CN115082433A - 微铣削刀工作参数确定方法、装置、电子设备及存储介质 - Google Patents
微铣削刀工作参数确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115082433A CN115082433A CN202210856333.9A CN202210856333A CN115082433A CN 115082433 A CN115082433 A CN 115082433A CN 202210856333 A CN202210856333 A CN 202210856333A CN 115082433 A CN115082433 A CN 115082433A
- Authority
- CN
- China
- Prior art keywords
- wear
- data
- milling cutter
- micro
- cutting
- 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
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Numerical Control (AREA)
Abstract
本申请涉及一种微铣削刀工作参数确定方法、装置、电子设备及存储介质,方法包括步骤:获取微铣削刀在第一切削参数下的第一磨损数据,并基于第一磨损数据对初始磨损预测模型进行训练得到训练完成的磨损预测模型;通过训练完成的磨损预测模型预测微铣削刀在第二切削参数下的第二磨损数据,并将第一磨损数据与第二磨损数据结合作为观测数据;对观测数据进行灰色关联分析确定微铣削刀的工作参数。通过预先基于第一磨损数据得到磨损预测模型,进而通过磨损预测模型对微铣削刀的磨损进行预测,减少了计算量,提高了磨损预测效率,同时通过设置灰色关联度分析来确定微铣削刀的工作参数,使得能够根据工作参数与磨损之间的关联关系确定最合适的工作参数。
Description
技术领域
本申请涉及工业生产领域,尤其涉及一种微铣削刀工作参数确定方法、装置、电子设备及存储介质。
背景技术
现有的对于微铣削刀的磨损通常通过基于接触磨损力学和材料失效机制的部分分析方法,以及通过光学评估的经验方法来预测。然而,由于复杂的计算过程,大量的计算时间限制了该方法的广泛应用。
发明内容
本申请提供了一种微铣削刀工作参数确定方法、装置、电子设备及存储介质,旨在解决现有技术中现有的磨损预测计算量大导致预测效率低的技术问题。
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种微铣削刀工作参数确定方法,所述方法包括步骤:
获取微铣削刀在第一切削参数下的第一磨损数据,并基于所述第一磨损数据对初始磨损预测模型进行训练得到训练完成的磨损预测模型;
通过所述训练完成的磨损预测模型预测所述微铣削刀在第二切削参数下的第二磨损数据,并将第一磨损数据与第二磨损数据结合作为观测数据;
对所述观测数据进行灰色关联分析确定所述微铣削刀的工作参数。
可选地,所述获取微铣削刀在第一切削参数下的第一磨损数据的步骤包括:
获取所述微铣削刀以所述第一切削参数工作后的端视图图像;
通过所述端视图图像获取所述微铣削刀的磨损面积;
将所述第一切削参数与对应的磨损面积作为所述第一磨损数据。
可选地,所述通过所述端视图图像获取所述微铣削刀的磨损面积的步骤包括:
通过所述端视图图像确定所述微铣削刀的侧边磨损与径向磨损;
将所述侧边磨损等效为磨损三角形的高,并将所述径向磨损等效为所述磨损三角形的底边;
将所述磨损三角形的面积作为所述磨损面积。
可选地,所述磨损预测模型包括一层隐藏层以及5个神经元节。
可选地,所述观测数据包括包含主轴转速、径向切削深度、每齿进给量以及轴向切削深度的切削参数;所述对所述观测数据进行灰色关联分析确定所述微铣削刀的工作参数的步骤包括:
对所述观测数据进行灰色关联分析以得到所述主轴转速、所述径向切削深度、所述每齿进给量以及所述轴向切削深度对应的磨损关联度以及影响权重;
根据所述磨损关联度以及影响权重确定所述微铣削刀的工作参数。
可选地,所述对所述观测数据进行灰色关联分析以得到所述主轴转速、所述径向切削深度、所述每齿进给量以及所述轴向切削深度对应的磨损关联度以及影响权重的步骤包括:
获取预设理想磨损数据,并获取所述观测数据中不同切削参数对应观测磨损数据;
分别计算所述预设理想磨损数据与各所述观测磨损数据之间的差值;
根据所述差值计算对应切削参数的所述磨损关联度以及所述影响权重。
可选地,所述分别计算所述预设理想磨损数据与各所述观测磨损数据之间的差值的步骤包括:
对所述观测磨损数据进行无量纲化处理得到无量纲数据;
分别计算所述预设理想磨损数据与各所述无量纲数据之间的差值。
为实现上述目的,本发明还提供一种微铣削刀工作参数确定装置,所述微铣削刀工作参数确定装置包括:
第一获取模块,用于获取微铣削刀在第一切削参数下的第一磨损数据,并基于所述第一磨损数据对初始磨损预测模型进行训练得到训练完成的磨损预测模型;
第一预测模块,用于通过所述训练完成的磨损预测模型预测所述微铣削刀在第二切削参数下的第二磨损数据,并将第一磨损数据与第二磨损数据结合作为观测数据;
第一执行模块,用于对所述观测数据进行灰色关联分析确定所述微铣削刀的工作参数。
为实现上述目的,本发明还提供一种电子设备,所述电子设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的微铣削刀工作参数确定方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的微铣削刀工作参数确定方法的步骤。
本发明提出的一种微铣削刀工作参数确定方法、装置、电子设备及存储介质,获取微铣削刀在第一切削参数下的第一磨损数据,并基于所述第一磨损数据对初始磨损预测模型进行训练得到训练完成的磨损预测模型;通过所述训练完成的磨损预测模型预测所述微铣削刀在第二切削参数下的第二磨损数据,并将第一磨损数据与第二磨损数据结合作为观测数据;对所述观测数据进行灰色关联分析确定所述微铣削刀的工作参数。通过预先基于第一磨损数据得到磨损预测模型,进而通过磨损预测模型对微铣削刀的磨损进行预测,减少了计算量,提高了磨损预测效率,同时通过设置灰色关联度分析来确定微铣削刀的工作参数,使得能够根据工作参数与磨损之间的关联关系确定最合适的工作参数。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明微铣削刀工作参数确定方法第一实施例的流程示意图;
图2为本发明微铣削刀工作参数确定方法第二实施例步骤S12的细化流程图;
图3为本发明电子设备的模块结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本发明提供一种微铣削刀工作参数确定方法,参照图1,图1为本发明微铣削刀工作参数确定方法第一实施例的流程示意图,所述方法包括步骤:
步骤S10,获取微铣削刀在第一切削参数下的第一磨损数据,并基于所述第一磨损数据对初始磨损预测模型进行训练得到训练完成的磨损预测模型;
第一切削参数用以对微铣削刀的工作参数进行设定;具体的第一切削参数包括的具体参数可以根据实际应用场景以及需要进行设置,本实施例中第一切削参数包括主轴转速、径向切削深度、每齿进给量以及轴向切削深度;需要说明的是,第一切削参数的数量为多个,如第一切削参数包括K1、K2、K3、K4,其中:
K1对应的主轴转速为18000n/rpm、径向切削深度为60ap/μm、每齿进给量为2ft/μm、轴向切削深度480mm;
K2对应的主轴转速为18000n/rpm、径向切削深度为80ap/μm、每齿进给量为4ft/μm、轴向切削深度600mm;
K3对应的主轴转速为18000n/rpm、径向切削深度为100ap/μm、每齿进给量为6ft/μm、轴向切削深度900mm;
K4对应的主轴转速为24000n/rpm、径向切削深度为80ap/μm、每齿进给量为6ft/μm、轴向切削深度780mm;
对应地,每一第一切削参数均对应一个第一磨损数据,第一磨损数据用以表征在经过第一切削参数工作一定时间后微铣削刀的磨损程度;需要说明的是,工作数据也可以包含于第一切削参数中,第一磨损数据中可以同时i包含第一切削参数以及对应的磨损程度。
第一切削参数为用以对磨损预测模型进行训练的训练样本,需要说明的是,具体地对于磨损预测模型的训练设置,如划分训练集、测试集、训练完成条件、损失函数、模型类型等均可根据实际应用场景以及需要进行设置;考虑到传统模型对于多输入且样本量较小的模型预测有限,本实施例中引入赖文贝格-马夸特方法、贝叶斯规则化、标度共轭梯度算法等提高预测精度。
需要说明的是,模型的不同隐藏层层数和神经元节点个数会产生不同预测结果,为了得到最佳的模型,可以单独改变隐藏层层数或者神经元节点个数,将预测结果分别与原始数据作对比,已得到预测结果最佳的隐藏层层数与神经元节点个数。由于样本数量较少,隐藏层层数不宜超过三层,神经元节点个数不超过五个,本实施例中采用一层隐藏层与五个神经元节点。为保证拟合效果尽可能达到预期,选取贝叶斯规则化作为训练算法。得到相应的数学模型。
步骤S20,通过所述训练完成的磨损预测模型预测所述微铣削刀在第二切削参数下的第二磨损数据,并将第一磨损数据与第二磨损数据结合作为观测数据;
磨损预测模型的输入为切削参数,磨损预测模型的输出为磨损程度,通过综合磨损预测模型的输入与输出即可得到第二磨损数据;即第二磨损数据中包含第二切削参数以及对应的磨损程度,将第一磨损数据与第二磨损数据即可得到各个切削参数下的总的磨损数据,即观测数据。
步骤S30,对所述观测数据进行灰色关联分析确定所述微铣削刀的工作参数。
灰色关系分析可利用磨损、表面粗糙度和能量作为目标函数来优化切削参数。虽然灰色关系分析可以呈现各种因素对微铣削刀磨损的影响,但由于加工参数与微铣削刀磨损之间缺乏直接的对应关系,很难直接预测微铣削刀磨损;因此,本实施例中通过前述方式得到体现切削参数与磨损程度之间关系的观测数据,并通过观测数据进行灰色关联分析,使得能够应用灰色关联分析实现切削参数对刀具磨损的分析;灰色关联分析是根据不同序列几何形状的相似性来判断其不同序列之间的接近程度。无需大量样品,即可轻松得到各因素对微铣削刀磨损的影响权重。
本实施例通过预先基于第一磨损数据得到磨损预测模型,进而通过磨损预测模型对微铣削刀的磨损进行预测,减少了计算量,提高了磨损预测效率,同时通过设置灰色关联度分析来确定微铣削刀的工作参数,使得能够根据工作参数与磨损之间的关联关系确定最合适的工作参数。
进一步地,在基于本发明的第一实施例所提出的本发明微铣削刀工作参数确定方法第二实施例中,所述步骤S10包括步骤:
步骤S11,获取所述微铣削刀以所述第一切削参数工作后的端视图图像;
端视图图像是指微铣削刀与加工工件接触的面的图像,端视图图像的磨损面积表示微铣削刀的磨损程度,在基于每个第一切削参数工作后测量;端视图图像可以通过图像采集设备进行采集,具体地图像采集设备的类型可以根据实际应用场景以及需要进行选择,在此不进行限定。
步骤S12,通过所述端视图图像获取所述微铣削刀的磨损面积;
参见图2,所述步骤S12包括步骤:
步骤S121,通过所述端视图图像确定所述微铣削刀的侧边磨损与径向磨损;
步骤S122,将所述侧边磨损等效为磨损三角形的高,并将所述径向磨损等效为所述磨损三角形的底边;
步骤S123,将所述磨损三角形的面积作为所述磨损面积。
近似加工刀具的磨损面积,然后根据一维磨损计算磨损面积。用几何方法提取近似的磨损面积。根据微铣削刀的磨损特性,磨损面积约为三角形;三角形的边缘在铣刀的长轴上,与径向磨损一致,将该边缘作为三角形的底边,三角形的高度与三角形中的侧边磨损相同。因此,可以通过测量微铣削刀的端面视图上的径向磨损和侧边磨损来计算磨损面积;由于磨损尺度较小,故可将近似三角形的磨损形状等效为规则三角形来计算。磨损面积可等效为三角形减小面积。计算如下:S= (Vb×Nb)/2其中,Vb为侧边磨损,Nb为径向磨损。
步骤S13,将所述第一切削参数与对应的磨损面积作为所述第一磨损数据。
综合第一切削参数与磨损面积即可得到第一磨损数据。
本实施例通过结合径向磨损和侧边磨损来计算磨损面积,是一维磨损特性的进步,能够有效减少由一维空间直接到三维空间的误差。此外,这种方法不需要高质量的图像采集系统来采集刀具磨损图像,更容易现场测量。
进一步地,在基于本发明的第一实施例所提出的本发明微铣削刀工作参数确定方法第三实施例中,所述观测数据包括包含主轴转速、径向切削深度、每齿进给量以及轴向切削深度的切削参数;所述步骤S30包括步骤:
步骤S31,对所述观测数据进行灰色关联分析以得到所述主轴转速、所述径向切削深度、所述每齿进给量以及所述轴向切削深度对应的磨损关联度以及影响权重;
步骤S32,根据所述磨损关联度以及影响权重确定所述微铣削刀的工作参数。
灰色关联度是灰色理论中的一部分,灰色关联分析的实行依赖于三个系统的样本数据,这些数据可以通过灰色关联度来建立联系。如果计算结果的数据显示各数变化趋势相相似或者一致,则说明各数据之间的关联度较大,否则各数据之间的关联度较小。灰色关联法适用于系统信息不完全或系统部分信息缺失。灰色关联分析量化模型在灰色关联四公理的基础上被定义灰色关联度四公理是指规范性、整体性、偶对对称性、接近性,定义为:
规范性:
0<γ(X0,Xi)≤1,γ(X0,Xi)=1⇔X0=Xi;
整体性:
对于Xi,Xj∈X={Xs|s=0,1,2,...,m,m≥2};
有γ(Xi,Xj)≠γ(Xj,Xi)(i≠j);
偶对对称性:
对于Xi,Xj∈X;
有γ(Xi,Xj)=γ(Xj,Xi)⇔(Xj,Xi);
接近性:
|X0(k)-Xi(k)|越小,γ(X0(k)-Xi(k))越大;
其中,实数γ(X0(k)-Xi(k))为X0与Xi的灰色关联度,γ(X0(k)-Xi(k))为Xi与X0在k的灰色关联系数。
所述步骤S31包括步骤:
步骤S311,获取预设理想磨损数据,并获取所述观测数据中不同切削参数对应观测磨损数据;
理想磨损数据用以表征期望的磨损数据,本实施例中的理想磨损数据为阵列形式,即理想磨损数据为Y0={y1,y2,…,yk};观测磨损数据同样为阵列形式,如观测磨损数据为Xi={xi1,xi2,…,xik},其中,i为观测磨损数据的序列号,即第一个的切削参数对应的观测磨损数据为X1,第二个的切削参数对应的观测磨损数据为X2;
步骤S312,分别计算所述预设理想磨损数据与各所述观测磨损数据之间的差值;
根据∆0i(k)=|y0(k)-xi(k)|,i=1,2,…,m,计算理想磨损数据与各观测磨损数据比较得到序列的绝对值,形成如下绝对值矩阵:(∆01,∆02,…∆0n),同时找出差值矩阵中的最大数(最大差)与最小数(最小差),并分别表示为∆max与∆min。
所述步骤S312包括步骤:
步骤S3121,对所述观测磨损数据进行无量纲化处理得到无量纲数据;
步骤S3122,分别计算所述预设理想磨损数据与各所述无量纲数据之间的差值。
一般地,不同的指标具有不同的量纲和数量级,因此不能直接比较各指标;为了保证结果的可靠性,需要对原始指标进行无量纲化处理,具体地的无量纲化处理方法可以根据实际应用场景以及需要进行设置,在此不进行赘述。
步骤S313,根据所述差值计算对应切削参数的所述磨损关联度以及所述影响权重。
关联度表示曲线之间几何形状差别程度,对于曲线差值的大小来衡量各因素之间的关联程度。
其中,ρ为分辨系数,ρ在[0,1]内取值,一般取0.5,得关联矩阵为:Z0i=(Z01,Z02,…,Z0i);
关联度γ0i为:
通过上述步骤即可得到各切削参数对应的关联度,进而通过关联度得到对应的权重,如得到的关联度分别为:
主轴转速为0.603,径向切削深度为0.583,每齿进给量为0.591,切削长度为0.820;将关联度等比换算成比例即可得到各切削参数对应的权重,具体地,主轴转速为26.03%,径向切削深度为21.79%,每齿进给量为22.08%,切削长度为30.10%;由此可知,切削长度对微铣削刀的磨损影响最大,径向切削深度对微铣削刀的磨损影响最小,因此,基于不同切削参数对磨损的影响可以进一步确定合适的工作参数,具体地确定方式可以基于实际应用场景以及需要进行设置,如对微铣削刀的磨损影响越大的切削参数,对其设定的工作参数越小/越大。
本实施例能够合理地对各切削参数进行灰色关联分析来确定对应的工作参数。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请还提供一种用于实施上述微铣削刀工作参数确定方法的微铣削刀工作参数确定装置,微铣削刀工作参数确定装置包括:
第一获取模块,用于获取微铣削刀在第一切削参数下的第一磨损数据,并基于所述第一磨损数据对初始磨损预测模型进行训练得到训练完成的磨损预测模型;
第一预测模块,用于通过所述训练完成的磨损预测模型预测所述微铣削刀在第二切削参数下的第二磨损数据,并将第一磨损数据与第二磨损数据结合作为观测数据;
第一执行模块,用于对所述观测数据进行灰色关联分析确定所述微铣削刀的工作参数。
本微铣削刀工作参数确定装置通过预先基于第一磨损数据得到磨损预测模型,进而通过磨损预测模型对微铣削刀的磨损进行预测,减少了计算量,提高了磨损预测效率,同时通过设置灰色关联度分析来确定微铣削刀的工作参数,使得能够根据工作参数与磨损之间的关联关系确定最合适的工作参数。
需要说明的是,该实施例中的第一获取模块可以用于执行本申请实施例中的步骤S10,该实施例中的第一预测模块可以用于执行本申请实施例中的步骤S20,该实施例中的第一执行模块可以用于执行本申请实施例中的步骤S30。
进一步地,所述第一获取模块包括:
第一获取子模块,用于获取所述微铣削刀以所述第一切削参数工作后的端视图图像;
第二获取子模块,用于通过所述端视图图像获取所述微铣削刀的磨损面积;
第一执行子模块,用于将所述第一切削参数与对应的磨损面积作为所述第一磨损数据。
进一步地,所述第二获取子模块包括:
第一确定单元,用于通过所述端视图图像确定所述微铣削刀的侧边磨损与径向磨损;
第一执行单元,用于将所述侧边磨损等效为磨损三角形的高,并将所述径向磨损等效为所述磨损三角形的底边;
第二执行单元,用于将所述磨损三角形的面积作为所述磨损面积。
进一步地,所述磨损预测模型包括一层隐藏层以及5个神经元节。
进一步地,所述观测数据包括包含主轴转速、径向切削深度、每齿进给量以及轴向切削深度的切削参数;所述第一执行模块包括:
第二执行子模块,用于对所述观测数据进行灰色关联分析以得到所述主轴转速、所述径向切削深度、所述每齿进给量以及所述轴向切削深度对应的磨损关联度以及影响权重;
第一确定子模块,用于根据所述磨损关联度以及影响权重确定所述微铣削刀的工作参数。
进一步地,所述第二执行子模块包括:
第一获取单元,用于获取预设理想磨损数据,并获取所述观测数据中不同切削参数对应观测磨损数据;
第一计算单元,用于分别计算所述预设理想磨损数据与各所述观测磨损数据之间的差值;
第二计算单元,用于根据所述差值计算对应切削参数的所述磨损关联度以及所述影响权重。
进一步地,所述第一计算单元包括:
第一处理子单元,用于对所述观测磨损数据进行无量纲化处理得到无量纲数据;
第一计算子单元,用于分别计算所述预设理想磨损数据与各所述无量纲数据之间的差值。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
参照图3,在硬件结构上所述电子设备可以包括通信模块10、存储器20以及处理器30等部件。在所述电子设备中,所述处理器30分别与所述存储器20以及所述通信模块10连接,所述存储器20上存储有计算机程序,所述计算机程序同时被处理器30执行,所述计算机程序执行时实现上述方法实施例的步骤。
通信模块10,可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求,还可以发送请求、指令及信息至所述外部通讯设备,所述外部通讯设备可以是其它电子设备、服务器或者物联网设备,例如电视等等。
存储器20,可用于存储软件程序以及各种数据。存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如获取微铣削刀在第一切削参数下的第一磨损数据)等;存储数据区可包括数据库,存储数据区可存储根据系统的使用所创建的数据或信息等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器30,是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器20内的软件程序和/或模块,以及调用存储在存储器20内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。处理器30可包括一个或多个处理单元;可选地,处理器30可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器30中。
尽管图3未示出,但上述电子设备还可以包括电路控制模块,所述电路控制模块用于与电源连接,保证其他部件的正常工作。本领域技术人员可以理解,图3中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序。所述计算机可读存储介质可以是图3的电子设备中的存储器20,也可以是如ROM(Read-Only Memory,只读存储器)/RAM(Random Access Memory,随机存取存储器)、磁碟、光盘中的至少一种,所述计算机可读存储介质包括若干指令用以使得一台具有处理器的终端设备(可以是电视,汽车,手机,计算机,服务器,终端,或者网络设备等)执行本发明各个实施例所述的方法。
在本发明中,术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的,而不能理解为指示或暗示相对重要性,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,本发明保护的范围并不局限于此,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换,这些变化、修改和替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种微铣削刀工作参数确定方法,其特征在于,所述方法包括:
获取微铣削刀在第一切削参数下的第一磨损数据,并基于所述第一磨损数据对初始磨损预测模型进行训练得到训练完成的磨损预测模型;
通过所述训练完成的磨损预测模型预测所述微铣削刀在第二切削参数下的第二磨损数据,并将第一磨损数据与第二磨损数据结合作为观测数据;
对所述观测数据进行灰色关联分析确定所述微铣削刀的工作参数。
2.如权利要求1所述的微铣削刀工作参数确定方法,其特征在于,所述获取微铣削刀在第一切削参数下的第一磨损数据的步骤包括:
获取所述微铣削刀以所述第一切削参数工作后的端视图图像;
通过所述端视图图像获取所述微铣削刀的磨损面积;
将所述第一切削参数与对应的磨损面积作为所述第一磨损数据。
3.如权利要求2所述的微铣削刀工作参数确定方法,其特征在于,所述通过所述端视图图像获取所述微铣削刀的磨损面积的步骤包括:
通过所述端视图图像确定所述微铣削刀的侧边磨损与径向磨损;
将所述侧边磨损等效为磨损三角形的高,并将所述径向磨损等效为所述磨损三角形的底边;
将所述磨损三角形的面积作为所述磨损面积。
4.如权利要求1所述的微铣削刀工作参数确定方法,其特征在于,所述磨损预测模型包括一层隐藏层以及5个神经元节。
5.如权利要求1所述的微铣削刀工作参数确定方法,其特征在于,所述观测数据包括包含主轴转速、径向切削深度、每齿进给量以及轴向切削深度的切削参数;所述对所述观测数据进行灰色关联分析确定所述微铣削刀的工作参数的步骤包括:
对所述观测数据进行灰色关联分析以得到所述主轴转速、所述径向切削深度、所述每齿进给量以及所述轴向切削深度对应的磨损关联度以及影响权重;
根据所述磨损关联度以及影响权重确定所述微铣削刀的工作参数。
6.如权利要求5所述的微铣削刀工作参数确定方法,其特征在于,所述对所述观测数据进行灰色关联分析以得到所述主轴转速、所述径向切削深度、所述每齿进给量以及所述轴向切削深度对应的磨损关联度以及影响权重的步骤包括:
获取预设理想磨损数据,并获取所述观测数据中不同切削参数对应观测磨损数据;
分别计算所述预设理想磨损数据与各所述观测磨损数据之间的差值;
根据所述差值计算对应切削参数的所述磨损关联度以及所述影响权重。
7.如权利要求6所述的微铣削刀工作参数确定方法,其特征在于,所述分别计算所述预设理想磨损数据与各所述观测磨损数据之间的差值的步骤包括:
对所述观测磨损数据进行无量纲化处理得到无量纲数据;
分别计算所述预设理想磨损数据与各所述无量纲数据之间的差值。
8.一种微铣削刀工作参数确定装置,其特征在于,所述微铣削刀工作参数确定装置包括:
第一获取模块,用于获取微铣削刀在第一切削参数下的第一磨损数据,并基于所述第一磨损数据对初始磨损预测模型进行训练得到训练完成的磨损预测模型;
第一预测模块,用于通过所述训练完成的磨损预测模型预测所述微铣削刀在第二切削参数下的第二磨损数据,并将第一磨损数据与第二磨损数据结合作为观测数据;
第一执行模块,用于对所述观测数据进行灰色关联分析确定所述微铣削刀的工作参数。
9.一种电子设备,其特征在于,所述电子设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的微铣削刀工作参数确定方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的微铣削刀工作参数确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856333.9A CN115082433B (zh) | 2022-07-21 | 2022-07-21 | 微铣削刀工作参数确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856333.9A CN115082433B (zh) | 2022-07-21 | 2022-07-21 | 微铣削刀工作参数确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082433A true CN115082433A (zh) | 2022-09-20 |
CN115082433B CN115082433B (zh) | 2022-12-09 |
Family
ID=83258870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210856333.9A Active CN115082433B (zh) | 2022-07-21 | 2022-07-21 | 微铣削刀工作参数确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082433B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070185696A1 (en) * | 2006-02-06 | 2007-08-09 | Smith International, Inc. | Method of real-time drilling simulation |
CN106156430A (zh) * | 2016-07-06 | 2016-11-23 | 大连理工大学 | 一种基于刀具磨损效应的微铣削力建模方法 |
CN106407526A (zh) * | 2016-09-05 | 2017-02-15 | 大连理工大学 | 一种微铣削过程刀具后刀面磨损预测方法 |
CN111005733A (zh) * | 2019-09-29 | 2020-04-14 | 西南石油大学 | 一种盾构滚刀刀具磨损预测方法 |
CN111007800A (zh) * | 2019-12-20 | 2020-04-14 | 常州先进制造技术研究所 | 用于平头微铣削刀具磨损预测和加工参数优化的通用方法 |
CN111558849A (zh) * | 2020-05-11 | 2020-08-21 | 内蒙古工业大学 | 盘铣刀加工参数优化方法及装置、电子设备及存储介质 |
CN112380646A (zh) * | 2020-11-09 | 2021-02-19 | 江苏师范大学 | 不同磨损刀具车削温度变化与车削振动耦合特性研究方法 |
CN112757052A (zh) * | 2020-12-09 | 2021-05-07 | 江苏师范大学 | 不同磨损刀具的车削热与多元影响因子的相关性分析方法 |
CN113664612A (zh) * | 2021-08-24 | 2021-11-19 | 沈阳工业大学 | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 |
CN113688534A (zh) * | 2021-09-02 | 2021-11-23 | 江苏师范大学 | 一种基于多特征融合模型寻找最优铣削参数的研究方法 |
-
2022
- 2022-07-21 CN CN202210856333.9A patent/CN115082433B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070185696A1 (en) * | 2006-02-06 | 2007-08-09 | Smith International, Inc. | Method of real-time drilling simulation |
CN106156430A (zh) * | 2016-07-06 | 2016-11-23 | 大连理工大学 | 一种基于刀具磨损效应的微铣削力建模方法 |
CN106407526A (zh) * | 2016-09-05 | 2017-02-15 | 大连理工大学 | 一种微铣削过程刀具后刀面磨损预测方法 |
CN111005733A (zh) * | 2019-09-29 | 2020-04-14 | 西南石油大学 | 一种盾构滚刀刀具磨损预测方法 |
CN111007800A (zh) * | 2019-12-20 | 2020-04-14 | 常州先进制造技术研究所 | 用于平头微铣削刀具磨损预测和加工参数优化的通用方法 |
CN111558849A (zh) * | 2020-05-11 | 2020-08-21 | 内蒙古工业大学 | 盘铣刀加工参数优化方法及装置、电子设备及存储介质 |
CN112380646A (zh) * | 2020-11-09 | 2021-02-19 | 江苏师范大学 | 不同磨损刀具车削温度变化与车削振动耦合特性研究方法 |
CN112757052A (zh) * | 2020-12-09 | 2021-05-07 | 江苏师范大学 | 不同磨损刀具的车削热与多元影响因子的相关性分析方法 |
CN113664612A (zh) * | 2021-08-24 | 2021-11-19 | 沈阳工业大学 | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 |
CN113688534A (zh) * | 2021-09-02 | 2021-11-23 | 江苏师范大学 | 一种基于多特征融合模型寻找最优铣削参数的研究方法 |
Non-Patent Citations (6)
Title |
---|
MEENU GUPTA等: "Multi-objective optimization of cutting parameters in turning using grey relational analysis", 《INTERNATIONAL JOURNAL OF INDUSTRIAL ENGINEERING COMPUTATIONS》 * |
S.RAMESH等: "Measurement and optimization of surface roughness and tool wear via grey relational analysis,TOPSIS and RSA techniques", 《MEASUREMENT》 * |
刘欢等: "基于灰色关联法钻杆接头旋风铣削工艺参数优化", 《煤矿机械》 * |
张杰翔: "基于BP神经网络的微铣削加工工艺优化", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
张杰翔等: "基于并联GABP与NSGA-II的微铣削子午线轮胎模具侧板工艺参数优化", 《制造技术与机床》 * |
杨丰等: "基于神经网络的车削刀具磨损预测研究", 《科技通报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115082433B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334816B (zh) | 一种工业设备检测方法、装置、设备及可读存储介质 | |
US20210264075A1 (en) | Method and device for creating a model of a technical system from measurements | |
US20230326010A1 (en) | Defective picture generation method and apparatus applied to industrial quality inspection | |
US20190354915A1 (en) | Metrology system for measurement uncertainty analysis | |
CN106022631B (zh) | 一种指标权重分析方法 | |
CN112907026A (zh) | 一种基于可编辑网状指标体系的综合评估方法 | |
CN115082433B (zh) | 微铣削刀工作参数确定方法、装置、电子设备及存储介质 | |
CN110647106A (zh) | 刀具性能监测及评价方法和系统 | |
CN116518868B (zh) | 基于人工智能的变形测量方法、装置、设备及存储介质 | |
US8805647B2 (en) | Evaluating and predicting computer system performance using kneepoint analysis | |
JP2013257821A (ja) | 情報処理装置及び情報処理方法及びプログラム | |
US20170322186A1 (en) | Processing Apparatus | |
TW201719397A (zh) | 構造解析方法及構造解析程式 | |
CN114139772B (zh) | 一种基于优化广义回归神经网络预测工件表面质量的方法 | |
CN112560974B (zh) | 一种信息融合、车辆信息获取方法及装置 | |
KR101717597B1 (ko) | 모바일 기반 정도 관리 시스템 | |
JP2007188471A (ja) | 品質解析方法、品質解析装置、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体 | |
CN114491699A (zh) | 基于拓展区间数的三维cad软件易用性量化方法及装置 | |
US20180052444A1 (en) | Component deformation modeling system | |
Li et al. | Grid-based photogrammetry system for large scale sheet metal strain measurement | |
CN110717244A (zh) | 基于平均偏离度算法的数据信任度分析计算机仿真方法 | |
CN117495866B (zh) | 基于机器视觉的齿轮缺陷检测方法及系统 | |
JP2019109665A (ja) | 情報処理装置、加工時間算出方法および加工時間算出プログラム | |
CN117294824B (zh) | 激光投影光机的图像优化方法、装置、设备及存储介质 | |
CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 |
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 |