CN116383997A - 一种基于数字孪生的大型数控龙门铣床加工精度预测方法 - Google Patents
一种基于数字孪生的大型数控龙门铣床加工精度预测方法 Download PDFInfo
- Publication number
- CN116383997A CN116383997A CN202310328207.0A CN202310328207A CN116383997A CN 116383997 A CN116383997 A CN 116383997A CN 202310328207 A CN202310328207 A CN 202310328207A CN 116383997 A CN116383997 A CN 116383997A
- Authority
- CN
- China
- Prior art keywords
- model
- milling machine
- planer
- workpiece
- type milling
- 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
- 238000003801 milling Methods 0.000 title claims abstract description 136
- 238000003754 machining Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013461 design Methods 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000009877 rendering Methods 0.000 claims description 22
- 239000000463 material Substances 0.000 claims description 21
- 238000005520 cutting process Methods 0.000 claims description 18
- 238000011158 quantitative evaluation Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 239000008187 granular material Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004040 coloring Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于数字孪生的大型数控龙门铣床加工精度预测方法,首先获取零件表面离散点云数据集;其次采用离散小波分析对获取的离散点云数据进行多尺度滤波处理与分解重构,提取和分离不同尺度下的几何误差成分,获得关键零部件表面误差形貌,建立其零部件的肤面模型;然后,在Unity3D中完成龙门铣床模型装配并在其环境下开发虚拟仿真系统,实现基于数字孪生的数控龙门铣床虚拟交互平台;最后通过建立的数字孪生数控龙门铣床模型在开发的虚拟仿真系统中完成仿真实验并预测数控龙门铣床加工精度。本发明提供的基于数字孪生的加工精度预测方法在龙门铣床初始设计阶段为解决龙门铣床关键零部件的公差设计问题提供了技术支撑。
Description
技术领域
本发明涉及龙门铣床精度设计,特别是一种基于数字孪生的大型数控龙门铣床加工精度预测方法。
背景技术
数控龙门铣床作为工业母机,是现代制造业的关键设备,广泛应用于加工、制造、装配等领域。数字孪生技术是指结合新兴的信息技术,以数字孪生体为核心,以虚实交互为目的,将物理实体进行全面映射。通过在信息空间中构建物理实体的虚拟模型,利用传感器、历史数据等,反映其组成、功能、行为、特征,从而可以对其性能进行精确预测。
大型数控龙门铣床是适应于大型、重型工件且高速铣削的五轴双摆头(回转轴、摆动轴)龙门铣床。作为一种大型数控龙门铣床,其加工行程长,龙门跨度大,在不移动工件下能实现复杂的数控加工。然而,因其行程长、跨度大、高速铣削等因素影响,横梁在重力作用下易变形,会导致龙门铣床各部件之间的位置关系发生变化,严重影响加工精度。
在数控龙门铣床初始设计阶段,其精度的保障主要来源于关键零部件公差设计。传统的公差设计多是基于经验法,这种凭借经验法进行的公差设计,存在一定的设计盲目性,得到的公差数值误差大、生产成本高且忽略了零部件间的关联要求,不能满足龙门铣床的设计要求,甚至会造成龙门铣床关键零部件极高的公差精度要求和极高的生产成本,而最终龙门铣床加工精度却不能得到保证的问题。因此,如何在龙门铣床初始设计阶段,就能够预测所设计的龙门铣床关键零部件公差精度是否合适、公差精度参数最终会对加工精度产生何种影响,是目前龙门铣床初始设计中亟需解决的问题。
本发明提供了一种基于数字孪生的大型数控龙门铣床加工精度预测方法,通过建立基于数字孪生技术的数控龙门铣床虚拟模型,这样能够更加直观的反应龙门铣床仿真过程,使用数字孪生来虚拟仿真并对比验证数控龙门铣床加工精度,在龙门铣床初始设计阶段解决龙门铣床关键零部件的公差精度设计问题。
发明内容
针对现有技术的不足,本发明提供了一种基于数字孪生的大型数控龙门铣床加工精度预测方法,具体包括如下步骤:
S1、确定龙门铣床关键零部件模型。根据五轴联动横梁移动式龙门铣床拓扑结构,确定其关键零部件,最后针对龙门铣床的X、Y、Z三个平动轴和A、C两个旋转轴进行零部件的建模。
S2、根据龙门铣床关键零部件表面误差形貌,生成满足几何公差要求的肤面模型,并完成肤面模型的量化评估。
S3、对完成量化评估后的肤面模型进行模型渲染。
将模型保存为STL格式,将导出的STL文件格式在3d Max软件中打开,对模型进行渲染。在3d Max中完成对同一模型不同表面的渲染,实现三维模型渲染无限接近实际龙门铣床。
S4、三维模型装配。根据拓扑关系在Unity3D中完成五轴龙门铣床模型装配,在3dMax中把渲染模型转化为Unity3D可以识别的FBX格式,再导入Unity3D软件中完成五轴龙门铣床模型装配。
S5、导入加工要素。刀具建立利用通用建模和外部导入两种方式。工件未加工前称作毛坯,其形状多为规则几何体,通过NX12.0软件绘制工件三维模型,再转换为通用格式导入Unity3D中构建。之后输入刀具和工件的相关信息:编号、名称、材料、属性等,便于对刀具和工件信息进行分类管理。
S6、建立数字孪生数控龙门铣床模型。选择Windows 10系统作为开发平台,以Visual Studio 2017作为集成开发环境,以Python、高级着色语言GLSL作为编程语言,实现基于数字孪生的数控龙门铣床虚拟交互系统。
S7、龙门铣床仿真加工精度预测。通过上述Unity3D下开发的虚拟仿真系统,通过建立的数字孪生数控龙门铣床模型完成虚拟仿真实验并验证数控龙门铣床加工精度。
S8、检测加工工件精度。
S9、龙门铣床加工精度检测。
进一步地,步骤S2具体为:
S2.1、采集龙门铣床关键零部件表面误差形貌,通过双目摄像机对龙门铣床关键零部件的特征表面进行扫描,将扫描得到原始离散点云数据进行预处理后以获取龙门铣床关键零部件表面离散点云数据集。采用离散小波分析实现对获取的离散点云数据进行多尺度滤波处理与分解重构,得到数据波形的傅里叶级数:
f(x)为龙门铣床关键零部件表面误差形貌;t为龙门铣床关键零部件的精度参数;n为傅里叶级数的阶数;λ表示波长;x为数据点变量。
进而提取和分离不同尺度下的几何误差成分,获得关键零部件表面误差形貌。
S2.2、根据关键零部件表面误差形貌,建立龙门铣床零部件的肤面模型,该模型包括了龙门铣床零部件的尺寸信息和表面几何误差。采用NX12.0软件建立龙门铣床零部件的理想模型,该模型在形状和尺寸上都是完美理想龙门铣床零部件模型。
S2.3、离散操作,在理想龙门铣床零部件模型表面进行网格划分。采用NX12.0软件内置的细分算法来创建边界,通过表面网格来表示实体模型。
S2.4、分离操作,识别并分离出零部件的特征面,得到理想表面的离散模型。
S2.5、细分操作,采用三角形的插值细分算法对模型进行新的网格细分,插入新的顶点,不断细化新的网格,使网格表面无限接近实际模型,得到离散非理想模型。
S2.6、拟合肤面模型。将得到的离散非理想模型导入Geomagic Studio中,生成满足几何公差要求的肤面模型。
S2.7、肤面模型的量化评估。构建融合关键零部件离散点云数据的肤面模型量化评估指标QE,该评估指标的表达式为:
其中,si,j为数据参数Xri,j和模型预测参数Xi,j的差与模型预测参数Xi,j的商,则si,j可写为:
以上式所示的零部件量化评估指标最小为优化依据,融合基于Nelder-MeadAlgorithm的非线性无约束优化算法fminsearch(·)和零部件数据,实现零部件特性量化评估指标QE的最小搜索,从而完成肤面模型的量化评估。
进一步地,步骤S3具体为:
S3.1、在3d Max中设置材质,新建一个材质球并选择多维。
S3.2、设置子材质数量和颜色,使渲染效果更加接近物理龙门铣床,通过3d Max中的屏幕颜色采集功能对模型进行颜色提取,以此完成对所有子材质的设置。
S3.3、将材质球赋予所要渲染的模型,将模型不同颜色的表面设置与材质球的颜色相对应,实现同一模型不同表面的渲染。
进一步地,步骤S8具体为:
工件模型通过颗粒体的形式表达,工件加工精度为工件模型颗粒体实际切削量与标准切削量的偏差。设dN为加工工件标准切削量,dn为工件模型颗粒体实际切削量,ε为工件标准加工精度要求,则加工工件精度可表示为:
e=dn-dN
当e1=dn-dN≤0时,则表示加工工件欠切,e1代表工件欠切的偏差量;
当e2=dn-dN≥0时,则表示加工工件过切,e1代表工件过切的偏差量。
如果|e|≤ε,则满足工件加工精度要求。
S8.1、将工件标准样件作为模板通过扫描仪扫描,导入系统模板库中作为工件标准模板。
S8.2、对工件模型的加工区域进行网格划分,采用微型颗粒体进行填充,用颗粒体切除量替代工件切削量。
S8.3、最后,将处理后的工件模型与扫描标准模板进行对比,根据两者的差值大小判断工件的加工精度。
进一步地,步骤S9具体为:
S9.1、首先检测装配偏差是否满足龙门铣床装配精度要求,创建装配精度状态函数为:
g=I-E
式中,;I为装配精度允许的最大误差;E为装配精度要求参数;g为装配精度的状态函数,可通过判断g的值是否大于0来确定装配精度。当g=I-E≥0时,满足龙门铣床装配精度要求。
若不满足龙门铣床装配精度要求,则重新对龙门铣床装配工艺进行优化。
S9.2、若满足龙门铣床装配精度要求,则返回采集龙门铣床关键零部件表面误差形貌。重新建立其关键零部件的肤面模型,继续进行下一步步骤直至满足加工精度要求。
S9.3、若满足加工精度要求,则结束龙门铣床加工精度预测设计方案。
相对于现有技术,本申请具有如下有益效果:
第一、本发明通过构建基于数字孪生技术的数控龙门铣床虚拟模型,为工程师们可以在龙门铣床的初始设计和转型升级阶段优化龙门铣床关键零部件模型、完成龙门铣床加工精度的定量分析与预测,从而有助于了解龙门铣床在不同状况下的运动状态,缩短龙门铣床开发周期,确保龙门铣床在最低的生产成本的前提下,达到高的精度指标。
第二、本发明提供的数字孪生数控龙门铣床模型构建技术可实现虚拟空间测试系统龙门铣床模型的构建与其关键零部件表面误差形貌的偏差修正。
第三、本发明改变了当前龙门铣床精度经验设计方法的依赖,实现了以较低的生产成本投入和可靠的龙门铣床加工精度,能提前把握龙门铣床制造企业的智能装备运行状况,对于大幅削减企业运维成本、提升工作效率,不断优化产品质量,增加企业在经济市场中的竞争力有非常重要的意义。
附图说明
图1为本发明的流程图。
图2为本发明五轴龙门铣床拓扑结构运动链。
图3为本发明肤面模型示意图。
图4为本发明五轴龙门铣床结构装配示意图。
图5为本发明S型工件示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。
一种基于数字孪生的大型数控龙门铣床加工精度预测方法。具体包括如下步骤:
S1、确定龙门铣床关键零部件模型。根据五轴联动横梁移动式龙门铣床拓扑结构(如图2所示),确定其关键零部件,最后针对龙门铣床的X、Y、Z三个平动轴和A、C两个旋转轴进行零部件的建模。
S2、根据龙门铣床关键零部件表面误差形貌,生成满足几何公差要求的肤面模型,并完成肤面模型的量化评估(如图3所示)。
S2.1、采集龙门铣床关键零部件表面误差形貌,通过双目摄像机对龙门铣床关键零部件的特征表面进行扫描,将扫描得到原始离散点云数据进行预处理后以获取龙门铣床关键零部件表面离散点云数据集。采用离散小波分析实现对获取的离散点云数据进行多尺度滤波处理与分解重构,得到数据波形的傅里叶级数:
f(x)为龙门铣床关键零部件表面误差形貌;t为龙门铣床关键零部件的精度参数;n为傅里叶级数的阶数;λ表示波长;x为数据点变量。
进而提取和分离不同尺度下的几何误差成分,获得关键零部件表面误差形貌。
S2.2、根据关键零部件表面误差形貌,建立龙门铣床零部件的肤面模型,该模型包括了龙门铣床零部件的尺寸信息和表面几何误差。采用NX12.0软件建立龙门铣床零部件的理想模型,该模型在形状和尺寸上都是完美理想龙门铣床零部件模型。
S2.3、离散操作,在理想龙门铣床零部件模型表面进行网格划分。采用NX12.0软件内置的细分算法来创建边界,通过表面网格来表示实体模型。
S2.4、分离操作,识别并分离出零部件的特征面,得到理想表面的离散模型。
S2.5、细分操作,采用三角形的插值细分算法对模型进行新的网格细分,插入新的顶点,不断细化新的网格,使网格表面无限接近实际模型,得到离散非理想模型。
S2.6、拟合肤面模型。将得到的离散非理想模型导入Geomagic Studio中,生成满足几何公差要求的肤面模型。
S2.7、肤面模型的量化评估。构建融合关键零部件离散点云数据的肤面模型量化评估指标QE,该评估指标的表达式为:
其中,si,j为数据参数Xri,j和模型预测参数Xi,j的差与模型预测参数Xi,j的商,则si,j可写为:
以上式所示的零部件量化评估指标最小为优化依据,融合基于Nelder-MeadAlgorithm的非线性无约束优化算法fminsearch(·)和零部件数据,实现零部件特性量化评估指标QE的最小搜索,从而完成肤面模型的量化评估。
S3、对完成量化评估后的肤面模型进行模型渲染。
将模型保存为STL格式,将导出的STL文件格式在3d Max软件中打开,对模型进行渲染。在3d Max中完成对同一模型不同表面的渲染,实现三维模型渲染无限接近实际龙门铣床。
S3.1、在3d Max中设置材质,新建一个材质球并选择多维。
S3.2、设置子材质数量和颜色,使渲染效果更加接近物理龙门铣床,通过3d Max中的屏幕颜色采集功能对模型进行颜色提取,以此完成对所有子材质的设置。
S3.3、将材质球赋予所要渲染的模型,将模型不同颜色的表面设置与材质球的颜色相对应,实现同一模型不同表面的渲染。
S4、三维模型装配。根据拓扑关系在Unity3D中完成五轴龙门铣床模型装配,在3dMax中把渲染模型转化为Unity3D可以识别的FBX格式,再导入Unity3D软件中完成五轴龙门铣床模型装配(如图4所示)。
S5、导入加工要素。刀具和工件是龙门铣床加工活动中的关键部件,为尽可能逼真地映射龙门铣床加工过程,需要建立刀具和工件的实例库。刀具建立利用通用建模和外部导入两种方式。工件未加工前称作毛坯,其形状多为规则几何体,通过NX12.0软件绘制工件三维模型,再转换为通用格式导入Unity3D中构建。之后输入刀具和工件的相关信息:编号、名称、材料、属性等,便于对刀具和工件信息进行分类管理。
S6、建立数字孪生数控龙门铣床模型。确定Unity3D作为虚拟仿真系统的基础开发软件,在Unity3D的环境下开发虚拟仿真系统。确定OpenGL可编程管线作为数控龙门铣床虚拟仿真系统的基础开发工具,OpenGL作为开放性图形的标准,具有强大的三维图形处理能力,可以实现渲染、三维实时动画、图形绘制等技术。OpenGL可编程管线可以灵活的使用GPU加速,对提高数控龙门铣床虚拟交互系统客户端有极大的帮助。
选择Windows 10系统作为开发平台,以Visual Studio 2017作为集成开发环境,以Python、高级着色语言GLSL作为编程语言,实现基于数字孪生的数控龙门铣床虚拟交互系统。
S7、龙门铣床仿真加工精度预测。通过上述Unity3D下开发的虚拟仿真系统,通过建立的数字孪生数控龙门铣床模型完成虚拟仿真实验并验证数控龙门铣床加工精度。
S8、检测加工工件精度。
工件模型通过颗粒体的形式表达,工件加工精度为工件模型颗粒体实际切削量与标准切削量的偏差。设dN为加工工件标准切削量,dn为工件模型颗粒体实际切削量,ε为工件标准加工精度要求,则加工工件精度可表示为:
e=dn-dN
当e1=dn-dN≤0时,则表示加工工件欠切,e1代表工件欠切的偏差量;
当e2=dn-dN≥0时,则表示加工工件过切,e1代表工件过切的偏差量。
如果|e|≤ε,则满足工件加工精度要求。
S8.1、将工件标准样件作为模板通过扫描仪扫描,导入系统模板库中作为工件标准模板。
S8.2、对工件模型的加工区域进行网格划分,采用微型颗粒体进行填充,用颗粒体切除量替代工件切削量(如图5所示)。
S8.3、最后,将处理后的工件模型与扫描标准模板进行对比,根据两者的差值大小判断工件的加工精度。
S9、龙门铣床加工精度检测。
S9.1、首先检测装配偏差是否满足龙门铣床装配精度要求,创建装配精度状态函数为:
g=I-E
式中,;I为装配精度允许的最大误差;E为装配精度要求参数;g为装配精度的状态函数,可通过判断g的值是否大于0来确定装配精度。当g=I-E≥0时,满足龙门铣床装配精度要求。
若不满足龙门铣床装配精度要求,则重新对龙门铣床装配工艺进行优化。
S9.2、若满足龙门铣床装配精度要求,则返回采集龙门铣床关键零部件表面误差形貌。重新建立其关键零部件的肤面模型,继续进行下一步步骤直至满足加工精度要求。
S9.3、若满足加工精度要求,则结束龙门铣床加工精度预测设计方案。
本发明的实施例公布的是较佳的实施例,但并不局限于此,本领域的普通技术人员,极易根据上述实施例,领会本发明的精神,并做出不同的引申和变化,但只要不脱离本发明的精神,都在本发明的保护范围内。
Claims (5)
1.一种基于数字孪生的大型数控龙门铣床加工精度预测方法,其特征在于,包括如下步骤:
S1、确定龙门铣床关键零部件模型;根据五轴联动横梁移动式龙门铣床拓扑结构,确定其关键零部件,最后针对龙门铣床的X、Y、Z三个平动轴和A、C两个旋转轴进行零部件的建模;
S2、根据龙门铣床关键零部件表面误差形貌,生成满足几何公差要求的肤面模型,并完成肤面模型的量化评估;
S3、对完成量化评估后的肤面模型进行模型渲染;
将模型保存为STL格式,将导出的STL文件格式在3d Max软件中打开,对模型进行渲染;在3d Max中完成对同一模型不同表面的渲染,实现三维模型渲染无限接近实际龙门铣床;
S4、三维模型装配;根据拓扑关系在Unity3D中完成五轴龙门铣床模型装配,在3d Max中把渲染模型转化为Unity3D可以识别的FBX格式,再导入Unity3D软件中完成五轴龙门铣床模型装配;
S5、导入加工要素;刀具建立利用通用建模和外部导入两种方式;工件未加工前称作毛坯,其形状多为规则几何体,通过NX12.0软件绘制工件三维模型,再转换为通用格式导入Unity3D中构建;之后输入刀具和工件的相关信息:编号、名称、材料、属性等,便于对刀具和工件信息进行分类管理;
S6、建立数字孪生数控龙门铣床模型;选择Windows 10系统作为开发平台,以VisualStudio 2017作为集成开发环境,以Python、高级着色语言GLSL作为编程语言,实现基于数字孪生的数控龙门铣床虚拟交互系统;
S7、龙门铣床仿真加工精度预测;通过上述Unity3D下开发的虚拟仿真系统,通过建立的数字孪生数控龙门铣床模型完成虚拟仿真实验并验证数控龙门铣床加工精度;
S8、检测加工工件精度;
S9、龙门铣床加工精度检测。
2.如权利要求1所述的预测方法,其特征在于,步骤S2具体为:
S2.1、采集龙门铣床关键零部件表面误差形貌,通过双目摄像机对龙门铣床关键零部件的特征表面进行扫描,将扫描得到原始离散点云数据进行预处理后以获取龙门铣床关键零部件表面离散点云数据集;采用离散小波分析实现对获取的离散点云数据进行多尺度滤波处理与分解重构,得到数据波形的傅里叶级数:
f(x)为龙门铣床关键零部件表面误差形貌;t为龙门铣床关键零部件的精度参数;n为傅里叶级数的阶数;λ表示波长;x为数据点变量;
进而提取和分离不同尺度下的几何误差成分,获得关键零部件表面误差形貌;
S2.2、根据关键零部件表面误差形貌,建立龙门铣床零部件的肤面模型,该模型包括了龙门铣床零部件的尺寸信息和表面几何误差;采用NX12.0软件建立龙门铣床零部件的理想模型,该模型在形状和尺寸上都是完美理想龙门铣床零部件模型;
S2.3、离散操作,在理想龙门铣床零部件模型表面进行网格划分;采用NX12.0软件内置的细分算法来创建边界,通过表面网格来表示实体模型;
S2.4、分离操作,识别并分离出零部件的特征面,得到理想表面的离散模型;
S2.5、细分操作,采用三角形的插值细分算法对模型进行新的网格细分,插入新的顶点,不断细化新的网格,使网格表面无限接近实际模型,得到离散非理想模型;
S2.6、拟合肤面模型;将得到的离散非理想模型导入Geomagic Studio中,生成满足几何公差要求的肤面模型;
S2.7、肤面模型的量化评估;构建融合关键零部件离散点云数据的肤面模型量化评估指标QE,该评估指标的表达式为:
其中,si,j为数据参数Xri,j和模型预测参数Xi,j的差与模型预测参数Xi,j的商,则si,j可写为:
以上式所示的零部件量化评估指标最小为优化依据,融合基于Nelder-MeadAlgorithm的非线性无约束优化算法fminsearch(·)和零部件数据,实现零部件特性量化评估指标QE的最小搜索,从而完成肤面模型的量化评估。
3.如权利要求1所述的预测方法,其特征在于,步骤S3具体为:
S3.1、在3d Max中设置材质,新建一个材质球并选择多维;
S3.2、设置子材质数量和颜色,使渲染效果更加接近物理龙门铣床,通过3d Max中的屏幕颜色采集功能对模型进行颜色提取,以此完成对所有子材质的设置;
S3.3、将材质球赋予所要渲染的模型,将模型不同颜色的表面设置与材质球的颜色相对应,实现同一模型不同表面的渲染。
4.如权利要求1所述的预测方法,其特征在于,步骤S8具体为:
工件模型通过颗粒体的形式表达,工件加工精度为工件模型颗粒体实际切削量与标准切削量的偏差;设dN为加工工件标准切削量,dn为工件模型颗粒体实际切削量,ε为工件标准加工精度要求,则加工工件精度可表示为:
e=dn-dN
当e1=dn-dN≤0时,则表示加工工件欠切,e1代表工件欠切的偏差量;
当e2=dn-dN≥0时,则表示加工工件过切,e1代表工件过切的偏差量;
如果|e|≤ε,则满足工件加工精度要求;
S8.1、将工件标准样件作为模板通过扫描仪扫描,导入系统模板库中作为工件标准模板;
S8.2、对工件模型的加工区域进行网格划分,采用微型颗粒体进行填充,用颗粒体切除量替代工件切削量(如图5所示);
S8.3、最后,将处理后的工件模型与扫描标准模板进行对比,根据两者的差值大小判断工件的加工精度。
5.如权利要求1所述的预测方法,其特征在于,步骤S9具体为:
S9.1、首先检测装配偏差是否满足龙门铣床装配精度要求,创建装配精度状态函数为:
g=I-E
式中,;I为装配精度允许的最大误差;E为装配精度要求参数;g为装配精度的状态函数,可通过判断g的值是否大于0来确定装配精度;当g=I-E≥0时,满足龙门铣床装配精度要求;
若不满足龙门铣床装配精度要求,则重新对龙门铣床装配工艺进行优化;
S9.2、若满足龙门铣床装配精度要求,则返回采集龙门铣床关键零部件表面误差形貌;重新建立其关键零部件的肤面模型,继续进行下一步步骤直至满足加工精度要求;
S9.3、若满足加工精度要求,则结束龙门铣床加工精度预测设计方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310328207.0A CN116383997B (zh) | 2023-03-30 | 2023-03-30 | 一种基于数字孪生的大型数控龙门铣床加工精度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310328207.0A CN116383997B (zh) | 2023-03-30 | 2023-03-30 | 一种基于数字孪生的大型数控龙门铣床加工精度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116383997A true CN116383997A (zh) | 2023-07-04 |
CN116383997B CN116383997B (zh) | 2024-06-14 |
Family
ID=86968809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310328207.0A Active CN116383997B (zh) | 2023-03-30 | 2023-03-30 | 一种基于数字孪生的大型数控龙门铣床加工精度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383997B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252901A (zh) * | 2023-10-24 | 2023-12-19 | 郑州轻工业大学 | 一种基于数字孪生的多轴数控机床安全生产预测预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113946922A (zh) * | 2021-11-08 | 2022-01-18 | 西安交通大学 | 一种五轴联动铣削过程的动力学集成建模和加工精度预测方法 |
CN113985812A (zh) * | 2021-10-19 | 2022-01-28 | 安徽科技学院 | 一种多轴数控机床加工误差预报方法 |
CN115099102A (zh) * | 2022-06-30 | 2022-09-23 | 西安交通大学 | 一种融合肤面模型与有限元的精密机械精度建模方法 |
-
2023
- 2023-03-30 CN CN202310328207.0A patent/CN116383997B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985812A (zh) * | 2021-10-19 | 2022-01-28 | 安徽科技学院 | 一种多轴数控机床加工误差预报方法 |
CN113946922A (zh) * | 2021-11-08 | 2022-01-18 | 西安交通大学 | 一种五轴联动铣削过程的动力学集成建模和加工精度预测方法 |
CN115099102A (zh) * | 2022-06-30 | 2022-09-23 | 西安交通大学 | 一种融合肤面模型与有限元的精密机械精度建模方法 |
Non-Patent Citations (1)
Title |
---|
王庆;落海伟;陈宁;张泽;赵红杰;: "数控5轴龙门机床的虚拟加工系统开发", 组合机床与自动化加工技术, no. 03, 20 March 2020 (2020-03-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252901A (zh) * | 2023-10-24 | 2023-12-19 | 郑州轻工业大学 | 一种基于数字孪生的多轴数控机床安全生产预测预警方法 |
CN117252901B (zh) * | 2023-10-24 | 2024-06-25 | 郑州轻工业大学 | 一种基于数字孪生的多轴数控机床安全生产预测预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116383997B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615113B (zh) | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 | |
US20210004369A1 (en) | Systems and methods for searching a machining knowledge database | |
CN110900307B (zh) | 一种数字孪生驱动的数控机床刀具监控系统 | |
Kadir et al. | Towards high-fidelity machining simulation | |
Rauch et al. | An advanced STEP-NC controller for intelligent machining processes | |
CN102528555B (zh) | 复杂曲面无干涉刀路的几何与力学集成优化信息处理方法 | |
Um et al. | STEP-NC compliant process planning of additive manufacturing: remanufacturing | |
Ahmad et al. | Current trend in computer aided process planning | |
CN116383997B (zh) | 一种基于数字孪生的大型数控龙门铣床加工精度预测方法 | |
CN113496064B (zh) | 一种数控机床直线度的补偿调整方法 | |
Sun et al. | Machining cycle time prediction: Data-driven modelling of machine tool feedrate behavior with neural networks | |
CN111353241A (zh) | 一种基于g代码的数学建模方法及应用 | |
CN115562167A (zh) | 一种数字孪生数控机床运行能耗监控系统 | |
Brecher et al. | Evaluation of toolpath quality: User-assisted CAM for complex milling processes | |
Wei et al. | Manufacturing data-driven process adaptive design method | |
Plakhotnik et al. | Framework for coupled digital twins in digital machining | |
Zhang et al. | Architecture design of intelligent assembly system based on complex system | |
Belal et al. | Reverse engineering of a physical windmill sail and manufacturing the curving sail die in CAD/CAM system | |
CN111723446B (zh) | 铝合金薄壁件铣削过程的有限元仿真方法 | |
Zhu et al. | Designing the machining process for transmission shaft components in the context of intelligent manufacturing empowerment | |
Wei et al. | Cad integration of mechanical numerical control board parts based on machining features | |
Zhang et al. | Machining simulation–a technical review and a proposed concept model | |
Liu et al. | INC: a new philosophy of CNC | |
CN118528072A (zh) | 基于数字孪生技术的刀具加工状态实时交互与监测方法 | |
Liu et al. | A study on multi-factor geometry-physical modeling and simulation in machine tool cutting processes |
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 |