机器人，具有视觉识别功能。
产品缺陷多维检测相机，具有变角度、多光源功能，与产品检测机器人电连接。
所述产品检测机器人通过视觉识别功能判断叶轮叶片的照度分量和反射分量，并将该照度分量反馈给产品缺陷多维检测相机，通过产品缺陷多维检测相机的变角度、多光源功能进行叶轮叶片的局部亮度增强和对比度增强，满足缺陷检测及定位要求。
在进一步的实施例中，在S8中进行零件缺陷检测时还采用了复杂曲面加工缺陷检测深度学习与质量在线评估方法。
所述复杂曲面加工缺陷检测深度学习与质量在线评估方法包括：使用图像亮度范围调整与对比度强化保障成像图像缺陷精准提取，以及使用多模板、递增式变IOU阈值的多级联网络缺陷检测与定位方法。
首先通过视觉识别对缺陷进行定位与分类，之后通过并联型卷积残差神经网络进行缺陷分类深度学习，在卷积层进行残差计算，关联缺陷规律，优化评估与智能修复模型，最终建立产品质量立体化评估模型，实现表面缺陷无损检测。
其中变IOU阈值的多级联网络缺陷检测，使用不同的IOU阈值，训练了多个级联的检测器，将缺陷图像加入到主干卷积之中，进行区域特征提取，提取出网络头生成其检测框以及其分类。
基于前面一个阶段的输出进行训练，输出后的第一阶段检测框回归到第二阶段区域特征提取，提取出第二阶段网络头生成其第二阶段检测框以及其第二阶段分类，然后继续回归，依次类推到第三阶段区域特征提取，使得每次对检测框都提高一定的精度，以达到提高检测框准确度的作用，采用联级的方式，通过调整检测框，给下一阶段找到一个IOU更高的正样本来训练，逐级提高目标的IOU值，从而使得前一级重新采样过的检测框能够适应具有更高阈值的下一级。
有益效果：本申请公开了一种一种涡轮增压叶片质量控制方法，该方法通过融合遗传算法与最小二乘影响系数法的动平衡检测，并使用喷码、视觉检测技术相结合的叶轮叶片周向零点定位与动平衡信息追溯方法，提高了动平衡检测精度，使得叶轮叶片获得更好的平衡效果，解决了现有技术仅使用遗传算法的动平衡检测矫正精度低的问题。
通过基于广义回归神经网络的刀具磨损预测模型，根据刀具磨损对零件加工形位精度的影响规律，提出了零件形位误差与切削力等多元数据融合反馈的加工工艺参数动态优化调整方法，解决了现有技术无法实时对刀具磨损进行预测以及闭环反馈自动补偿的问题。
附图说明
图1是本申请涡轮增压系统核心零部件智能化流水线示意图。
图2是本申请双主轴五轴联动加工中心示意图。
图3是本申请去毛刺机器人末端示意图。
图4是本申请对刀仪、刀具与机器人空间位置及转换关系刀具与机器人空间位置及转换关系示意图。
图5是本申请随行自适应浮动压紧夹具示意图。
图6是本申请随行自适应浮动压紧夹具使用示意图。
图7是本申请产品缺陷多维检测相机
图8是本申请AGV搬运系统示意图。
图9是本申请基于遗传算法的最小二乘影响系数法。
图10是本申请广义回归网络图。
图11是本申请变IOU阈值多级联网络。
图1至图11所示附图标记为：叶轮叶片生产线1、上下料机器人2、加工中心3、智能化生产线4、智能码垛线5、去毛刺设备6、去毛刺工位7、中间壳生产线8、多维缺陷检测系统9、柔性生产调度机器人10、激光喷码机11、中间壳生产组装中心12、动平衡检测生产线13、动平衡测量仪14、导轨15、工作台16、床身17、立柱18、主轴箱19、连接件20、法兰盘21、六维力传感器22、浮动电主轴23、刀具24、对刀仪25、双目相机26、去毛刺机器人27、底座28、夹块29、弹簧30、螺钉31、阵列光源35、CCD相机36、物料夹具37、机械臂38、AGV小车39。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
本申请公开了一种能够提高动平衡检测矫正精度和刀具磨损预测精度进而提高涡轮增压叶片加工质量的叶片制造方法。
该方法基于叶轮叶片生产线1实现，该叶轮叶片生产线1包括：动平衡测量仪14，激光喷码机11，加工中心3，上下料机器人2，去毛刺设备6，随行自适应浮动压紧夹具，复杂曲面类零件精密加工刀具24，柔性生产调度机器人10，以及智能化生产线4。
上述动平衡测量仪14，能够进行同步双通道测量，进行振动数据采集、频谱与时域波形分析以及动平衡原始数据分析。
上述激光喷码机11，支持多种外接传感器，分辨率为600*600DPI，喷印速度可达335M/min。
上述加工中心3如图2所示可以是双主轴五轴联动加工中心3，图2中的加工中心3为了展示其结构，所以采用的是局部示意图，展示出了导轨15、工作台16、床身17、立柱18和主轴箱19，本申请的加工中心3还应当包括：内藏式高性能同步电主轴、双机械手、平衡油缸、光栅尺、刀库、滚珠丝杠和工作台16。其中，使用的内藏式高性能同步电主轴，转速为20000r/min，保证了机床良好的切削性能；双机械手用来切换刀具24，节约了换刀时间，保证刀具24交换的可靠性；Y轴方向通过平衡油缸平衡工作台16与工件重量，提高Y轴方向上的响应速度，使工作台16的分度精度可达0.001°。光栅尺的分辨率可达20nm，速度为10m/s,具有抗磁场干扰能力。
上述上下料机器人2包括：机器人底座28、底座28上固定的机器人本体和固定在机器人六轴上的抓取末端。其中，底座28将机器人固定在加工中心3和去毛刺设备6的附近，防止机器人倾倒，并方便加工零件的上下料；机器人采用工业六轴机器人，重复定位精度达±0.02mm，具有高柔性、高自动化、重复性好的特点；抓取末端包括基板、驱动装置和夹爪，通过和机器人的协同配合，实现对物料的自动上下料，提高加工效率，取代人工上下料从而保证现场员工的安全性。
上述去毛刺设备6如图3和4所示包括：去毛刺机器人27、六维力传感器22、浮动电主轴23、双目相机26、刀库、对刀仪25以及叶轮叶片随行夹具。如图3为了展示坐标轴而采用了透视图表示，其中六维力传感器22安装在法兰盘21与浮动电主轴23之间，六维力传感器22与法兰盘21之间，以及六维力传感器22与浮动电主轴23之间都设置有用于安装六维力传感器22的连接件20，叶轮叶片加工区间位于双目相机26视场范围内，刀库、对刀仪25均固定在机器人作业范围内，并具有刀具24种类检测、刀具24零点定位功能，图4中的虚线是指在安装对刀仪25、双目相机26、去毛刺机器人27和刀具24时已将其坐标轴相关联。
上述柔性生产调度机器人10包括：AGV小车39、机械臂38、视觉系统和物料夹具37，其中AGV小车39主要结构包括车身、导航定位系统、运动系统、防碰撞机构、电源系统、控制与通讯系统，能够自主定位，可以接收任务并自动执行任务；机器人的末端装有机械手，其结构形式为串联型单开链结构。外夹钳抓手作为执行机构安装在手部位置。视觉系统安装在物料夹具37上，物料由水平运动的夹爪进行夹取，夹爪设置有卡位槽，保证夹取精度。
上述智能化生产线4除了包括图1中所示的柔性输送线，其控制系统还包括：超高频RFID读写器和SCADA组态，上述超高频RFID读写器包括：主控模块、射频收发模块、电源模块、数据存储模块、接口部分、时钟模块、LCD显示模块、声光提示模块及调试电路等。
上述动平衡测量仪14，激光喷码机11，加工中心3，上下料机器人2，去毛刺设备6和柔性生产调度机器人10均与智能化生产线4的控制系统连接，由智能化生产线4的控制系统按本申请的方法调度设备加工生产叶轮叶片。
该方法包括：S1. 将待加工零件放置于加工中心3，在定位夹具中夹紧。
待加工零件的装夹可以是工作人员将待加工零件放置于加工中心3，也可以是使用上下料机器人2将待加工零件放置于加工中心3，该上下料机器人2可以是具有多工位同步上下料功能的上下料机器人2，采用PLC控制系统，实时响应MES控制系统的集成控制。
加工中心3可以是双主轴五轴联动加工中心3，在本实施例中优选为国产化双主轴五轴联动高速精密加工中心3，能够实现从圆柱形坯料到零件的车、铣一体化全加工制造，双主轴车削加工中心3，能够使得需要多个加工工序的工件一次装夹下完成所有加工，不仅减少了因多次装夹而导致的加工误差，还提高了加工效率，能很好地满足涡轮叶片的生产要求。
S2. 完成准确可靠定位后，确定叶轮叶片加工工艺参数，采用外型线车削与流道铣削相结合的叶轮叶片加工工艺方式，完成叶轮叶片的一次成型。
在此实施例中使用了随行自适应浮动压紧夹具以及专用刀具24，放置于双主轴五轴联动加工中心3，能够实现叶片无应力装夹和无需拆卸即可进行加工应力释放，以完成叶轮叶片的一次成型，如图6所示随行自适应浮动压紧夹具通过保持压紧力与浮动压头360°跟随旋转，保障了压紧变形和切削变形同时满足零件质量需求。
总结出了工艺约束条件下刀具24前角、后角、容屑槽深、螺旋角等几何参数与加工质量之间的关联规律，为零件高精度加工与装备研制提供核心零部件保障，前角对加工质量的影响：前角的大小直接影响切削的变形，前角比较小的时候，切削金属变形较大，切削力大；如果前角增大，被切金属变形减小，切削力有所下降；主偏角对加工质量的影响：对于刚度较差的零件，为了减少工件振动和变形，选用大主偏角车刀；容屑槽深对加工质量的影响：容屑槽深越靠近刀具24前端的部分应越浅，这样可以提高刀具24强度，提升加工质量；螺旋角对加工质量的影响：随着螺旋角的增大，切削长度增加，切削力的变化波动减小，切削状态比较平稳，有助于提升加工质量。
为了提高加工质量，本申请对刀具24各项参数进行了限制，刀头的一端与刀柄的一端固接成一体，刀头上的刀刃为螺旋刀刃，刀头表面喷涂有至少一层耐磨涂层，刀头倒有1mm倒角，刀头长度尺寸限定在15mm以内，这样可以提高刀具24整体的刚性减少了断刀现象，提升加工质量，角范围为在+8°到+15°，在此范围内韧口锋利，切削力小；后角范围为12°到15°，可以避免刀具24与已加工表面摩擦；容屑槽深越靠近球端越浅，可将加工时产生的切屑顺利排出；螺旋角为20°，可以保证切削平稳。
S3. 在步骤S2的叶轮叶片加工过程中，基于广义回归神经网络的刀具24磨损预测模型，对加工工艺参数进行动态优化调整，在此实施例中，预测出刀具24的一项参数磨损后，加工中心3实时调整加工工艺参数，调整刀具24姿态，调整刀具24与工件的相对角度，进而优化加工质量。
S4. 将车铣完成后的叶轮叶片放到去毛刺工位7处。
S5. 在步骤S4中完成叶轮叶片的初步成型后，在加工零件表面喷涂条形码，采用视觉检测技术进行叶轮叶片周向零点定位以及动平衡信息追溯。
S6. 将叶轮叶片运送至动平衡检测区域，通过动平衡测试仪，测得动平衡参数，建立力学模型，融合遗传算法与最小二乘影响系数法，对校正参数进行调整。
在本实施例中，智能化生产线4将叶轮叶片运送至动平衡检测区域。
S7. 将不满足动平衡要求的零件送回加工中心3，基于校正参数进行补偿。
在本实施例中使用柔性生产调度机器人10将不满足动平衡要求的零件 送回加工中心3，其中动平衡要求是指不满足鼻端不平衡量、背部不平衡量以及二者的相位差要满足相应的工艺要求才可以满足动平衡的要求。
S8. 采用多角度、变光源产品缺陷多维检测系统进行零件缺陷检测。
如图1实施例所示，上下料机器人2将智能化生产线4上的待加工零件装夹在加工中心3上进行加工，在加工中心3执行S2和S3的工作，然后上下料机器人2将叶轮叶片从加工中心3取出放在智能化生产线4上。
然后智能化生产线4将待去毛刺的叶轮叶片运输到预定位置后，上下料机器人2将待去毛刺的叶轮叶片放置在去毛刺工位7，由去毛刺设备6执行S4的去毛刺工作，然后上下料机器人2将完成去毛刺的初步成型的叶轮叶片从去毛刺工位7取出放在智能化生产线4上。
然后智能化生产线4将初步成型的叶轮叶片运输到激光喷码机11的工位，在此工位执行S5的工作。
然后智能化生产线4将叶轮叶片运输至动平衡检测生产线13，使用上下料机器人2将叶轮叶片放置在动平衡测量仪14上执行S6的工作。
当叶轮叶片符合动平衡要求时，上下料机器人2将叶轮叶片从动平衡测量仪14上取出放置到智能化生产线4上，由智能化生产线4将加工完成的叶轮叶片运输到中间壳生产线8的多维缺陷检测系统9处执行S8的零件缺陷检测工作，当叶轮叶片也符合多维缺陷检测系统9的缺陷检测要求时，上下料机器人2将叶轮叶片从多维缺陷检测系统9上取出放置到中间壳生产组装中心12进行组装工作，完成中间壳的组装后上下料机器人2将带有叶轮叶片的中间壳从中间壳生产组装中心12取出放置在智能化生产线4上，然后智能化生产线4将带有叶轮叶片的中间壳运输到智能码垛线5进行码垛工作。
当叶轮叶片不符合动平衡要求或维缺陷检测系统的缺陷检测要求时，柔性生产调度机器人10执行S7的工作，将不符合要求的叶轮叶片送回加工中心3重新进行加工。
在上述实施例中，针对涡轮增压系统生产线人工成本高、生产效率低、易出错等问题，自主研发了辊道式/桁架式/关节式柔性生产调度机器人10，大幅提高了工件装卸自动化程度，从而实现无人化、智能化操作。为实现面向叶轮叶片柔性生产线的自动化，选择合理的物流设备对完成工件在生产线上的自动运输至关重要。根据叶轮叶片的加工工艺规程，考虑到节拍平衡以及后期的可扩展性，并结合所需传输设备的功能，拟选用辊道式/桁架式/关节式柔性生产调度机器人10来完成叶轮叶片柔性生产线的自动传输。
本申请通过融合遗传算法与最小二乘影响系数法的动平衡检测，并使用喷码、视觉检测技术相结合的叶轮叶片周向零点定位与动平衡信息追溯方法，提高了动平衡检测精度，解决了现有技术仅使用遗传算法的动平衡检测矫正精度低的问题。
并且通过融合遗传算法与最小二乘影响系数法的动平衡检测解决了现有技术仅使用遗传算法对AI模型参数进行优化仅能得到局部最优解，无法得到最理想的全局最优解的问题。
通过基于广义回归神经网络的刀具24磨损预测模型，根据刀具24磨损对零件加工形位精度的影响规律，提出了零件形位误差与切削力等多元数据融合反馈的加工工艺参数动态优化调整方法，解决了现有技术无法实时对刀具24磨损进行预测以及闭环反馈自动补偿的问题。
在进一步的实施例中，在S3建立广义回归神经网络的刀具24磨损预测模型中，采用广义回归神经网络将输入层的层数设置为电流信号或振动信号的维数，输入的特征量传递为模式层的输入流。
在模式层中，样本数决定了模式层神经元数目：
Figure 113357DEST_PATH_IMAGE056
Figure 629789DEST_PATH_IMAGE057
其中，T为转置矩阵，n为样本数目，
Figure 346072DEST_PATH_IMAGE003
为第i个神经元的输出值，
Figure 947955DEST_PATH_IMAGE004
为欧几里得距离的平方，X为网络输入变量，
Figure 657154DEST_PATH_IMAGE005
为第i个神经元对应的学习样本，第i个神经元的输出值实际上就是输入的特征量和对应样本X之间的欧几里得距离平方的指数平方的指数形式。
神经元求和的计算公式分为两种：
第一种为，计算出所有模式层的算数和
Figure 231355DEST_PATH_IMAGE006
，它与各层的神经元的连接权值为1，其公式为：
Figure 243173DEST_PATH_IMAGE058
第二种计算公式为：
Figure 207718DEST_PATH_IMAGE059
其实质就是计算出所有模式层的神经元加权和，其传递函数为：
Figure 595974DEST_PATH_IMAGE060
其中
Figure 713097DEST_PATH_IMAGE010
为第
Figure 99079DEST_PATH_IMAGE011
个输出样本
Figure 409974DEST_PATH_IMAGE012
中的第
Figure 211708DEST_PATH_IMAGE013
个元素，输出层中的神经元数目多少是根据训练样本中的输出向量的维数k来定的，每一个神经元除以求和层的输出值第
Figure 822818DEST_PATH_IMAGE013
个神经元的输出与预测结果
Figure 301073DEST_PATH_IMAGE014
的第
Figure 99265DEST_PATH_IMAGE013
个元素
Figure 32586DEST_PATH_IMAGE015
相对应，也就是：
Figure 107989DEST_PATH_IMAGE061
。
本实施例使用的广义回归网络的刀具磨损预测模型与现有技术相比具有全局收敛性非常好，且训练时间成本低，能够快速的达到全局收敛，且泛化能力强，而且与现有技术相比不会出现震荡。
在进一步的实施例中，在现有技术中加工工艺参数动态优化调整方法时还需要求解求解存在奇异点的非线性方程组向量函数F(x)的雅克比矩阵，其求解过程存在计算量过大的问题。
在对加工工艺参数进行动态优化调整时，采用基于非线性梯度下降法的融合刀具磨损与加工工艺参数的零件加工质量评估方法，定义新函数：
Figure 632511DEST_PATH_IMAGE062
称
Figure 541168DEST_PATH_IMAGE018
为能量函数，采用梯度神经网络求解，其模型如下图所示：
Figure 340497DEST_PATH_IMAGE063
其中，参数
Figure 270407DEST_PATH_IMAGE020
表示梯度下降算法的步长，
Figure 965830DEST_PATH_IMAGE021
表示能量函数
Figure 941876DEST_PATH_IMAGE018
的梯度。
本实施例中该方法避免了求解非线性方程组向量函数F(x)的雅克比矩阵导致的计算量过大的问题，而且使用的模型能够收敛到唯一解，优化了加工工艺参数最优解求解与调整算法，实现了刀具磨损闭环反馈自动补偿策略，解决了因刀具磨损导致零件加工精度低的问题。
在进一步的实施例中，现有叶轮叶片的复杂空间曲面和弱刚性是导致其去毛刺一致性差的重要原因，中国专利“CN201810268885.1，一种基于大数据的机械臂恒力磨抛方法”，通过采集机器人及力传感器数据，并不断调整打磨轨迹的贴合程度，结合BP神经网络对数据集进行训练，并将训练好的模型运用到无传感器的机械臂打磨实例，根据预设打磨力阈值实现恒力打磨。上述专利方案中通过BP神经网络训练实现无传感器轨迹恒力跟踪打磨，要求训练模型与叶片种类一一对应，同时无传感器无法对由于装配误差等因素导致加工轨迹突变做出迅速反应，存在通用性较差的问题。
为了解决上述问题，叶片制造方法还包括：S5-1. 在S4中，将车铣完成后的叶轮叶片放在去毛刺工位7的随行自适应压紧夹具上，确保随行夹具与叶轮叶片保持在双目相机26视场中，通过识别轮廓尺寸及特征点，确定当前叶轮叶片种类。
在此实施例中需要注意的是如图6所示随行自适应压紧夹具并不是对叶轮叶片进行夹紧，而是设置在叶轮叶片远离装夹夹具的悬臂段，给叶轮叶片的悬臂段以支撑力，防止叶轮叶片因复杂空间曲面和弱刚性的原因而使远离装夹夹具的悬臂段受去毛刺刀具24的压应力和振动等原因导致叶轮叶片受损。
S5-2. 在S5-1中确定叶轮叶片种类后，调用对应型号叶轮叶片加工程序，选定对应的去毛刺刀具24。
S5-3. 进行刀具24零点标定，确定当前刀具24刀尖点在机器人基座标系中的位置，从而确定机器人去毛刺轨迹。
S5-4. 根据叶轮叶片种类确定机器人初始加工轨迹，通过采集三组以上不同机器人位姿信息及六维力传感器22信息，进行重力补偿求解出力传感器后的重力及重心，消除不同刀具24带来的重力影响。
S5-5. 确定磨抛法向力
Figure 138371DEST_PATH_IMAGE022
、切向力
Figure 47422DEST_PATH_IMAGE023
和轴向力
Figure 320271DEST_PATH_IMAGE024
，计算磨抛力和磨抛深度之间的关系。
S5-6. 根据叶轮叶片种类，设定浮动电主轴23轨迹跟踪恒力大小，实现去毛刺过程中的轴向浮动。
S5-7. 通过六维力传感器22信息在去毛刺加工过程中实时采集力信息，结合S5-4中重力补偿所求得的重力和重心信息，消除采集力信息中重力的影响，获得由于去毛刺所产生的实际打磨力。
S5-8. 结合S5-5中得到的磨抛法向力与磨抛深度之间的关系，调节导纳控制模型系数，根据S5-7中得到的实际打磨力，经过导纳控制模型，将磨抛力信息转换为机器人去毛刺过程中的轨迹调整信息，实现去毛刺轨迹的主动恒力跟踪。
S5-9. 结合双目相机26，对机器人轨迹进行实时跟踪，同时采集机器人位姿、速度、加速度信息，结合神经网络对机器人轨迹进行预测，从而预防机器人与环境发生碰撞，保障叶轮叶片去毛刺全过程的顺利进行。
在进一步的实施例中，在S5-5中，考虑受尺寸效应的影响，磨抛力和磨抛深度之间的关系为：
Figure 314772DEST_PATH_IMAGE064
其中，
Figure 393586DEST_PATH_IMAGE026
为比例系数，
Figure 783242DEST_PATH_IMAGE027
为机器人的进给速度，
Figure 86047DEST_PATH_IMAGE028
为加工轮的线速度，
Figure 708789DEST_PATH_IMAGE029
为磨抛深度，系数
Figure 122453DEST_PATH_IMAGE030
和
Figure 209358DEST_PATH_IMAGE031
随着磨削过程中随磨抛深度和磨削力不断变化，且
Figure 807698DEST_PATH_IMAGE032
，
Figure 776791DEST_PATH_IMAGE033
为动态切刃系数。
在进一步的实施例中，在S6中进行动平衡测试时，叶轮叶片鼻端与背部不平衡量的影响关系如下：
设叶轮背部初始不平衡量设为m，初始不平衡角为
Figure 869512DEST_PATH_IMAGE031
，影响系数为
Figure 873240DEST_PATH_IMAGE034
，影响角度为
Figure 141017DEST_PATH_IMAGE035
。
又设鼻端初始不平衡量为n，初始不平衡角为
Figure 597406DEST_PATH_IMAGE036
，背部不平衡折合量为
Figure 556135DEST_PATH_IMAGE037
=m
Figure 289736DEST_PATH_IMAGE038
，背部不平衡折合角为
Figure 105245DEST_PATH_IMAGE039
=
Figure 173564DEST_PATH_IMAGE037
+180°-
Figure 732722DEST_PATH_IMAGE035
，叶轮的背部不平衡量与鼻端不平衡量符合矢量三角形关系，进行矢量合成，不平衡量矢量合成值
Figure 320829DEST_PATH_IMAGE040
为：
Figure 510502DEST_PATH_IMAGE065
其中：
Figure 675904DEST_PATH_IMAGE066
Figure 664851DEST_PATH_IMAGE043
为鼻端不平衡量与背部不平衡量的夹角。
不平衡量合成量与初始量的夹角
Figure 497678DEST_PATH_IMAGE044
设为：
Figure 530356DEST_PATH_IMAGE067
Figure 386316DEST_PATH_IMAGE046
不平衡量合成量角度判断值，不平衡量合成量角度为
Figure 287276DEST_PATH_IMAGE047
：
设
Figure 364822DEST_PATH_IMAGE068
则
Figure 693035DEST_PATH_IMAGE069
将基于遗传算法的最小二乘影响系数法应用于转子平衡时，采用限制平衡配重的上限，并以平衡配重作为自变量并寻优，优化问题的表达式为：
Figure 708396DEST_PATH_IMAGE070
式中：F为适应度判断值，m表示平面数量，
Figure 350730DEST_PATH_IMAGE051
为最大平衡配重允许量，
Figure 892570DEST_PATH_IMAGE052
为最大残余振动允许量，
Figure 280432DEST_PATH_IMAGE053
为第i个平面的残余振动值，
Figure 907723DEST_PATH_IMAGE054
为第i个平面的加权因子，
Figure 25851DEST_PATH_IMAGE055
为第i个面的配重量。
在此为了限制平衡配重的上限，给不满足动平衡的叶轮叶片预留返工的余量，所以将优化问题转变为适应度函数，由于遗传算法求解的是最大值问题，因此可令适应度函数为目标函数的负值，经过初始群体的产生、选择、交叉、变异后，每组将会产生最优解，最终在多组结果中选择最理想的作为最优解，从而确定涡轮加工参数，在本实施例中最优解是指结果对比后将鼻端以及背部的动不平衡量降到最低的解。
在进一步的实施例中，产品缺陷多维检测系统包括：产品检测机器人，具有视觉识别功能，该产品检测机器人是融合视觉识别、定位与抓取轨迹自适应规划于一体的机器人智能化装备。
产品缺陷多维检测相机，其如图8实施例所示包括阵列光源35和CCD相机36，具有变角度、多光源功能，其中CCD相机36与产品检测机器人连接。
产品检测机器人通过视觉识别功能判断叶轮叶片的照度分量和反射分量，并将该照度分量反馈给产品缺陷多维检测相机，通过产品缺陷多维检测相机的变角度、多光源功能进行叶轮叶片的局部亮度增强和对比度增强，满足缺陷检测及定位要求。
产品检测机器人内还设置有姿态优化算法，姿态优化算法基于零件几何特征与缺陷图像清晰度的机器人检测姿态规划，通过判断产品型面种类以及零件特征，判断零件的缺陷种类及缺陷分布，通过图像的种类生成相应的检测轨迹，实现了离线规划与在线感知相结合的检测姿态自适应优化，有效的提高了复杂曲面类零件缺陷的检测效率与精度。
在进一步的实施例中，在S8中进行零件缺陷检测时还采用了复杂曲面加工缺陷检测深度学习与质量在线评估方法。
复杂曲面加工缺陷检测深度学习与质量在线评估方法包括：使用图像亮度范围调整与对比度强化保障成像图像缺陷精准提取，以及使用多模板、递增式变IOU阈值的多级联网络缺陷检测与定位方法。
首先通过视觉识别对缺陷进行定位与分类，之后通过并联型卷积残差神经网络进行缺陷分类深度学习，在卷积层进行残差计算，关联缺陷规律，优化评估与智能修复模型，最终建立产品质量立体化评估模型，实现表面缺陷无损检测。
其中变IOU阈值的多级联网络缺陷检测，使用不同的IOU阈值，训练了多个级联的检测器，将缺陷图像加入到主干卷积之中，进行区域特征提取，提取出网络头生成其检测框以及其分类。
基于前面一个阶段的输出进行训练，输出后的第一阶段检测框回归到第二阶段区域特征提取，提取出第二阶段网络头生成其第二阶段检测框以及其第二阶段分类，然后继续回归，依次类推到第三阶段区域特征提取，使得每次对检测框都提高一定的精度，已达到提高检测框准确度的作用。
如图11所示，区域特征提取为Pool，网络头为H，检测框为B，分类C，第一阶段检测框为B1，第一阶段网络头为H1，第一阶段检测框的分类为C1，第二阶段检测框为B2，第二阶段网络头为H2，第二阶段检测框的分类为C2，第三阶段检测框为B3，第三阶段网络头为H3，第三阶段检测框的分类为C3。
采用联级的方式，通过调整检测框，给下一阶段找到一个IOU更高的正样本来训练。逐级提高目标的IOU值，从而使得前一级重新采样过的检测框能够适应具有更高阈值的下一级。
在进一步的实施例中，自适应压紧夹具包括：底座28，夹块29，螺钉31，弹簧30。底座28固定与加工中心3的托板连接，螺钉31依次穿过夹块29和弹簧30与底座28螺接，在工作时夹块29与涡轮叶片抵接，并能适应不规则的弧状型叶片为叶片提供支撑力，在蜗轮叶片加工时，通过改变弹簧30的压缩量来改变夹块29的位置，来实现精准自适应补偿。
解决了叶片过薄导致的加工过程中容易形变导致的失败率高的问题。
在进一步的实施例中，叶片制造方法还包括：在S4和S6中使用智能化生产线4，耦合工业制造与互联网，提高生产效率。
本发明使用了融合复杂工况RFID终端设备全要素数据动态感知与SCADA系统顶层信息挖掘分析管控的智能组网技术，建立了多生产要素的时间-空间协同的柔性生产调度机器人10以及智能化生产线4，并将其首次应用到涡轮增压系统核心零件加工生产；形成了粒子群多生产模块优化的全流程精益管控系统，搭建了多系统耦合的跨生产线、跨车间、跨厂区工业互联网平台。
本生产线以多生产要素时间-空间协同制造的智能化生产线4为研究对象，针对涡轮增压系统生产线人工成本高、生产效率低、易出错等问题，提出了融合复杂工况RFID终端设备全要素数据动态感知与SCADA系统顶层信息挖掘分析管控的智能组网技术，建立了人、设备、物料和产品等生产要素时序规划约束与空间任务协同的智能化生产线4，实现了从原料粗加工到做出成品的全过程。它的应用环节包括叶轮叶片生产线1、珩磨生产线、中间壳生产线8以及智能码垛线5。
在现有技术中，智能化生产线需要满足多生产要素的时间-空间协同智能制造以及全流程精益管控功能，中国专利“CN112286148A，基于物联网技术与数字化管理技术的智能工厂系统”，通过智能MES系统（原材料进出管理系统、人员调控管理系统、设备管理系统、产品入库出库管理系统、监控预警系统、软件系统）可以对工厂内各个步骤进行检测以及监控，同步检测工厂的原料进入以及产品产出，协调生产线的工作效率，并具备协调人员工作的作用。上述专利缺乏柔性生产调度系统，对于原材料进入以及产品生产情况无法进行智能化管理，不能协调生产效率，需要人工的辅助，自动化性能较差。
出现上述问题的原因是现有技术的终端设备虽然可以实现全要素数据动态感知，射频识别技术作为一种高速发展的自动识别技术，能够快速读取并识别数据，可同时识别多目标、数据容量大、使用寿命长、应用范围广，但是该技术使用的读写器只适合单机工作，不适合组网，不便于集中控制，不能应用到多点高密度数据采集场合。
为了解决上述问题，本申请使用了超高频RFID读写器，以及与超高频RFID读写器电连接的SCADA系统，即数据采集与分析控制系统，负责物联网终端的管理、数据接入、解析、存储以及数据分发，通过对接收的原数据进行归属标识绑定，根据接收的原数据的协议格式选择不同的解析器进行数据解析处理，将解析后的数据返回至信息列表并发送至系统终端，这样就可以实现对现场的运行设备进行监视和控制。
借助超高频RFID终端设备，能够在采用视觉的方式读取喷涂于叶轮叶片上的二维码时，实现生产全过程的多点高密度数据采集及信息上传，克服了难以组网的困境；同时融合了SCADA系统，进行协议转换，采用网络通讯协议，将位置信号、图像信号、传感器信号等同一集成到智能管理系统当中，同时由智能管理系统进行信息处理、统一下发指令，实现了对于各生产要素时序规划约束与空间任务协同控制。
本智能化生产线4利用超高频RFID读写器构建数据采集网络，很好解决了多点高密度数据采集的难题。计算机作为网络服务器，节点终端设备作为客户机，计算机向各节点终端设备发送命令控制整个网络，接收采集到的数据并做进一步处理，节点终端设备主要负责采集标签数据，响应计算机的命令，也可以脱机使用，作为通用的RFID读写器，读、写标签、记录操作时间等。
由于智能化生产线4监控设备的种类逐渐增多，对设备的管理、数据处理工作量也越来越繁杂，传统的数据处理系统通过把数据进行解析存储的方式，造成数据处理系统的庞大臃肿，给维护带来很大的麻烦，同时亦不具有灵活性，对硬件资源要求较高，对开发以及运维人员的要求也较高。而本生产线所采用的智能网组技术利用RFID技术与SCADA系统构建一种低成本、高可靠性、维护方便的数据采集分析网络，实现了对于各生产要素时序规划约束与空间任务协同控制。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (8)

1.一种涡轮增压叶片质量控制方法，其特征在于，包括：
S1. 将待加工零件放置于加工中心，在定位夹具中夹紧；
S2. 完成定位后，确定叶轮叶片加工工艺参数，采用外型线车削与流道铣削相结合的叶轮叶片加工工艺，完成叶轮叶片的一次成型；
S3. 在步骤S2的叶轮叶片加工过程中，基于广义回归神经网络的刀具磨损预测模型，对加工工艺参数进行动态优化调整；
S4. 将车铣完成后的叶轮叶片放到去毛刺工位处；
S5. 在步骤S4中完成叶轮叶片的初步成型后，在加工零件表面喷涂条形码，采用视觉检测技术进行叶轮叶片周向零点定位以及动平衡信息追溯；
S6. 将叶轮叶片运送至动平衡检测区域，通过动平衡测试仪，测得动平衡参数，建立力学模型，融合遗传算法与最小二乘影响系数法，对校正参数进行调整；
S7. 将不满足动平衡要求的零件送回加工中心，基于校正参数进行补偿；
S8. 采用多角度、变光源产品缺陷多维检测系统进行零件缺陷检测。
2.根据权利要求1所述一种涡轮增压叶片质量控制方法，其特征在于，还包括：
在S3建立广义回归神经网络的刀具磨损预测模型中，采用广义回归神经网络将输入层的层数设置为电流信号或振动信号的维数，输入的特征量传递为模式层的输入流；
在模式层中，样本数决定了模式层神经元数目：
Figure 741948DEST_PATH_IMAGE001
Figure 941985DEST_PATH_IMAGE002
其中，T为转置矩阵，n为样本数目，
Figure 732086DEST_PATH_IMAGE003
为第i个神经元的输出值，
Figure 751995DEST_PATH_IMAGE004
为欧几里得距离的平方，X为网络输入变量，
Figure 551324DEST_PATH_IMAGE005
为第i个神经元对应的学习样本，第i个神经元的输出值实际上就是输入的特征量和对应样本X之间的欧几里得距离平方的指数平方的指数形式；
神经元求和的计算公式分为两种：
第一种为，计算出所有模式层的算数和
Figure 104402DEST_PATH_IMAGE006
，它与各层的神经元的连接权值为1，其公式为：
Figure 65405DEST_PATH_IMAGE007
第二种计算公式为：
Figure 838189DEST_PATH_IMAGE008
其实质就是计算出所有模式层的神经元加权和，其传递函数为：
Figure 910050DEST_PATH_IMAGE009
其中
Figure 819101DEST_PATH_IMAGE010
为第i个输出样本
Figure 216584DEST_PATH_IMAGE011
中的第
Figure 211085DEST_PATH_IMAGE012
个元素，输出层中的神经元数目多少是根据训练样本中的输出向量的维数k来定的，每一个神经元除以求和层的输出值第
Figure 588102DEST_PATH_IMAGE012
个神经元的输出与预测结果
Figure 351658DEST_PATH_IMAGE013
的第
Figure 388884DEST_PATH_IMAGE012
个元素
Figure 401840DEST_PATH_IMAGE014
相对应，也就是：
Figure 815504DEST_PATH_IMAGE015
。
3.根据权利要求1所述一种涡轮增压叶片质量控制方法，其特征在于，还包括：
在对加工工艺参数进行动态优化调整时，采用基于非线性梯度下降法的融合刀具磨损与加工工艺参数的零件加工质量评估方法，定义新函数：
Figure 230304DEST_PATH_IMAGE016
称
Figure 438432DEST_PATH_IMAGE017
为能量函数，采用梯度神经网络求解，其模型如下式所示：
Figure 906060DEST_PATH_IMAGE018
其中，参数
Figure 123415DEST_PATH_IMAGE019
表示梯度下降算法的步长，
Figure 595984DEST_PATH_IMAGE020
表示能量函数
Figure 506172DEST_PATH_IMAGE017
的梯度。
4.根据权利要求1所述一种涡轮增压叶片质量控制方法，其特征在于，还包括：
S5-1. 在S4中，将车铣完成后的叶轮叶片放在去毛刺工位的随行自适应压紧夹具上，确保随行夹具与叶轮叶片保持在双目相机视场中，通过识别轮廓尺寸及特征点，确定当前叶轮叶片种类；
S5-2. 在S5-1中确定叶轮叶片种类后，调用对应型号叶轮叶片加工程序，选定对应的去毛刺刀具；
S5-3. 进行刀具零点标定，确定当前刀具刀尖点在机器人基座标系中的位置，从而确定机器人去毛刺轨迹；
S5-4. 根据叶轮叶片种类确定机器人初始加工轨迹，通过采集三组以上不同机器人位姿信息及六维力传感器信息，进行重力补偿求解出力传感器后的重力及重心，消除不同刀具带来的重力影响；
S5-5. 确定磨抛法向力
Figure 962561DEST_PATH_IMAGE021
、切向力
Figure 718027DEST_PATH_IMAGE022
和轴向力
Figure 310682DEST_PATH_IMAGE023
，计算磨抛力和磨抛深度之间的关系；
S5-6. 根据叶轮叶片种类，设定浮动电主轴轨迹跟踪恒力大小，实现去毛刺过程中的轴向浮动；
S5-7. 通过六维力传感器信息在去毛刺加工过程中实时采集力信息，结合S5-4中重力补偿所求得的重力和重心信息，消除采集力信息中重力的影响，获得由于去毛刺所产生的实际打磨力；
S5-8. 结合S5-5中得到的磨抛法向力与磨抛深度之间的关系，调节导纳控制模型系数，根据S5-7中得到的实际打磨力，经过导纳控制模型，将磨抛力信息转换为机器人去毛刺过程中的轨迹调整信息，实现去毛刺轨迹的主动恒力跟踪；
S5-9. 结合双目相机，对机器人轨迹进行实时跟踪，同时采集机器人位姿、速度、加速度信息，结合神经网络对机器人轨迹进行预测，从而预防机器人与环境发生碰撞，保障叶轮叶片去毛刺全过程的顺利进行。
5.根据权利要求4所述一种涡轮增压叶片质量控制方法，其特征在于，还包括：
在S5-5中，考虑受尺寸效应的影响，磨抛力和磨抛深度之间的关系为：
Figure 126192DEST_PATH_IMAGE024
其中，
Figure 305763DEST_PATH_IMAGE025
为比例系数，
Figure 599341DEST_PATH_IMAGE026
为机器人的进给速度，
Figure 312082DEST_PATH_IMAGE027
为加工轮的线速度，
Figure 298492DEST_PATH_IMAGE028
为磨抛深度，系数
Figure 463894DEST_PATH_IMAGE029
和
Figure 561163DEST_PATH_IMAGE030
随着磨削过程中随磨抛深度和磨削力不断变化，且
Figure 128411DEST_PATH_IMAGE031
，
Figure 20144DEST_PATH_IMAGE032
为动态切刃系数。
6.根据权利要求1所述一种涡轮增压叶片质量控制方法，其特征在于，还包括：
在S6中进行动平衡测试时，叶轮鼻端与背部不平衡量的影响关系如下：
设叶轮背部初始不平衡量设为m，初始不平衡角为
Figure 672842DEST_PATH_IMAGE030
，影响系数为
Figure 573802DEST_PATH_IMAGE033
，影响角度为
Figure 759670DEST_PATH_IMAGE034
；
又设鼻端初始不平衡量为n，初始不平衡角为
Figure 87883DEST_PATH_IMAGE035
，背部不平衡折合量为
Figure 962298DEST_PATH_IMAGE036
，背部不平衡折合角为
Figure 135791DEST_PATH_IMAGE037
，叶轮的背部不平衡量与鼻端不平衡量符合矢量三角形关系，进行矢量合成，不平衡量矢量合成值
Figure 677631DEST_PATH_IMAGE038
为：
Figure 176745DEST_PATH_IMAGE039
其中：
Figure 804035DEST_PATH_IMAGE040
Figure 46798DEST_PATH_IMAGE041
为鼻端不平衡量与背部不平衡量的夹角；
不平衡量合成量与初始量的夹角
Figure 443144DEST_PATH_IMAGE042
设为：
Figure 614625DEST_PATH_IMAGE043
Figure 198053DEST_PATH_IMAGE044
不平衡量合成量角度判断值，不平衡量合成量角度为
Figure 244506DEST_PATH_IMAGE045
：
设
Figure 495359DEST_PATH_IMAGE046
则
Figure 336276DEST_PATH_IMAGE047
将基于遗传算法的最小二乘影响系数法应用于转子平衡时，采用限制平衡配重的上限，并以平衡配重作为自变量并寻优，优化问题的表达式为：
Figure 672580DEST_PATH_IMAGE048
式中：F为适应度判断值，m表示平面数量，
Figure 257145DEST_PATH_IMAGE049
为最大平衡配重允许量，
Figure 362504DEST_PATH_IMAGE050
为最大残余振动允许量，
Figure 374322DEST_PATH_IMAGE051
为第i个平面的残余振动值，
Figure 197922DEST_PATH_IMAGE052
为第i个平面的加权因子，
Figure 842571DEST_PATH_IMAGE053
为第i个面的配重量。
7.根据权利要求1所述一种涡轮增压叶片质量控制方法，其特征在于，
所述产品缺陷多维检测系统包括：
产品检测机器人，具有视觉识别功能；
产品缺陷多维检测相机，具有变角度、多光源功能，与产品检测机器人电连接；
所述产品检测机器人通过视觉识别功能判断叶轮叶片的照度分量和反射分量，并将该照度分量反馈给产品缺陷多维检测相机，通过产品缺陷多维检测相机的变角度、多光源功能进行叶轮叶片的局部亮度增强和对比度增强，满足缺陷检测及定位要求。
8.根据权利要求1所述一种涡轮增压叶片质量控制方法，其特征在于，
在S8中进行零件缺陷检测时还采用了复杂曲面加工缺陷检测深度学习与质量在线评估方法，
所述复杂曲面加工缺陷检测深度学习与质量在线评估方法包括：
使用图像亮度范围调整与对比度强化保障成像图像缺陷精准提取，以及使用多模板、递增式变IOU阈值的多级联网络缺陷检测与定位方法；
首先通过视觉识别对缺陷进行定位与分类，之后通过并联型卷积残差神经网络进行缺陷分类深度学习，在卷积层进行残差计算，关联缺陷规律，优化评估与智能修复模型，最终建立产品质量立体化评估模型，实现表面缺陷无损检测；
其中变IOU阈值的多级联网络缺陷检测，使用不同的IOU阈值，训练了多个级联的检测器，将缺陷图像加入到主干卷积之中，进行区域特征提取，提取出网络头生成其检测框以及其分类；
基于前面一个阶段的输出进行训练，输出后的第一阶段检测框回归到第二阶段区域特征提取，提取出第二阶段网络头生成其第二阶段检测框以及其第二阶段分类，然后继续回归，依次类推到第三阶段区域特征提取，使得每次对检测框都提高一定的精度，以达到提高检测框准确度的作用。
CN202111558131.8A 2021-12-20 2021-12-20 一种涡轮增压叶片质量控制方法 Pending CN113947821A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111558131.8A CN113947821A (zh) 2021-12-20 2021-12-20 一种涡轮增压叶片质量控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111558131.8A CN113947821A (zh) 2021-12-20 2021-12-20 一种涡轮增压叶片质量控制方法

Publications (1)

Publication Number Publication Date
CN113947821A true CN113947821A (zh) 2022-01-18

Family

ID=79339265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111558131.8A Pending CN113947821A (zh) 2021-12-20 2021-12-20 一种涡轮增压叶片质量控制方法

Country Status (1)

Country Link
CN (1) CN113947821A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943701A (zh) * 2022-05-20 2022-08-26 南通鼎彩新材料科技有限公司 用于热收缩管的造粒设备智能控制系统
CN115100208A (zh) * 2022-08-26 2022-09-23 南通三信塑胶装备科技股份有限公司 一种基于直方图和动态光源的薄膜表面缺陷评估方法
CN115639791A (zh) * 2022-09-29 2023-01-24 中国第一汽车股份有限公司 一种全业务链nvh实物质量循环改善方法、设备以及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842922A (zh) * 2017-01-14 2017-06-13 合肥工业大学 一种数控加工误差优化方法
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
CN110953074A (zh) * 2018-09-27 2020-04-03 通用电气公司 气体涡轮燃烧的控制和调谐
CN111768386A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质
CN112182973A (zh) * 2020-09-30 2021-01-05 山东大学 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法
CN113231914A (zh) * 2021-07-12 2021-08-10 南京航空航天大学 叶轮叶片机器人轨迹恒力跟踪去毛刺方法
CN113404502A (zh) * 2021-06-21 2021-09-17 中南大学 基于碴片形貌的盾构滚刀磨耗监测装置及方法
CN113523904A (zh) * 2020-04-17 2021-10-22 中国科学院沈阳计算技术研究所有限公司 一种刀具磨损检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842922A (zh) * 2017-01-14 2017-06-13 合肥工业大学 一种数控加工误差优化方法
CN110953074A (zh) * 2018-09-27 2020-04-03 通用电气公司 气体涡轮燃烧的控制和调谐
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
CN113523904A (zh) * 2020-04-17 2021-10-22 中国科学院沈阳计算技术研究所有限公司 一种刀具磨损检测方法
CN111768386A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质
CN112182973A (zh) * 2020-09-30 2021-01-05 山东大学 考虑刀盘振动与岩渣几何信息的tbm操作参数优化方法
CN113404502A (zh) * 2021-06-21 2021-09-17 中南大学 基于碴片形貌的盾构滚刀磨耗监测装置及方法
CN113231914A (zh) * 2021-07-12 2021-08-10 南京航空航天大学 叶轮叶片机器人轨迹恒力跟踪去毛刺方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
朱珏颖等: ""基于遗传算法的影响系数法在挠性转子平衡中的应用"", 《计量技术》 *
郭乐意等: ""汽车涡轮增压器冷端叶轮的动平衡校正"", 《机电一体化》 *
雍龙泉等: ""梯度下降神经网络方法求解雅可比矩阵奇异的非线性方程组"", 《湖北工程学院学报》 *
韩阳: ""基于数字化制造的整体叶轮加工工艺设计"", 《金属加工》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943701A (zh) * 2022-05-20 2022-08-26 南通鼎彩新材料科技有限公司 用于热收缩管的造粒设备智能控制系统
CN114943701B (zh) * 2022-05-20 2024-06-14 南通鼎彩新材料科技有限公司 用于热收缩管的造粒设备智能控制系统
CN115100208A (zh) * 2022-08-26 2022-09-23 南通三信塑胶装备科技股份有限公司 一种基于直方图和动态光源的薄膜表面缺陷评估方法
CN115639791A (zh) * 2022-09-29 2023-01-24 中国第一汽车股份有限公司 一种全业务链nvh实物质量循环改善方法、设备以及存储介质

Similar Documents

Publication Publication Date Title
CN113947821A (zh) 一种涡轮增压叶片质量控制方法
CN109623656B (zh) 基于厚度在线检测的移动式双机器人协同打磨装置及方法
CN110434671B (zh) 一种基于特征测量的铸造件表面机加工轨迹校准方法
CN101477351B (zh) 具有三级加工自优化功能的智能数控方法
CN206614344U (zh) 一种带有检测功能的三轴数控机床
CN107479521B (zh) 一种针齿壳智能制造生产线
CN203894596U (zh) 数控机床加工状态多参数在线主动监控系统
CN103823409A (zh) 数控机床加工状态多参数在线主动监控系统及其实现方法
CN106826819B (zh) 桁架机器人防碰撞检测方法及装置
CN114905333A (zh) 一种基于多维数据分析的机床作业在线智能监测系统
CN101434053B (zh) 凸轮非圆磨削的自动定位及在线测量方法和装置
CN101968344A (zh) 数控加工中心在机三维形面检测系统
CN110936174B (zh) 一种压气机叶片数字化全自动生产线设计方法
CN112598651A (zh) 一种智能机器人加工生产检测系统
CN106909125A (zh) 一种电机加工性能指标的监测系统及方法
CN114895625B (zh) 基于多传感器信息融合的控制装置、方法及数控机床
CN110919638A (zh) 一种3+4新构型双臂协作机器人加工系统及方法
CN114273976A (zh) 一种数控加工中心在线监测智能调控管理云系统
CN114454060A (zh) 一种机器人自适应曲面跟踪恒力磨抛方法及系统
Pervez et al. Autonomous grinding algorithms with future prospect towards SMART manufacturing: A comparative survey
CN113778018A (zh) 一种基于R-test的五轴机床刀轴矢量误差测量方法
CN110961732B (zh) 摆线齿轮的加工方法及系统
Cutkosky et al. The design of a flexible machining cell for small batch production
CN109712509B (zh) 一种模拟生产线实训平台
CN112757307B (zh) 一种机器人加工三元叶轮叶片焊接坡口的装备和方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220118

RJ01 Rejection of invention patent application after publication