CN115859521A - 基于神经网络的铣削加工误差重建方法及系统 - Google Patents
基于神经网络的铣削加工误差重建方法及系统 Download PDFInfo
- Publication number
- CN115859521A CN115859521A CN202211606842.2A CN202211606842A CN115859521A CN 115859521 A CN115859521 A CN 115859521A CN 202211606842 A CN202211606842 A CN 202211606842A CN 115859521 A CN115859521 A CN 115859521A
- Authority
- CN
- China
- Prior art keywords
- machining error
- machining
- error
- simulation
- reconstruction
- 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
Links
Images
Landscapes
- Numerical Control (AREA)
Abstract
本发明提供了一种神经网络的铣削加工误差重建方法及系统,包括:步骤S1:利用加工数据集构建模块生成初步的仿真加工误差数据;步骤S2:对生成的仿真加工误差数据进行后处理操作,得到仿真加工误差数据,将仿真加工误差数据和CAD面形深度图作为训练数据集;步骤S3:构建加工误差重建模型,并利用训练数据集训练加工误差重建模型;步骤S4:采集真实加工误差数据,并将采集到的真实加工误差数据和CAD面形深度图作为测试数据集,利用测试数据集对训练后的加工误差重建模型进行验证。
Description
技术领域
本发明涉及误差重建技术领域,具体地,涉及基于神经网络的铣削加工误差重建方法及系统。
背景技术
数据驱动的计算机重建算法,需要海量数据对神经网络模型进行训练。然而,目前工业测量领域缺乏类似的数据集。
曲面重建技术是从稀疏的离散的数据点中,重建出稠密的结构化的曲面面形。目前比较常用的是隐式曲面法和基于机器学习的方法。隐式曲面法采用隐函数表示曲面,根据待拟合的曲面的几何特征,例如对称性、周期性和各向同性等,人为地选择不同的先验模型来提升曲面重建的精度。例如,利用多尺度高斯过程,在构建多尺度特征的同时,也能指导自适应采样(Yin Y,Ren M J,Sun L,et al.Gaussian process based multi-scalemodelling for precision measurement of complex surfaces[J].CIRP Annals,2016,65(1):487-490.)。但是,隐式法在先验模型的选取、计算复杂度上受到经验和设备的制约,通用性较差。
在误差重建领域中比较常用的机器学习技术是卷积神经网络,并且通常是仅使用稀疏的加工误差进行稠密的加工误差重建(Ren J,Ren M,Sun L,et al.Generativemodel-driven sampling strategy for the high-efficiency measurement of complexsurfaces on coordinate measuring machines[J].IEEE Transactions onInstrumentation and Measurement,2021,70:1-11.)。但是受奈奎斯特采样定理在信息论层面的限制,都不能在统计意义上突破重建精度的信息论下界。此外,卷积神经网络对于高频特征的学习能力受到千层卷积核通道数的限制,学习能力会极大受到影响,在采样率足够高的情况下效果不如插值重建的方法。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种神经网络的铣削加工误差重建方法及系统。
根据本发明提供的一种神经网络的铣削加工误差重建方法,包括:
步骤S1:CAD面形深度图利用加工数据集构建模块生成初步的仿真加工误差数据;
步骤S2:对生成的仿真加工误差数据进行后处理操作,得到仿真加工误差数据,将仿真加工误差数据和CAD面形深度图作为训练数据集;
步骤S3:构建加工误差重建模型,并利用训练数据集训练加工误差重建模型,得到训练后的加工误差重建模型;
步骤S4:采集真实加工误差数据,并将采集到的真实加工误差数据和CAD面形深度图作为测试数据集,利用测试数据集对训练后的加工误差重建模型进行验证,当训练后的加工误差重建模型符合预设要求时,则结束训练;当训练后的加工误差重建模型不符合预设要求时,则重复触发步骤S1至步骤S3,直至训练后的加工误差重建模型满足预设要求。
优选地,所述步骤S1采用:
步骤S1.1:生成用于仿真的加工目标曲面;
步骤S1.2:基于加工目标曲面进行加工路径规划,基于规划的加工路径进行仿真加工操作,得到仿真加工后的实际曲面;
步骤S1.3:基于仿真加工后的实际曲面和目标曲面的偏差得到初步的仿真加工误差。
优选地,所述步骤S1.1采用:选取4个边缘控制点,其高度设置为零;在平面上等间距地选取n2个加上了随机扰动的内部控制点,高度随机设置;将n2+4个点经过Matlab V4插值算法得到用于仿真加工的目标曲面。
优选地,所述步骤S1.2采用:在加工目标曲面面形基础上,采用沿对角线往复加工的方式求取出刀具中心点的运动曲面,插值离散化后得到若干条一维的加工路径;将加工路径输入到伺服仿真系统中,得到加工的运动轨迹;
所述伺服仿真系统的建模不考虑切削力、不考虑电机的静摩擦和迟滞摩擦、不考虑轴间运动耦合效应;所述伺服仿真系统控制模型采用的是带比例位置环、比例积分速度环和速度前馈的经典PID控制器。
优选地,所述步骤S2采用:
步骤S2.1:仿真加工误差数据使用空域滤波进行平滑处理;
步骤S2.2:使用z-score方法进行归一化和无标度化处理;
步骤S2.3:加入fBm噪声,用以模拟建模过程中未考虑到的因素所产生的加工误差,得到仿真加工误差数据,并将仿真加工误差数据作为训练数据集。
优选地,所述加工误差重建模型包括:双三次插值单元、混合预测器单元和注意力网络单元;
所述混合预测器单元是基于ResNet结构、利用卷积神经网络融合CAD面形和实际测量数据的加工误差重建,得到初步预测;
所述双三次插值单元是基于稀疏误差使用python中scipy.interpolate.griddata库函数,实现稠密的加工误差重建,得到插值预测;
所述注意力网络单元是基于混合预测器单元的初步预测、双三次插值单元的插值预测和插值过程中的采样掩膜,通过乘法运算,实现动态选择输出不同单元重建结果的功能。
优选地,通过Sigmoid运算和乘法运算,所述加工误差重建模型的综合重建结果为:
P=PhSigmoid(A)+Pc[1-Sigmoid(A)]
其中,Ph表示混合预测器的初步预测,Pc表示双三次插值的插值预测,A表示注意力网络的输出,P表示经过注意力网络综合混合预测器和双三次插值得到的综合结果。
优选地,所述步骤S3采用:在训练数据集中抽样,每个样本包括一个CAD面形深度图和一个仿真加工误差,所述仿真加工误差是以预设采样率进行随机采样,将CAD面形深度图和采样后的仿真加工误差输入混合预测器单元,在得到输出后,采用MSE Loss作为损失函数比较输出和未采样的仿真加工误差,对MSE Loss进行梯度反向传播训练,使用Adam优化器,得到已训练混合预测器单元;
固定已训练的混合预测器的参数,在训练数据集中抽样,每个样本包括一个CAD面形深度图和一个仿真加工误差,所述仿真加工误差是从[0,1]均匀分布中随机选取采样率对样本中的仿真加工误差进行随机采样;然后将CAD面形深度图和采样后的仿真加工误差输入加工误差重建模型;在得到输出后,使用MSE Loss作为损失函数比较输出和未采样的仿真加工误差,对MSE Loss进行梯度反向传播训练;采用Adam优化器进行训练,得到已训练加工误差重建模型。
优选地,所述步骤S4采用:
测试数据集中的每组数据包括一个CAD面形深度图和一个真实加工误差,对真实加工误差采用[0,1]均匀分布随机采样率进行采样;将CAD面形深度图和采样后真实加工误差输入已训练加工误差重建模型,得到重建误差;使用RMSE和PV两个指标来评价重建误差,直至RMSE和PV两个指标满足预设要求;
PV(x,y)=maxi∈C|xi-yi|
其中,xi和yi分别表示未采样加工误差和重建误差,N是采样点的数量,C是采样点的集合。
根据本发明提供的一种神经网络的铣削加工误差重建系统,包括:
模块M1:CAD面形深度图利用加工数据集构建模块生成初步的仿真加工误差数据;
模块M2:对生成的仿真加工误差数据进行后处理操作,得到仿真加工误差数据,将仿真加工误差数据和CAD面形深度图作为训练数据集;
模块M3:构建加工误差重建模型,并利用训练数据集训练加工误差重建模型,得到训练后的加工误差重建模型;
模块M4:采集真实加工误差数据,并将采集到的真实加工误差数据和CAD面形深度图作为测试数据集,利用测试数据集对训练后的加工误差重建模型进行验证,当训练后的加工误差重建模型符合预设要求时,则结束训练;当训练后的加工误差重建模型不符合预设要求时,则重复触发模块M1至模块M3,直至训练后的加工误差重建模型满足预设要求。
与现有技术相比,本发明具有如下的有益效果:
1.在采样率比较低(低于5%采样率)和已知加工过程时,曲面设计的CAD模型也可以用来预测加工误差;稀疏加工误差也可以用于重建加工误差。并且CAD模型和稀疏加工误差并不完全线性相关,因此本发明提出的基于ResNet利用卷积神经网络以融合CAD面形和稀疏加工误差的方法可以比单纯使用CAD模型、单纯使用稀疏加工误差进行重建的方法,重建精度都更高;
2、在低采样率情况,由于卷积神经网络的感受野相比插值方法大得多,且神经网络更易于融合多源信息,所以,卷积神经网络的重建效果比插值方法好;随着采样率提高,受限于浅层卷积核通道数的限制,插值方法的重建效果优于卷积神经网络。而本发明提出的引入空间自注意力机制综合神经网络和双三次插值的重建方法,能够结合卷积神经网络和插值重建方法的优势,根据采样率动态选择重建方法,解决了变采样率情况下单种重建方式受到局限无法实现最佳效果的问题,实现了全采样率下较高精度的误差重建。
3、本发明提出的基于仿真加工构建的加工误差数据集,考虑了加工误差中的系统误差分量和随机误差分量,可用以提升计算机重建算法的效率和精度。
4、本发明在构建的仿真加工数据集上训练,提高误差重建的精度和鲁棒性,用以提升工件加工精度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为加工误差重建技术框架图。
图2为加工误差数据集构建流程图。
图3为混合预测器结构图。
图4为加工误差重建模块结构图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种神经网络的铣削加工误差重建方法,包括:
步骤S1:CAD面形深度图利用加工数据集构建模块生成初步的仿真加工误差数据;
步骤S2:对生成的仿真加工误差数据进行后处理操作,得到仿真加工误差数据,将仿真加工误差数据和CAD面形深度图作为训练数据集;
步骤S3:构建加工误差重建模型,并利用训练数据集训练加工误差重建模型,得到训练后的加工误差重建模型;
步骤S4:采集真实加工误差数据,并将采集到的真实加工误差数据和CAD面形深度图作为测试数据集,利用测试数据集对训练后的加工误差重建模型进行验证,当训练后的加工误差重建模型符合预设要求时,则结束训练;当训练后的加工误差重建模型不符合预设要求时,则重复触发步骤S1至步骤S3,直至训练后的加工误差重建模型满足预设要求。
具体地,所述步骤S1采用:
步骤S1.1:生成用于仿真的加工目标曲面;
步骤S1.2:基于加工目标曲面进行加工路径规划,基于规划的加工路径进行仿真加工操作,得到仿真加工后的实际曲面;
步骤S1.3:基于仿真加工后的实际曲面和目标曲面的偏差得到初步的仿真加工误差。
具体地,所述步骤S1.1采用:选取4个边缘控制点,其高度设置为零;在平面上等间距地选取n2个加上了随机扰动的内部控制点,高度随机设置;将n2+4个点经过Matlab V4插值算法得到用于仿真加工的目标曲面。
具体地,所述步骤S1.2采用:在加工目标曲面面形基础上,采用沿对角线往复加工的方式求取出刀具中心点的运动曲面,插值离散化后得到若干条一维的加工路径;将加工路径输入到伺服仿真系统中,得到加工的运动轨迹;
所述伺服仿真系统的建模不考虑切削力、不考虑电机的静摩擦和迟滞摩擦、不考虑轴间运动耦合效应;所述伺服仿真系统控制模型采用的是带比例位置环、比例积分速度环和速度前馈的经典PID控制器。
具体地,所述步骤S2采用:
步骤S2.1:仿真加工误差数据使用空域滤波进行平滑处理;
步骤S2.2:使用z-score方法进行归一化和无标度化处理;
步骤S2.3:加入fBm噪声,用以模拟建模过程中未考虑到的因素所产生的加工误差,得到仿真加工误差数据,并将仿真加工误差数据作为训练数据集。
具体地,所述加工误差重建模型包括:双三次插值单元、混合预测器单元和注意力网络单元;
所述混合预测器单元是基于ResNet结构、利用卷积神经网络融合CAD面形和实际测量数据的加工误差重建,得到初步预测;
所述双三次插值单元是基于稀疏误差使用python中scipy.interpolate.griddata库函数,实现稠密的加工误差重建,得到插值预测;
所述注意力网络单元是基于混合预测器单元的初步预测、双三次插值单元的插值预测和插值过程中的采样掩膜,通过乘法运算,实现动态选择输出不同单元重建结果的功能。
具体地,通过Sigmoid运算和乘法运算,所述加工误差重建模型的综合重建结果为:
P=PhSigmoid(A)+Pc[1-Sigmoid(A)]
其中,Ph表示混合预测器的初步预测,Pc表示双三次插值的插值预测,A表示注意力网络的输出,P表示经过注意力网络综合混合预测器和双三次插值得到的综合结果。
具体地,所述步骤S3采用:在训练数据集中抽样,每个样本包括一个CAD面形深度图和一个仿真加工误差,所述仿真加工误差是以预设采样率进行随机采样,将CAD面形深度图和采样后的仿真加工误差输入混合预测器单元,在得到输出后,采用MSE Loss作为损失函数比较输出和未采样的仿真加工误差,对MSE Loss进行梯度反向传播训练,使用Adam优化器,得到已训练混合预测器单元;
固定已训练的混合预测器的参数,在训练数据集中抽样,每个样本包括一个CAD面形深度图和一个仿真加工误差,所述仿真加工误差是从[0,1]均匀分布中随机选取采样率对样本中的仿真加工误差进行随机采样;然后将CAD面形深度图和采样后的仿真加工误差输入加工误差重建模型;在得到输出后,使用MSE Loss作为损失函数比较输出和未采样的仿真加工误差,对MSE Loss进行梯度反向传播训练;采用Adam优化器进行训练,得到已训练加工误差重建模型。
具体地,所述步骤S 4采用:
测试数据集中的每组数据包括一个CAD面形深度图和一个真实加工误差,对真实加工误差采用[0,1]均匀分布随机采样率进行采样;将CAD面形深度图和采样后真实加工误差输入已训练加工误差重建模型,得到重建误差;使用RMSE和PV两个指标来评价重建误差,直至RMSE和PV两个指标满足预设要求;
PV(x,y)=maxi∈C|xi-yi|
其中,xi和yi分别表示未采样加工误差和重建误差,N是采样点的数量,C是采样点的集合。
实施例2
根据本发明提供的一种神经网络的铣削加工误差重建系统,如图1至4所示,包括:
模块1:加工数据集构建模块,生成仿真加工误差数据作为训练数据集,采集真实加工误差数据作为测试数据集。
模块2:混合预测器模块,融合CAD面形和稀疏加工误差,在低采样率情况(低于5%采样率)有良好的稠密加工误差重建精度。
模块3:加工误差重建模块,引入注意力网络,综合双三次插值和混合预测器模块,实现全采样率高精度的稠密加工误差重建。
模块4:训练模块,分为两阶段,在训练数据集上训练混合预测器模块和注意力网络。
模块5:推断模块,在测试数据集上验证方法。
所述模块1具体构建加工误差数据集的方式如下:
加工误差数据集包括两个部分:真实加工误差数据的仿真加工误差数据。
真实加工误差数据部分:对真实工件使用三坐标测量机,采取均匀网格、密集采样的方式进行测量,得到原始测量数据。对原始测量数据,通过control X软件初配准,再采用迭代最近点的点云配准方法,配准测量数据和工件的CAD模型。配准后以CAD模型曲面作为基准,计算出竖直方向的加工误差作为测试数据集。
仿真加工误差数据的生成包括三个模块:
模块1.1:生成用于仿真加工的目标曲面;
模块1.2:对加工目标曲面进行仿真加工操作;
模块1.3:后处理。
所述模块1.1具体操作为:选取4个边缘控制点,其高度设置为零。在平面上等间距地选取n2个加上了随机扰动的内部控制点,高度随机设置。将这n2+4个点经过Matlab V4插值算法可以得到用于仿真加工的目标曲面。
所述模块1.2具体可以分为3个模块:
模块1.2.1:加工路径规划。
在步骤1所得的加工目标曲面面形基础上,采用沿对角线往复加工的方式可以求取出刀具中心点的运动曲面,插值离散化后得到若干条一维的加工路径。
模块1.2.2:伺服仿真。
考虑到模型的泛用性和计算能力的限制,本专利对伺服仿真系统的建模不考虑切削力、不考虑电机的静摩擦和迟滞摩擦、不考虑轴间运动耦合等效应。伺服仿真系统控制模型采用的是带比例位置环、比例积分速度环和速度前馈的经典PID控制器。将步骤2.1得到的加工路径输入到上述的伺服仿真系统模型中,可以仿真得到加工的运动轨迹,即刀具中心点的运动轨迹。
模块1.2.3:刀具干涉误差生成。
根据加工刀具参数和步骤2.2得到的刀具中心点的运动轨迹,可以求取刀具切削刃所形成的包络面。该包络面即为目标曲面经过仿真加工后的实际曲面。通过对比实际曲面和目标曲面的偏差,可以得到初步的仿真加工误差。
所述模块1.3对模块1.2得到的初步仿真加工误差进行后处理操作。首先,使用空域滤波进行平滑处理。然后,使用z-score方法进行归一化和无标度化处理。最后,加入fBm噪声,用以模拟建模过程中未考虑到的因素所产生的加工误差。模块3操作后得到最终的仿真加工误差数据。
依次经过所述模块1.1和模块1.2,生成2500组初步的加工误差数据,再通过模块1.3中加入不同的fBm噪声,扩充20倍,得到的50000组数据作为训练数据集。
所述模块2,混合预测器模块是基于ResNet结构、利用卷积神经网络融合CAD面形和实际测量数据的加工误差重建模型。更具体地:
混合预测器的输入数据是,CAD面形和稀疏误差通过堆叠得到的特征图。在输入混合预测器前,需要采用相同的栅格化采样率,对CAD面形和稀疏误差进行栅格化操作,再进行堆叠操作。混合预测器包括1个预处理卷积层,16个残差块构成的残差网络和1个后处理卷积层。其中,预处理卷积层将输入的具有两个特征通道的特征图,提升至64通道以适配残差块结构;后处理卷积层,将残差网络输出降维至1个通道,从而和预测目标(即误差重建输出)具有相同尺寸。
所述模块3,加工误差重建模块更具体地:
在采样率比较低的情况下,混合预测器模块能够取得良好效果,优于双三次插值的方法;但随着采样率提高,混合预测器会受限于表达能力,此时双三次插值的方法能够比较好地重建稠密的加工误差。因此,本模块旨在综合混合预测器模块和双三次插值的方法,实现全采样率较高精度的加工误差重建。
加工误差重建模块包括:双三次插值单元、混合预测器模块和注意力网络。
双三次插值单元的输入数据是稀疏误差,使用python中scipy.interpolate.griddata库函数,实现稠密的加工误差重建。在双三次插值过程中,有采样的区域采样掩膜为1,没有采样的区域采样掩膜为0。
注意力网络是一个小型的残差网络,包含预处理卷积层,8块64通道的残差计算和后处理卷积层。注意力网络的输入是混合预测器模块的初步预测、双三次插值单元的插值预测和插值过程中的采样掩膜通过堆叠得到的三通道特征图。注意力网络通过乘法运算,实现了动态选择输出不同子模型重建结果的功能。
通过Sigmoid运算和乘法运算,加工误差重建模块的综合重建结果为:
P=PhSigmoid(A)+Pc[1-Sigmoid(A)]
其中,Ph表示混合预测器的初步预测,Pc表示双三次插值的插值预测,A表示注意力网络的输出,P表示经过注意力网络综合混合预测器和双三次插值得到的综合结果。
所述模块4,训练分为两个阶段:
第一阶段训练混合预测器模块。因为混合预测器用于采样率比较低的情况有良好效果,所以使用固定的低采样率。首先在训练数据集中抽样,每个样本包括一个CAD面形深度图和一个仿真加工误差,以1%采样率对仿真加工误差进行随机采样。然后将CAD面形深度图和采样后的仿真加工误差输入混合预测器模块。在得到输出后,采用MSE Loss作为损失函数来比较输出和未采样的仿真加工误差,然后对MSE Loss进行梯度反向传播训练。使用Adam优化器,得到已训练混合预测器。
第二阶段对注意力网络进行训练,此阶段需要固定已训练混合预测器的参数。首先在训练数据集中抽样,每个样本包括一个CAD面形深度图和一个仿真加工误差。为了保证模型在大范围变化的采样率上都有良好的重建效果,从[0,1]均匀分布中随机选取采样率对样本中的仿真加工误差进行随机采样。然后将CAD面形深度图和采样后的仿真加工误差输入加工误差重建模块。在得到输出后,使用MSE Loss作为损失函数比较输出和为采样的仿真加工误差,对MSE Loss进行梯度反向传播训练。采用Adam优化器进行训练,得到已训练模型。
所述模块5,将模块四中得到的已训练模型用于实际加工工件的测试数据集。测试数据集中的每组数据包括一个CAD面形深度图和一个真实加工误差,对真实加工误差采用[0,1]均匀分布随机采样率进行采样。将CAD面形深度图和采样后真实加工误差输入已训练模型,得到重建误差。
使用RMSE和PV两个指标来评价重建误差。
PV(x,y)=maxi∈C|xi-yi|
其中,xi和yi分别表示未采样加工误差和重建误差,N是采样点的数量,C是采样点的集合。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种神经网络的铣削加工误差重建方法,其特征在于,包括:
步骤S1:CAD面形深度图利用加工数据集构建模块生成初步的仿真加工误差数据;
步骤S2:对生成的仿真加工误差数据进行后处理操作,得到仿真加工误差数据,将仿真加工误差数据和CAD面形深度图作为训练数据集;
步骤S3:构建加工误差重建模型,并利用训练数据集训练加工误差重建模型,得到训练后的加工误差重建模型;
步骤S4:采集真实加工误差数据,并将采集到的真实加工误差数据和CAD面形深度图作为测试数据集,利用测试数据集对训练后的加工误差重建模型进行验证,当训练后的加工误差重建模型符合预设要求时,则结束训练;当训练后的加工误差重建模型不符合预设要求时,则重复触发步骤S1至步骤S3,直至训练后的加工误差重建模型满足预设要求。
2.根据权利要求1所述的神经网络的铣削加工误差重建方法,其特征在于,所述步骤S1采用:
步骤S1.1:生成用于仿真的加工目标曲面;
步骤S1.2:基于加工目标曲面进行加工路径规划,基于规划的加工路径进行仿真加工操作,得到仿真加工后的实际曲面;
步骤S1.3:基于仿真加工后的实际曲面和目标曲面的偏差得到初步的仿真加工误差。
3.根据权利要求2所述的神经网络的铣削加工误差重建方法,其特征在于,所述步骤S1.1采用:选取4个边缘控制点,其高度设置为零;在平面上等间距地选取n2个加上了随机扰动的内部控制点,高度随机设置;将n2+4个点经过Matlab V4插值算法得到用于仿真加工的目标曲面。
4.根据权利要求2所述的神经网络的铣削加工误差重建方法,其特征在于,所述步骤S1.2采用:在加工目标曲面面形基础上,采用沿对角线往复加工的方式求取出刀具中心点的运动曲面,插值离散化后得到若干条一维的加工路径;将加工路径输入到伺服仿真系统中,得到加工的运动轨迹;
所述伺服仿真系统的建模不考虑切削力、不考虑电机的静摩擦和迟滞摩擦、不考虑轴间运动耦合效应;所述伺服仿真系统控制模型采用的是带比例位置环、比例积分速度环和速度前馈的经典PID控制器。
5.根据权利要求1所述的神经网络的铣削加工误差重建方法,其特征在于,所述步骤S2采用:
步骤S2.1:仿真加工误差数据使用空域滤波进行平滑处理;
步骤S2.2:使用z-score方法进行归一化和无标度化处理;
步骤S2.3:加入fBm噪声,用以模拟建模过程中未考虑到的因素所产生的加工误差,得到仿真加工误差数据,并将仿真加工误差数据作为训练数据集。
6.根据权利要求1所述的神经网络的铣削加工误差重建方法,其特征在于,所述加工误差重建模型包括:双三次插值单元、混合预测器单元和注意力网络单元;
所述混合预测器单元是基于ResNet结构、利用卷积神经网络融合CAD面形和实际测量数据的加工误差重建,得到初步预测;
所述双三次插值单元是基于稀疏误差使用python中scipy.interpolate.griddata库函数,实现稠密的加工误差重建,得到插值预测;
所述注意力网络单元是基于混合预测器单元的初步预测、双三次插值单元的插值预测和插值过程中的采样掩膜,通过乘法运算,实现动态选择输出不同单元重建结果的功能。
7.根据权利要求1所述的神经网络的铣削加工误差重建方法,其特征在于,通过Sigmoid运算和乘法运算,所述加工误差重建模型的综合重建结果为:
P=PhSigmoid(A)+Pc[1-Sigmoid(A)]
其中,Ph表示混合预测器的初步预测,Pc表示双三次插值的插值预测,A表示注意力网络的输出,P表示经过注意力网络综合混合预测器和双三次插值得到的综合结果。
8.根据权利要求1所述的神经网络的铣削加工误差重建方法,其特征在于,所述步骤S3采用:在训练数据集中抽样,每个样本包括一个CAD面形深度图和一个仿真加工误差,所述仿真加工误差是以预设采样率进行随机采样,将CAD面形深度图和采样后的仿真加工误差输入混合预测器单元,在得到输出后,采用MSE Loss作为损失函数比较输出和未采样的仿真加工误差,对MSE Loss进行梯度反向传播训练,使用Adam优化器,得到已训练混合预测器单元;
固定已训练的混合预测器的参数,在训练数据集中抽样,每个样本包括一个CAD面形深度图和一个仿真加工误差,所述仿真加工误差是从[0,1]均匀分布中随机选取采样率对样本中的仿真加工误差进行随机采样;然后将CAD面形深度图和采样后的仿真加工误差输入加工误差重建模型;在得到输出后,使用MSE Loss作为损失函数比较输出和未采样的仿真加工误差,对MSE Loss进行梯度反向传播训练;采用Adam优化器进行训练,得到已训练加工误差重建模型。
10.一种神经网络的铣削加工误差重建系统,其特征在于,包括:
模块M1:CAD面形深度图利用加工数据集构建模块生成初步的仿真加工误差数据;
模块M2:对生成的仿真加工误差数据进行后处理操作,得到仿真加工误差数据,将仿真加工误差数据和CAD面形深度图作为训练数据集;
模块M3:构建加工误差重建模型,并利用训练数据集训练加工误差重建模型,得到训练后的加工误差重建模型;
模块M4:采集真实加工误差数据,并将采集到的真实加工误差数据和CAD面形深度图作为测试数据集,利用测试数据集对训练后的加工误差重建模型进行验证,当训练后的加工误差重建模型符合预设要求时,则结束训练;当训练后的加工误差重建模型不符合预设要求时,则重复触发模块M1至模块M3,直至训练后的加工误差重建模型满足预设要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211606842.2A CN115859521A (zh) | 2022-12-14 | 2022-12-14 | 基于神经网络的铣削加工误差重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211606842.2A CN115859521A (zh) | 2022-12-14 | 2022-12-14 | 基于神经网络的铣削加工误差重建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115859521A true CN115859521A (zh) | 2023-03-28 |
Family
ID=85672873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211606842.2A Pending CN115859521A (zh) | 2022-12-14 | 2022-12-14 | 基于神经网络的铣削加工误差重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859521A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401794A (zh) * | 2023-06-09 | 2023-07-07 | 四川大学 | 基于注意力引导的深度点云配准的叶片三维精确重建方法 |
-
2022
- 2022-12-14 CN CN202211606842.2A patent/CN115859521A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401794A (zh) * | 2023-06-09 | 2023-07-07 | 四川大学 | 基于注意力引导的深度点云配准的叶片三维精确重建方法 |
CN116401794B (zh) * | 2023-06-09 | 2023-08-15 | 四川大学 | 基于注意力引导的深度点云配准的叶片三维精确重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111221312B (zh) | 机器人在生产线的优化方法、系统及在数字孪生的应用 | |
Thirumalainambi et al. | Training data requirement for a neural network to predict aerodynamic coefficients | |
CN109885916B (zh) | 一种基于lssvm的混合试验在线模型更新方法 | |
CN112327903B (zh) | 一种基于深度混合密度网络的航空器轨迹生成方法 | |
CN105893669A (zh) | 一种基于数据挖掘的全局仿真性能预测方法 | |
Sieger et al. | A comprehensive comparison of shape deformation methods in evolutionary design optimization | |
Hutchinson et al. | Vector-valued Gaussian processes on Riemannian manifolds via gauge independent projected kernels | |
CN115859521A (zh) | 基于神经网络的铣削加工误差重建方法及系统 | |
JP2023544175A (ja) | メッシュ表現およびグラフニューラルネットワークを使用した物理的環境のシミュレーション | |
CN110007617B (zh) | 一种飞行器半实物仿真系统的不确定度传递分析方法 | |
Li et al. | Integrating preventive maintenance planning and production scheduling under reentrant job shop | |
Parhizkar et al. | Guided probabilistic simulation of complex systems toward rare and extreme events | |
CN104951798A (zh) | 基于emd的lssvm非平稳脉动风速预测方法 | |
CN114036631A (zh) | 一种基于强化学习的航天器自主交会对接制导策略生成方法 | |
CN110676852B (zh) | 考虑潮流特征的改进极限学习机快速概率潮流计算方法 | |
CN112232565A (zh) | 基于两阶段的时间序列预测方法、预测系统、终端及介质 | |
Lim et al. | Evolutionary optimization with dynamic fidelity computational models | |
Chao et al. | Dictionary-based fidelity measure for virtual traffic | |
Ong et al. | Machine learning for human design: Sketch interface for structural morphology ideation using neural networks | |
CN115828441A (zh) | 基于条件生成对抗网络的风机出力场景生成和缩减方法 | |
Mosavi | On engineering optimization the splined profiles | |
CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 | |
Inci | Adaptive co-simulation framework exploiting system physics of mechatronic systems | |
Ülker et al. | Gravitational Search Algorithm for NURBS Curve Fitting | |
Bohlmann et al. | Analysis Of Different Search Metrics Used In Multi-Agent-Based Identification Environment. |
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 |