CN116954155A - 数控加工零件表面质量调控方法、装置、设备及介质 - Google Patents
数控加工零件表面质量调控方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116954155A CN116954155A CN202311081107.9A CN202311081107A CN116954155A CN 116954155 A CN116954155 A CN 116954155A CN 202311081107 A CN202311081107 A CN 202311081107A CN 116954155 A CN116954155 A CN 116954155A
- Authority
- CN
- China
- Prior art keywords
- surface quality
- adjustable range
- glossiness
- preset
- surface roughness
- 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
- 238000003754 machining Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000001276 controlling effect Effects 0.000 title claims abstract description 19
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 18
- 230000003746 surface roughness Effects 0.000 claims abstract description 90
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 41
- 238000003908 quality control method Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000000227 grinding Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 1
- 229910010271 silicon carbide Inorganic materials 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
Classifications
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4083—Adapting programme, configuration
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35356—Data handling
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及制造技术领域,特别涉及一种数控加工零件表面质量调控方法、装置、设备及介质,其中,方法包括:以表面粗糙度和光泽度表征零件表面质量,生成零件数据集;利用零件数据集对预设神经网络进行训练,以构建表面质量关联模型;将预设零件加工深度可调范围输入表面质量关联模型中,以计算零件表面质量综合指标可调范围;根据预设零件实际加工需求和零件表面质量综合指标可调范围对零件实际加工深度进行调整,从而实现对零件表面质量的调控,获得期望的零件表面质量。由此,解决了数控加工过程中零件表面质量难以调控等问题。
Description
技术领域
本发明涉及制造技术领域,特别涉及一种数控加工零件表面质量调控方法、装置、设备及介质。
背景技术
表面质量包括表面粗糙度和表面光泽度,是衡量车削、铣削、磨削等数控加工效果的重要指标,直接影响零件的服役性能,如耐磨性、耐腐蚀性、抗疲劳性等,因此,数控加工必须满足表面质量要求。
表面质量与加工工艺参数,尤其是加工深度密切相关,通过调整工艺参数,可以获得不同的表面质量,但是在实际数控加工过程中,零件表面质量调控存在如下几个方面的问题:
(1)加工工艺参数和表面质量间存在强非线性关系,描述工艺参数、零件初始表面质量和数控加工后零件表面质量间的关联关系十分困难;
(2)表面质量包含表面粗糙度和光泽度,在调控过程中,表面粗糙度和光泽度容易出现矛盾,难以同时满足二者的要求;
(3)目前对以加工深度为代表的工艺参数的调整依赖人工经验,缺乏有效、成体系的方法和装置,造成实际中表面质量调控结果具有较强的随机性。
综上所述,目前亟需提出一种准确、高效地对零件表面质量进行调控的数控加工零件表面质量调控方法、装置、设备及介质。
发明内容
本发明提供一种数控加工零件表面质量调控方法、装置、设备及介质,以解决相关企业在进行数控加工时,无法准确、高效地对零件表面质量进行调控,难以满足实际需求等问题。
本发明第一方面实施例提供一种数控加工零件表面质量调控方法,包括以下步骤:以表面粗糙度和光泽度表征零件表面质量,生成零件数据集;利用所述零件数据集对预设神经网络进行训练,以构建表面质量关联模型;将预设零件加工深度可调范围输入所述表面质量关联模型中,以计算零件表面质量综合指标可调范围;根据预设零件实际加工需求和所述零件表面质量综合指标可调范围对零件实际加工深度进行调整,以完成对所述零件表面质量的调控。
可选地,所述零件数据集中每组数据包括:零件工艺参数、初始表面粗糙度、初始光泽度、加工后的表面粗糙度和加工后的光泽度,其中,所述零件工艺参数包括加工深度、刀具速度、工件转速、进给速度;在数控加工前,零件的所述初始表面粗糙度和所述初始光泽度;对零件进行不同工艺参数下的数控加工实验后,得到的所述加工后的表面粗糙度和所述加工后的光泽度。
可选地,利用所述零件数据集对预设神经网络进行训练,以构建表面质量关联模型,包括:将所述零件数据集中的零件工艺参数和初始表面粗糙度作为输入,将所述零件数据集中的加工后的表面粗糙度作为输出,训练所述预设神经网络,得到粗糙度关联模型;利用所述零件数据集中的零件工艺参数和初始表面光泽度作为输入,将所述零件数据集中的加工后的光泽度作为输出,训练所述预设神经网络,得到光泽度关联模型;根据所述粗糙度关联模型和所述光泽度关联模型构建所述表面质量关联模型。
可选地,所述将预设零件加工深度可调范围输入所述表面质量关联模型中,以计算零件表面质量综合指标可调范围,包括:将所述预设零件加工深度可调范围和所述零件数据集中的工艺参数和初始表面粗糙度输入所述表面质量关联模型中,以计算零件表面粗糙度可调范围;将所述预设零件加工深度可调范围和所述零件数据集中的工艺参数和初始表面光泽度输入所述表面质量关联模型中,以计算零件表面光泽度可调范围;根据所述零件表面粗糙度可调范围和所述零件表面光泽度可调范围计算所述零件表面质量综合指标可调范围。
可选地,所述预设零件加工深度可调范围为:
ap=[ai-ad-a2 ai-ad-a1]
其中,ap为加工深度的可调范围,ai为零件初始尺寸,ad为零件期望尺寸,a1和a2分别为零件尺寸公差的下界和上界。
可选地,所述零件表面质量综合指标可调范围为:
其中,Cmin为零件表面质量综合指标可调范围的下界,Ramax为表面粗糙度可调范围的上界,Rak为第k个加工深度所对应的表面粗糙度,Ramin为表面粗糙度可调范围的下界,Gk为第k个加工深度所对应的表面光泽度,Gmin为表面光泽度可调范围的下界,Gmax为表面光泽度可调范围的上界,Cmax为零件表面质量综合指标可调范围的上界。
可选地,所述根据预设零件实际加工需求和所述零件表面质量综合指标可调范围对零件实际加工深度进行调整,以完成对所述零件表面质量的调控,包括:
根据所述预设零件实际加工需求确定期望表面粗糙度和期望表面光泽度;
根据所述期望表面粗糙度、所述期望表面光泽度和所述零件表面质量综合指标可调范围计算零件表面质量综合指标期望值;
根据所述零件表面质量综合指标期望值对所述零件实际加工深度进行调整,以完成对所述零件表面质量的调控。
本发明第二方面实施例提供一种数控加工零件表面质量调控装置,包括:数据集构建模块,用于以表面粗糙度和光泽度表征零件表面质量,建立零件数据集;训练模块,用于利用所述零件数据集对预设神经网络进行训练,以构建表面质量关联模型;计算模块,用于将预设零件加工深度可调范围输入所述表面质量关联模型中,以计算零件表面质量综合指标可调范围;调整模块,用于根据预设零件实际加工需求和所述零件表面质量综合指标可调范围对零件实际加工深度进行调整,以完成对所述零件表面质量的调控。
本发明第三方面实施例提供一种电子设备,包括:存储器、处理器及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,所述处理器执行所述程序,以实现如上述实施例所述的数控加工零件表面质量调控方法。
本发明第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,该程序被处理器执行时实现如上的数控加工零件表面质量调控方法。
本发明实施例的数控加工零件表面质量调控方法、装置、设备及介质,通过建立描述工艺参数、零件初始表面质量和数控加工后零件表面质量的关联模型,基于关联模型和加工深度的可调范围,精确计算零件表面质量可调范围、表面质量综合指标,并对加工深度进行调整实现对零件表面质量的调控,克服了传统零件表面质量调控方法依赖人工经验、效率低、准确度差的问题,由此,解决了相关企业在进行数控加工时,无法准确、高效地对零件表面质量进行调控的问题。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例提供的一种数控加工零件表面质量调控方法的流程图;
图2为根据本发明实施例提供的表面质量关联模型的结构示意图;
图3为根据本发明实施例提供的数控加工零件表面质量调控装置的方框示意图;
图4为根据本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的数控加工零件表面质量调控方法、装置、设备及介质。
图1为根据本发明实施例提供的一种数控加工零件表面质量调控方法的流程示意图。
如图1所示,该数控加工零件表面质量调控方法包括以下步骤:
在步骤S101中,以表面粗糙度和光泽度表征零件表面质量,生成零件数据集。
其中,零件数据集中每组数据包括:零件工艺参数、初始表面粗糙度、初始光泽度、加工后的表面粗糙度和加工后的光泽度,其中,
零件工艺参数包括加工深度、刀具速度、工件转速、进给速度;
在数控加工前,零件的初始表面粗糙度和初始光泽度;
对零件进行不同工艺参数下的数控加工实验后,得到的加工后的表面粗糙度和加工后的光泽度
具体地,本发明实施例以轴类零件外圆磨削加工为对象,轴类零件材料为92CrMo,零件长度为1480mm,初始直径为244mm,砂轮为绿碳化硅砂轮,直径为413mm,宽度为60mm。根据其磨削加工的特点,对磨削深度设置4个水平,分别为0μm、2μm、3.5μm和5μm,对砂轮速度设置4个水平,分别是11m/s、14m/s、17m/s和20m/s,对工件转速设置3个水平,分别是60r/min、70r/min和80r/min,对进给速度设置3个水平,分别是800mm/min、1000mm/min和1200mm/min。依据全因素实验法,共开展144组磨削实验,在每一次磨削实验前,利用表面粗糙度测试仪和光泽度测试仪对零件的初始表面粗糙度和光泽进行测试。在每一次磨削实验后,再次利用表面粗糙度测试仪和光泽度测试仪对零件磨削后的表面粗糙度和光泽进行测试。通过实验建立数据集,数据集共有144组数据,每组数据包含工艺参数、初始表面粗糙度和光泽度、磨削后的表面粗糙度和光泽度。
在步骤S102中,利用零件数据集对预设神经网络进行训练,以构建表面质量关联模型。
进一步地,在本发明的一个实施例中,利用零件数据集对Elman神经网络进行训练,以构建表面质量关联模型,包括:
将零件数据集中的零件工艺参数和初始表面粗糙度作为输入,将零件数据集中的加工后的表面粗糙度作为输出,训练预设神经网络,得到粗糙度关联模型;
利用零件数据集中的零件工艺参数和初始表面光泽度作为输入,将零件数据集中的加工后的光泽度作为输出,训练预设神经网络,得到光泽度关联模型;
根据粗糙度关联模型和光泽度关联模型构建表面质量关联模型。
具体地,如图2所示,本发明实施例的表面质量关联模型基于Elman神经网络,包含表面粗糙度关联模型和表面光泽度关联模型,其中,Elman神经网络的承接层和输入层的权值为和/>隐藏层的输出x(k)为:
式中,k为当前时刻,k-1为前一时刻,f(·)为tansig函数。
承接层输出xc(k)为:
xc(k)=x(k-1)
网络的输出y(k)为:
式中,是输出层的权值,h(·)是purelin函数。
如图2所示,用于训练粗糙度关联模型的Elman神经网络,输入层包括5个节点,分别对应磨削深度、砂轮速度、工件转速、进给速度和初始表面粗糙度,输出层为1个节点,对应磨削后的表面粗糙度,隐藏层节点设置为12。用于训练光泽度关联模型的Elman神经网络,输入层包括5个节点,分别对应磨削深度、砂轮速度、工件转速、进给速度和初始表面光泽度,输出层为1个节点,对应磨削后的表面光泽度,隐藏层节点设置为12。在训练过程中,将所建立数据集中的数据依次输入网络,共进行20000轮训练,得到粗糙度关联模型和光泽度关联模型。
在步骤S103中,将预设零件加工深度可调范围输入表面质量关联模型中,以计算零件表面质量综合指标可调范围。
进一步地,在本发明的一个实施例中,将预设零件加工深度可调范围输入表面质量关联模型中,以计算零件表面质量综合指标可调范围,包括:
将预设零件加工深度可调范围和零件数据集中的工艺参数和初始表面粗糙度输入表面质量关联模型中,以计算零件表面粗糙度可调范围;
其中,预设零件加工深度可调范围为:
ap=[ai-ad-a2 ai-ad-a1]
式中,ap为加工深度的可调范围,ai为零件初始尺寸,ad为零件期望尺寸,a1和a2分别为零件尺寸公差的下界和上界;
其中,零件表面粗糙度可调范围为:
Ra=[Ramin Ramax]
式中,Ra为表面粗糙度的可调范围,Ramin=min(Rak)和Ramax=max(Rak)分别表示表面粗糙度可调范围的下界和上界,Rak为第k个加工深度所对硬的表面粗糙度,min(·)和max(·)分别表示取最小值和最大值;
将预设零件加工深度可调范围和零件数据集中的工艺参数和初始表面光泽度输入表面质量关联模型中,以计算零件表面光泽度可调范围,其中,零件表面光泽度可调范围为:
G=[Gmin Gmax]
式中,G为表面光泽度的可调范围,Gmin=min(Gk))和Gmax=max(Gk)分别表示表面光泽度可调范围的下界和上界,Gk为第k个加工深度所对硬的表面光泽度;
根据零件表面粗糙度可调范围和零件表面光泽度可调范围计算零件表面质量综合指标可调范围,其中,零件表面质量综合指标可调范围C=[Cmin Cmax]为:
其中,Cmin为零件表面质量综合指标可调范围的下界,Ramax为表面粗糙度可调范围的上界,Rak为第k个加工深度所对应的表面粗糙度,Ramin为表面粗糙度可调范围的下界,Gk为第k个加工深度所对应的表面光泽度,Gmin为表面光泽度可调范围的下界,Gmax为表面光泽度可调范围的上界,Cmax为零件表面质量综合指标可调范围的上界。
具体地,零件尺寸公差的下界和上界分别为-1μm和1μm,初始零件尺寸和零件期望尺寸间的差值为5μm,则预设零件加工深度可调范围为:
ap=[4 6]μm
将预设零件加工深度可调范围ap、刀具速度(20m/s)、工件转速(80r/min)、进给速度(1200mm/min)及初始表面粗糙度(0.9μm)输入所述粗糙度关联模型,计算得到零件表面粗糙度可调范围:
Ra=[Ramin Ramax]=[0.45 0.95]μm
式中,Ra为表面粗糙度的可调范围。
将预设零件加工深度可调范围ap、刀具速度(20m/s)、工件转速(80r/min)、进给速度(1200mm/min)及初始表面光泽度(62GU)输入粗糙度关联模型,计算得到零件表面光泽度可调范围:
G=[Gmin Gmax]=[60 77]GU
式中,G为表面光泽度的可调范围。
进而计算零件表面质量综合指标可调范围:
C=[Cmin Cmax]=[0.34 0.92]。
在步骤S104中,根据预设零件实际加工需求和零件表面质量综合指标可调范围对零件实际加工深度进行调整,以完成对零件表面质量的调控。
进一步地,在本发明的一个实施例中,根据预设零件实际加工需求和零件表面质量综合指标可调范围对零件实际加工深度进行调整,以完成对零件表面质量的调控,包括:
根据预设零件实际加工需求确定期望表面粗糙度和期望表面光泽度;
根据期望表面粗糙度、期望表面光泽度和零件表面质量综合指标可调范围计算零件表面质量综合指标期望值,其中,零件表面质量综合指标期望值Cd为:
式中,Ramax为表面粗糙度可调范围的上界,Rad为期望的表面粗糙度,Gd为表面光泽度,Ramin为表面粗糙度可调范围的下界,Gmin为表面光泽度可调范围的下界,Gmax为表面光泽度可调范围的上界;
根据零件表面质量综合指标期望值对零件实际加工深度进行调整,以完成对零件表面质量的调控,其中,
若Cd∈[Cmin Cmax],则输出Cd对应的加工深度apd,并以该加工深度进行数控加工;
若Cd<Cmin,则输出Cmin对应的加工深度ap1,并以该加工深度进行数控加工;
若Cd>Cmax,则输出Cmax对应的加工深度ap2,并以该加工深度进行数控加工。
具体地,根据该轴类零件的实际磨削需求,期望的表面粗糙度Rad=0.5μm,期望的表面光泽度Gd=75GU,计算零件表面质量综合指标期望值Cd:
进行判断,由于Cd∈[Cmin Cmax],即Cd在表面质量综合指标可调范围内,输出Cd对应的加工深度apd=5.2μm,并以该加工深度进行数控加工。
在数控加工后,对零件的表面粗糙度和光泽度进行测量,结果为表面粗糙度0.55μm,表面光泽度74.20GU,经对比,实测表面粗糙度和光泽度与期望值十分接近,满足加工要求,因此,对零件表面质量的调控有效。
根据本发明实施例提出的数控加工零件表面质量调控方法,通过建立描述工艺参数、零件初始表面质量和数控加工后零件表面质量的关联模型,基于关联模型和加工深度的可调范围,精确计算零件表面质量可调范围、表面质量综合指标,并对加工深度进行调整实现对零件表面质量的调控,且可以准确高效地对零件表面质量进行调控,克服了传统零件表面质量调控方法依赖人工经验、效率低、准确度差的问题。
其次参照附图描述根据本发明实施例提出的数控加工零件表面质量调控装置。
图3为根据本发明实施例提供的数控加工零件表面质量调控装置的方框示意图。
如图3所示,该数控加工零件表面质量调控装置30包括:数据集构建模块301、训练模块302、计算模块303和调整模块304。
其中,数据集构建模块301用于以表面粗糙度和光泽度表征零件表面质量,建立零件数据集。训练模块302用于利用零件数据集对预设神经网络进行训练,以构建表面质量关联模型。计算模块303用于将预设零件加工深度可调范围输入表面质量关联模型中,以计算零件表面质量综合指标可调范围。调整模块304用于根据预设零件实际加工需求和零件表面质量综合指标可调范围对零件实际加工深度进行调整,以完成对零件表面质量的调控。
进一步地,在本发明的一个实施例中,零件数据集中每组数据包括:零件工艺参数、初始表面粗糙度、初始光泽度、加工后的表面粗糙度和加工后的光泽度,其中,
零件工艺参数包括加工深度、刀具速度、工件转速、进给速度;
在数控加工前,零件的初始表面粗糙度和初始光泽度;
对零件进行不同工艺参数下的数控加工实验后,得到的加工后的表面粗糙度和加工后的光泽度。
进一步地,在本发明的一个实施例中,训练模块302具体用于:
将零件数据集中的零件工艺参数和初始表面粗糙度作为输入,将零件数据集中的加工后的表面粗糙度作为输出,训练预设神经网络,得到粗糙度关联模型;
利用零件数据集中的零件工艺参数和初始表面光泽度作为输入,将零件数据集中的加工后的光泽度作为输出,训练预设神经网络,得到光泽度关联模型;
根据粗糙度关联模型和光泽度关联模型构建表面质量关联模型。
进一步地,在本发明的一个实施例中,计算模块303具体用于:
将预设零件加工深度可调范围和零件数据集中的工艺参数和初始表面粗糙度输入表面质量关联模型中,以计算零件表面粗糙度可调范围,其中,预设零件加工深度可调范围为:
ap=[ai-ad-a2 ai-ad-a1]
其中,ap为加工深度的可调范围,ai为零件初始尺寸,ad为零件期望尺寸,a1和a2分别为零件尺寸公差的下界和上界;
将预设零件加工深度可调范围和零件数据集中的工艺参数和初始表面光泽度输入表面质量关联模型中,以计算零件表面光泽度可调范围;
根据零件表面粗糙度可调范围和零件表面光泽度可调范围计算零件表面质量综合指标可调范围,其中,零件表面质量综合指标可调范围为:
其中,Cmin为零件表面质量综合指标可调范围的下界,Ramax为表面粗糙度可调范围的上界,Rak为第k个加工深度所对应的表面粗糙度,Ramin为表面粗糙度可调范围的下界,Gk为第k个加工深度所对应的表面光泽度,Gmin为表面光泽度可调范围的下界,Gmax为表面光泽度可调范围的上界,Cmax为零件表面质量综合指标可调范围的上界。
进一步地,在本发明的一个实施例中,调整模块304具体用于:
根据预设零件实际加工需求确定期望表面粗糙度和期望表面光泽度;
根据期望表面粗糙度、期望表面光泽度和零件表面质量综合指标可调范围计算零件表面质量综合指标期望值;
根据零件表面质量综合指标期望值对零件实际加工深度进行调整,以完成对零件表面质量的调控。
需要说明的是,前述对数控加工零件表面质量调控方法实施例的解释说明也适用于该实施例的数控加工零件表面质量调控装置,此处不再赘述。
根据本发明实施例提出的数控加工零件表面质量调控装置,通过建立描述工艺参数、零件初始表面质量和数控加工后零件表面质量的关联模型,基于关联模型和加工深度的可调范围,精确计算零件表面质量可调范围、表面质量综合指标,并对加工深度进行调整实现对零件表面质量的调控,且可以准确高效地对零件表面质量进行调控,克服了传统零件表面质量调控方法依赖人工经验、效率低、准确度差的问题。
图4为根据本发明实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的数控加工零件表面质量调控方法。
进一步地,电子设备还包括:
通信接口403,用于存储器401和处理器402之间的通信。
存储器401,用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现,则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器401、处理器402及通信接口403,集成在一块芯片上实现,则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的数控加工零件表面质量调控方法。
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N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。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,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、替换和变型。
Claims (10)
1.一种数控加工零件表面质量调控方法,其特征在于,包括以下步骤:
以表面粗糙度和光泽度表征零件表面质量,生成零件数据集;
利用所述零件数据集对预设神经网络进行训练,以构建表面质量关联模型;
将预设零件加工深度可调范围输入所述表面质量关联模型中,以计算零件表面质量综合指标可调范围;
根据预设零件实际加工需求和所述零件表面质量综合指标可调范围对零件实际加工深度进行调整,以完成对所述零件表面质量的调控。
2.根据权利要求1所述的数控加工零件表面质量调控方法,其特征在于,所述零件数据集中每组数据包括:零件工艺参数、初始表面粗糙度、初始光泽度、加工后的表面粗糙度和加工后的光泽度,其中,
所述零件工艺参数包括加工深度、刀具速度、工件转速、进给速度;
在数控加工前,零件的所述初始表面粗糙度和所述初始光泽度;
对零件进行不同工艺参数下的数控加工实验后,得到的所述加工后的表面粗糙度和所述加工后的光泽度。
3.根据权利要求2所述的数控加工零件表面质量调控方法,其特征在于,所述利用所述零件数据集对预设神经网络进行训练,以构建表面质量关联模型,包括:
将所述零件数据集中的零件工艺参数和初始表面粗糙度作为输入,将所述零件数据集中的加工后的表面粗糙度作为输出,训练所述预设神经网络,得到粗糙度关联模型;
利用所述零件数据集中的零件工艺参数和初始表面光泽度作为输入,将所述零件数据集中的加工后的光泽度作为输出,训练所述预设神经网络,得到光泽度关联模型;
根据所述粗糙度关联模型和所述光泽度关联模型构建所述表面质量关联模型。
4.根据权利要求2所述的数控加工零件表面质量调控方法,其特征在于,所述将预设零件加工深度可调范围输入所述表面质量关联模型中,以计算零件表面质量综合指标可调范围,包括:
将所述预设零件加工深度可调范围和所述零件数据集中的工艺参数和初始表面粗糙度输入所述表面质量关联模型中,以计算零件表面粗糙度可调范围;
将所述预设零件加工深度可调范围和所述零件数据集中的工艺参数和初始表面光泽度输入所述表面质量关联模型中,以计算零件表面光泽度可调范围;
根据所述零件表面粗糙度可调范围和所述零件表面光泽度可调范围计算所述零件表面质量综合指标可调范围。
5.根据权利要求4所述的数控加工零件表面质量调控方法,其特征在于,所述预设零件加工深度可调范围为:
ap=[ai-ad-a2 ai-ad-a1]
其中,ap为加工深度的可调范围,ai为零件初始尺寸,ad为零件期望尺寸,a1和a2分别为零件尺寸公差的下界和上界。
6.根据权利要求4所述的数控加工零件表面质量调控方法,其特征在于,所述零件表面质量综合指标可调范围为:
其中,Cmin为零件表面质量综合指标可调范围的下界,Ramax为表面粗糙度可调范围的上界,Rak为第k个加工深度所对应的表面粗糙度,Ramin为表面粗糙度可调范围的下界,Gk为第k个加工深度所对应的表面光泽度,Gmin为表面光泽度可调范围的下界,Gmax为表面光泽度可调范围的上界,Cmax为零件表面质量综合指标可调范围的上界。
7.根据权利要求1所述的数控加工零件表面质量调控方法,其特征在于,所述根据预设零件实际加工需求和所述零件表面质量综合指标可调范围对零件实际加工深度进行调整,以完成对所述零件表面质量的调控,包括:
根据所述预设零件实际加工需求确定期望表面粗糙度和期望表面光泽度;
根据所述期望表面粗糙度、所述期望表面光泽度和所述零件表面质量综合指标可调范围计算零件表面质量综合指标期望值;
根据所述零件表面质量综合指标期望值对所述零件实际加工深度进行调整,以完成对所述零件表面质量的调控。
8.一种数控加工零件表面质量调控装置,其特征在于,包括:
数据集构建模块,用于以表面粗糙度和光泽度表征零件表面质量,建立零件数据集;
训练模块,用于利用所述零件数据集对预设神经网络进行训练,以构建表面质量关联模型;
计算模块,用于将预设零件加工深度可调范围输入所述表面质量关联模型中,以计算零件表面质量综合指标可调范围;
调整模块,用于根据预设零件实际加工需求和所述零件表面质量综合指标可调范围对零件实际加工深度进行调整,以完成对所述零件表面质量的调控。
9.一种电子设备,其特征在于,包括:存储器、处理器及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,所述处理器执行所述程序,以实现如权利要求1-7任一项所述的数控加工零件表面质量调控方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-7任一项所述的数控加工零件表面质量调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311081107.9A CN116954155B (zh) | 2023-08-25 | 2023-08-25 | 数控加工零件表面质量调控方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311081107.9A CN116954155B (zh) | 2023-08-25 | 2023-08-25 | 数控加工零件表面质量调控方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116954155A true CN116954155A (zh) | 2023-10-27 |
CN116954155B CN116954155B (zh) | 2024-01-26 |
Family
ID=88458493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311081107.9A Active CN116954155B (zh) | 2023-08-25 | 2023-08-25 | 数控加工零件表面质量调控方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116954155B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292051A (zh) * | 2017-07-07 | 2017-10-24 | 湘潭大学 | 一种硬质合金刀片化学机械抛光表面粗糙度的预测方法 |
CN114662410A (zh) * | 2022-05-23 | 2022-06-24 | 季华实验室 | 打磨工艺参数组合的确定方法、装置、电子设备和介质 |
CN114897028A (zh) * | 2022-05-27 | 2022-08-12 | 清华大学 | 数控加工表面粗糙度预测方法及装置 |
CN114936525A (zh) * | 2022-05-26 | 2022-08-23 | 清华大学 | 外圆磨削工艺优化方法及装置 |
CN116186499A (zh) * | 2023-02-23 | 2023-05-30 | 武汉数字化设计与制造创新中心有限公司 | 一种数控加工表面粗糙度预测方法 |
-
2023
- 2023-08-25 CN CN202311081107.9A patent/CN116954155B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292051A (zh) * | 2017-07-07 | 2017-10-24 | 湘潭大学 | 一种硬质合金刀片化学机械抛光表面粗糙度的预测方法 |
CN114662410A (zh) * | 2022-05-23 | 2022-06-24 | 季华实验室 | 打磨工艺参数组合的确定方法、装置、电子设备和介质 |
CN114936525A (zh) * | 2022-05-26 | 2022-08-23 | 清华大学 | 外圆磨削工艺优化方法及装置 |
CN114897028A (zh) * | 2022-05-27 | 2022-08-12 | 清华大学 | 数控加工表面粗糙度预测方法及装置 |
CN116186499A (zh) * | 2023-02-23 | 2023-05-30 | 武汉数字化设计与制造创新中心有限公司 | 一种数控加工表面粗糙度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116954155B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105259791B (zh) | 一种基于通用切削能耗模型的加工参数优化方法 | |
CN103198186B (zh) | 基于特征的飞机结构件切削参数优化方法 | |
Barrenetxea et al. | Stability analysis and optimization algorithms for the set-up of infeed centerless grinding | |
CN110083967B (zh) | 一种砂带磨削工艺参数优化及评价指标数学模型建模方法 | |
CN113962105B (zh) | 一种无颤振精加工铣削过程的高效参数优化方法 | |
CN114936525B (zh) | 外圆磨削工艺优化方法及装置 | |
CN105005265B (zh) | 一种基于曲线光滑变形的数控加工进给率规划方法 | |
CN109190313A (zh) | 一种基于曲面离散化的螺旋锥齿轮齿顶倒棱计算方法 | |
CN113189948B (zh) | 考虑加工精度可靠性的薄板类零件加工工艺参数优化方法 | |
Ozkan | Experimental and artificial neural network study of heat formation values of drilling and boring operations on Al 7075 T6 workpiece | |
CN105873703A (zh) | 切削加工中的切削条件的设计方法 | |
CN111123833B (zh) | 一种机床的热误差补偿计算方法、装置、设备和存储介质 | |
CN114897028B (zh) | 数控加工表面粗糙度预测方法及装置 | |
CN116954155B (zh) | 数控加工零件表面质量调控方法、装置、设备及介质 | |
Mishra et al. | Application of Taguchi method in optimization of tool flank wear width in turning operation of AISI 1045 steel | |
CN111724203A (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
CN114491839A (zh) | 数控电火花机床加工参数智能优化方法和系统 | |
CN112699550A (zh) | 一种基于迁移学习的切削力神经网络预测模型训练方法 | |
CN116974241B (zh) | 面向绿色低碳制造的数控机床几何优化方法及装置 | |
CN115319196B (zh) | 一种铰孔加工控制方法和装置 | |
CN111913437A (zh) | 一种基于nsga-ii的车削参数多目标优化方法 | |
Tchigirinsky et al. | Inspecting the quality of a surface layer in non-rigid shafts turning by adaptive control over the process of cutting | |
CN113626953A (zh) | 高能效铣削加工误差动态分布特性识别方法 | |
CN110807254A (zh) | 一种五轴侧铣加工过程中基于恒力的进给速度优化方法 | |
CN112764391B (zh) | 一种数控滚齿机床窜刀动态调整方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |