CN116992778B - 铣削加工残余应力变形预测方法、存储介质和电子设备 - Google Patents
铣削加工残余应力变形预测方法、存储介质和电子设备 Download PDFInfo
- Publication number
- CN116992778B CN116992778B CN202311099415.4A CN202311099415A CN116992778B CN 116992778 B CN116992778 B CN 116992778B CN 202311099415 A CN202311099415 A CN 202311099415A CN 116992778 B CN116992778 B CN 116992778B
- Authority
- CN
- China
- Prior art keywords
- milling
- deformation
- residual stress
- simulation
- parameters
- 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.)
- Active
Links
- 238000003801 milling Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 127
- 238000003754 machining Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 21
- 239000002344 surface layer Substances 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims description 79
- 238000005520 cutting process Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 19
- 238000005299 abrasion Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 239000010410 layer Substances 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Numerical Control (AREA)
Abstract
为了克服现有的铣削加工应力变形预测方法无法实现较为准确的在线预测，不能满足加工残余应力变形的主动控制要求的不足，本发明提供了一种铣削加工残余应力变形预测方法、存储介质和电子设备。本发明考虑了复杂工况对于零件表层加工残余应力的影响，将包含铣削加工过程中复杂时变工况信息的铣削力信号作为训练变形预测模型时的输入之一，所训练的变形预测模型同时考虑了不同位置处铣削加工参数以及铣削过程中的力信号，因此，利用本发明训练好的变形预测模型对铣削力的变化进行识别，在有限元预测结果的基础上，根据工况的变化调整变形预测结果，提高了残余应力变形在线预测结果的准确性。
Description
技术领域
本发明涉及金属铣削加工技术领域，尤其是涉及一种铣削加工残余应力变形预测方法、存储介质和电子设备。本发明特别适用于薄壁件的铣削加工过程中在线预测每次加工后的加工残余应力变形。本发明所述的薄壁件尤其指宽厚比大于10的零件，当然对于宽厚比为其他数值的薄壁件也同样适用。
背景技术
随着机械行业的发展，薄壁件大量应用在以航空航天和汽车为主的高端制造业中，此类零件常常需要经过铣削加工去除大量毛坯材料，而其加工精度和质量一致性可以直接决定产品的质量好坏。在金属材料的铣削加工过程中，不可避免地会给加工表面引入加工残余应力，导致零件发生不规则变形，严重影响零件的加工精度和质量一致性，是薄壁件加工过程中的一个难题。
加工残余应力是在切削加工过程中引入的一种存在于零件表层几十至几百微米不等的残余应力，是由于切削刃对零件进行剪切作用导致零件表层材料发生不均匀弹塑性变形与温度变化而产生的。其受加工工况的影响极大，刀具磨损、装夹状态等都会导致同一批次零件的表层加工残余应力分布不同，进而导致零件的变形情况不同，严重影响零件的精度及其一致性，同时也为后续零件残余应力变形的控制带来严重困难。
改善零件残余应力变形最有效的方法为变形的主动控制，这种方法想要取得较好地效果需要在零件加工后准确获取零件变形情况，获取变形最简单的方法为工序间变形检测。然而，在多工序的连续加工过程中对零件进行工序间变形检测，需要将零件从现有装夹上拆除，移动至三坐标测量机等专业检测设备上对其变形进行检测，虽然能够获得比较准确的检测结果，但该方法需要停机检测，导致零件制造周期和制造成本急剧增加，同时，装夹的变更也会引入新的装夹误差，导致零件加工精度的下降。
为了解决工序间检测所需停机检测和重新装夹而导致的制造周期和成本急剧增加以及引入新的装夹误差的问题，本领域出现了在机测量法。在机测量法将在机测头安装至机床主轴上，通过机床直接对零件变形进行检测，这种方法无需对零件进行装夹变更，但由于在机测头的精度相较于三坐标测量机较低，因此检测精度较差，同时这种方法只能获得零件在装夹状态下的变形，无法获取装夹解除后的进一步变形。
因此，如何精准预测零件加工后的残余应力变形是后续控制变形，提升零件的质量的一个关键问题。
针对薄壁件加工残余应力变形的预测，现在阶段主要有解析建模法和有限元法两类。解析建模法将加工残余应力简化为等效的力矩载荷，结合弹性力学等理论对零件变形进行计算，此方法通过计算获取零件的几何变形参数，再用微分方程的方式对零件变形进行描述或求解，对于复杂零件，其几何参数难以获取，同时微分方程过于复杂无法求解，因此此类方法只适用于如薄板等的简单零件。有限元法通过对零件加工过程进行建模仿真，获得其表层加工残余应力状态与变形情况，但此类方法需要大量数值运算，存在消耗时间长的问题，不能实现在线预测。除此之外，上述两类预测方法虽然可以对零件残余应力变形进行预测，但均无法考虑实际加工过程中工况变化等随机因素对变形产生的影响，存在预测准确度低，预测结果单一等问题。为解决这一问题，文献“Machining deformationprediction of large fan blades based on loading uneven residualstress”TheInternational Journal of Advanced Manufacturing Technology, 2020, 107(5–8).中公开了一种方法，通过对零件表层多个位置处的加工残余应力进行测量，进而对零件整体表层加工残余应力分布进行拟合，将拟合结果输入已建好的有限元模型中，通过仿真得到变形预测结果。这种方法可以考虑零件加工过程中的随机因素，但是需要对零件表层进行破坏性实验，在实际工业生产中无法得到应用。因此，现有工序间变形预测方法无法满足主动控制加工残余应力变形的要求。
发明内容
为了克服现有的铣削加工应力变形预测方法无法实现较为准确的在线预测，不能满足加工残余应力变形的主动控制要求的不足，本发明提供了一种铣削加工残余应力变形预测方法、存储介质和电子设备。
本发明的技术路线是：
本发明的发明人发现，铣削加工过程中的铣削力信号是分析加工过程中的一种重要信号，其包含加工过程中的多种时变工况信息，可以反映零件的实际加工状态。而针对铣削力信号的采集可以使用测力台或旋转测力仪等设备实现，是一种成熟的技术手段。因此，本发明的发明人想到如果能够结合铣削力信号对薄壁件制造过程中产生的加工残余应力变形进行预测，便能够在预测过程中考虑实际铣削过程中的复杂时变工况，提高加工残余应力变形预测的准确性。
但是，残余应力变形与铣削力信号并不存在点对点的直接映射的关系，而是与整个零件的结构、加工工艺和参数直接相关，因此无法简单建立零件各点铣削力-残余应力-残余应力变形这类单一映射关系来变形预测，这也是现有预测方法大多仅停留在有限元法的主要原因。铣削力信号作为沿零件表层不均匀分布的一种信号，其与加工残余应力变形存在一定的相关性，但并无严格的映射关系，因此不能直接作为残余应力变形的单一预测条件，因此如何在预测零件整体残余应力变形的过程中引入包含加工信息的铣削力信号是一个技术难点。
为了克服上述技术难点，以及提高预测的实时性实现在线预测，本发明通过将有限元仿真环节前置并设计了神经网络预测模型及其训练数据获取方法，将预测的铣削力与变形结果分别作为变形预测模型训练数据集的一部分输入和输出对变形预测模型进行训练，从而将沿零件表面不均匀分布的铣削力信号引入变形预测模型之中，提高了变形预测模型的预测精度。此外，由于长耗时的有限元仿真环节前置（即放在了铣削加工之前进行），在铣削加工期间仅需要将加工参数以及采集到的实际加工信号在数据处理后输入给训练好的变形预测模型中即可实现每次加工完成后产生的残余应力变形的在线预测，在多工序加工时无需停机检测。
基于上述技术路线，本发明采用的技术方案是：
铣削加工残余应力变形预测方法，其特殊之处在于，包括以下步骤：
步骤1：构建训练数据集；
在零件表面选择用于描述零件变形的个特征点，并按照设计与工艺要求将毛坯的待铣削区域划分为多个加工区域，随机生成/>组包含所有加工区域的仿真加工参数及其对应的磨损速率因子，进而获取零件上各特征点处的仿真加工参数及刀具磨损值，并以零件上各特征点处的仿真加工参数构建仿真加工参数集；
通过有限元仿真获取各组仿真加工参数下零件上各特征点处的变形位移向量，以各特征点处的变形位移向量构建仿真变形数据集；
利用铣削力解析预测方法、基于零件上各特征点处的仿真加工参数及刀具磨损值，获取各特征点附近处的铣削力预测信号，并通过特征提取方法从各铣削力预测信号中均提取个特征构成预测铣削力特征向量，以各特征点的预测铣削力特征向量构建预测铣削力特征数据集；
将所述仿真加工参数集、所述仿真变形数据集和所述预测铣削力特征数据集组成训练数据集；
所述仿真加工参数有种，包括切削速度、进给速度、切深和切宽；所述，/>为后续构建的变形预测模型的网络层数；
步骤2：基于神经网络构建变形预测模型，并利用所述训练数据集进行训练；
步骤3：将铣削加工期间采集的实际铣削力信号与其在零件表层位置进行时空映射，得到零件上各特征点附近处的铣削力信号并进行特征提取，获得其时域与频域特征，输入至步骤2训练好的所述变形预测模型中，得到铣削加工残余应力预测值。
进一步地，步骤1中所述特征点的选择方法是：将零件的三维几何模型沿壁厚方向UV展开并进行网格划分，以UV网格划分后所得到的网格中各个结点作为用于描述零件变形的特征点。
进一步地，步骤1中的所述仿真加工参数还可以包括冷却状态、刀轴倾角中的一个或多个。
进一步地，步骤1中随机生成包含有所有加工区域的仿真加工参数及其对应的磨损速率因子的方法是：
首先，根据各加工区域的材料及加工精度要求，选择相应的铣削加工刀具，并确定各加工区域的铣削加工参数可选范围；
然后，在所述铣削加工参数可选范围内，分别对各加工区域的铣削加工参数和磨损速率因子进行次随机生成，每次随机生成能够得到1组包含有零件毛坯上所有铣削加工区域的仿真加工参数及对应的磨损速率因子。
进一步地，步骤1中各加工区域不同位置处的刀具磨损值根据函数计算，其中，/>为刀具后刀面磨损值；/>为切削速度；/>为进给速度；/>为切深；/>为切宽；/>为刀具经过的铣削加工长度；/>为磨损速率因子，。
进一步地，步骤1中通过特征提取从各铣削力预测信号中均提取时域、频域共个特征。
进一步地，步骤2构建的所述变形预测模型为BP神经网络，网络输入有两部分：第一部分输入是各特征点处的仿真加工参数，共需要个第一输入节点；第二部分输入是特征点处的预测铣削力特征向量，共需要/>个第二输入节点；网络输出为各特征点处的加工残余应力变形。
进一步地，步骤2中以所述仿真加工参数集、预测铣削力特征数据集作为模型训练的输入，以仿真变形数据集作为模型训练的输出，采用Levenberg-Marquardt算法作为网络学习算法对所述变形预测模型进行训练，此算法在计算过程中有很高的收敛速度，适用于处理复杂非线性问题。此外，梯度下降法、拟牛顿法等同样可以用于对所述变形预测模型进行训练。
本发明同时提供了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：所述计算机程序被运行时执行上述的铣削加工残余应力变形预测方法。
本发明还提供了一种电子设备，包括处理器和存储介质，所述存储介质上存储有计算机程序，其特殊之处在于：所述计算机程序被运行时执行上述的铣削加工残余应力变形预测方法。
本发明的有益效果是：
1、本发明考虑了复杂工况对于零件表层加工残余应力的影响，创新性的将包含铣削加工过程中复杂时变工况信息的铣削力信号作为训练变形预测模型时的输入之一，所训练的变形预测模型同时考虑了不同位置处铣削加工参数以及铣削过程中的力信号，因此，所提出的变形预测模型通过对铣削力的变化进行识别，在有限元预测结果的基础上，根据工况的变化调整变形预测结果，提高了残余应力变形在线预测结果的准确性。
2、本发明创新性的采用加工前有限元仿真预测+加工后神经网络预测的方法对加工残余应力变形进行预测，一方面由于将长时间的仿真放在了加工之前，提高了加工后残余应力变形预测的效率，另一方面还实现了将沿零件表面分布并不均匀的铣削力信号引入零件整体残余应力变形过程这一目的。
3、本发明在铣削加工期间，通过在线监测铣削力信号并输入变形预测模型中即可实时预测零件每次加工完之后的加工残余应力变形，因而在零件多工序加工过程中，无需停机穿插检测工序，提高了零件的制造效率，同时为实现薄壁零件铣削加工残余应力变形的主动控制提供了预测结果。
附图说明
图1是本发明的方法流程图。
图2是本发明实施例中涉及的薄壁件的结构示意图。
图3是本发明实施例中薄壁件上变形特征点的选取示意图。
图4是毛坯加工区域划分示意图。
图5是本发明方法中训练数据集的数据结构示意图。
图6是本发明方法中变形预测网络的网络结构示意图。
图7是本发明实例的验证结果。
具体实施方式
为使本发明的技术方案及优点更加清楚、便于理解，下面结合附图和实施例对本发明作详细说明。
如图1所示，本发明所提供的铣削加工残余应力变形预测方法，具体包括以下步骤：
第一步：构建训练数据集；
步骤1：铣削加工前，在零件毛坯表面选择用于描述零件变形的特征点：
将零件三维几何模型沿其壁厚方向进行UV展开，并对展开后的零件划分网格，以所得到的网格中各个结点作为用于描述零件变形的特征点，共个点，分别记为。
步骤2：铣削加工前，按照设计与工艺要求将零件毛坯的待铣削区域划分为多个加工区域，通过随机生成的方法获取包含各加工区域的仿真加工参数的仿真加工参数集，并依据该仿真加工参数集生成铣削加工轨迹，进而获得各特征点处仿真加工参数及其对应磨损速率因子下的刀具磨损值。
具体方法如下：
步骤2.1：将零件毛坯待铣削加工的部位划分为不同的加工区域，并选择相应的铣削加工刀具。
步骤2.2：根据步骤2.1划分出的各个加工区域的区域位置、材料以及刀具情况，确定各加工区域的铣削加工参数可选范围，这里的铣削加工参数包括但不限于切削速度、进给速度/>、切深/>和切宽/>；进一步优选的，铣削加工参数还可以包括冷却状态和刀轴倾角中的一个或多个，对于每一个添加的铣削加工参数，应保证其在变形仿真和铣削力预测中得到考虑；并设置各加工区域刀具磨损与切削长度的函数/>，其中/>为刀具后刀面磨损值，/>为刀具经过的铣削加工长度，/>为磨损速率因子，其取值为。
步骤2.3：在步骤2.2中确定的铣削加工参数可选范围内，分别对各个加工区域的铣削加工参数和磨损速率因子进行次随机生成，其中/>应满足大于/>，其中为铣削加工参数的种类数目，/>为后续从铣削力预测信号中提取的铣削力特征数量，/>为后续训练的网络层数，每次随机生成能够得到1组包含有该零件毛坯上所有铣削加工区域的仿真加工参数/>及其对应的磨损速率因子，/>次随机生成共得到/>组仿真加工参数/>及其对应的磨损速率因子。由于每组仿真加工参数为零件毛坯上所有铣削加工区域的仿真加工参数集合，所有铣削加工区域必然覆盖零件毛坯上所有需要铣削加工的位置，因此可以获得用于描述零件变形的各特征点处的仿真加工参数（若存在不属于铣削加工区域的变形特征点，则设其仿真加工参数均为0），以各特征点处的仿真加工参数构建仿真加工参数集。
步骤2.4：根据每一组仿真加工参数中的不同切深和切宽，生成铣削加工轨迹，通过铣削加工轨迹，可以获得在零件各特征点处刀具已经切削过的长度，进而可以通过刀具磨损与切削长度的函数获得该特征点处仿真加工参数及其对应磨损速率因子下的刀具磨损值，用于后续变形仿真以及铣削力预测。
步骤3：构建仿真变形数据集和预测铣削力特征数据集：
针对步骤2.3中随机生成的每一组仿真加工参数，结合其在步骤2.4中获取的刀具磨损值，对零件表层加工残余应力进行预测，再通过有限元仿真方法对加工残余应力变形进行仿真，提取零件上各特征点处的变形位移向量，得到仿真变形数据集；并利用铣削力解析预测方法，基于步骤2.3随机生成的各组仿真加工参数以及步骤2.4得到的对应刀具磨损值预测铣削力，再通过对铣削力预测信号进行特征提取获得预测铣削力特征数据集（若存在不属于铣削加工区域的变形特征点，则设其铣削力特征均为0）。
具体方法如下：
步骤3.1：使用现有残余应力预测方法，基于步骤2.3得到的各特征点处的仿真加工参数及步骤2.4得到的相应的刀具磨损值，对零件表层加工残余应力进行预测，得到零件表层加工各加工位置处的铣削加工残余应力。
使用有限元仿真软件（如abaqus）建立零件三维模型，建模后设置零件属性并划分网格，此处应确保各特征点均为有限元网格节点，将前面通过预测得到的零件表层各加工位置处的铣削加工残余应力施加到零件三维模型表层，通过有限元仿真软件中的求解器计算得到零件表面上各个特征点的变形位移向量并导出，得到仿真变形数据集。各特征点处的变形位移向量可以由下式表示：
式中：为第/>组仿真加工参数中第/>个特征点的变形位移向量；/>，/>，分别为三个方向的变形位移。
本步骤中涉及的残余应力预测方法可采用现有成熟方法，例如文献"Millingdistortion prediction for thin-walled component based on the average MIRS inspecimenmachining." International Journal of Advanced ManufacturingTechnology 111.11-12(2020):1-14.中公开的一种加工残余应力预测方法。
步骤3.2：基于步骤2.3中所随机生成的每一组仿真加工参数和步骤2.4得到的对应的刀具磨损值，通过铣削力解析预测方法，对其每个特征点处的铣削力进行预测得到铣削力预测信号，再利用特征提取方法提取铣削力预测信号中的时域、频域部分共个特征，这/>个特征构成该特征点的预测铣削力特征向量/>，该组仿真加工参数中所有特征点的预测铣削力特征向量组成该组仿真加工参数的预测铣削力特征数据集；其中：
式中：为第/>组仿真加工参数中第/>个特征点的铣削力特征向量，其中包含/>个铣削力特征，/>≥1。
本步骤中涉及的铣削力解析预测方法可采用现有成熟方法，例如文献 “Millingforce modeling of worn tool and tool flank wear recognition in end milling”IEEE/ASME Transactions on Mechatronics, 2014, 20(3):1024-1035.中公开的铣削力解析预测方法；或者采用商业软件中的预测方法。
步骤4：构建训练数据集：
用步骤2.3中构建的仿真加工参数集、步骤3.1中得到的仿真变形数据集，以及步骤3.2得到预测铣削力特征数据集组成训练数据集，构建好的训练数据集示例如图5所示。
第二步：构建并训练变形预测模型；
步骤1：建立变形预测模型：
如图6所示，本发明所建立的变形预测模型为一BP神经网络，网络共包含3个隐含层（其他实施例中网络层数可以发生变化），网络输入分为两个部分：第一部分是各特征点处的仿真加工参数，由于每个输入节点只能输入一种参数变量，因此共计需要个第一输入节点，/>为铣削加工参数的种类数目（图6中/>=4）；第二部分是各特征点处的预测铣削力特征向量，由于每个输入节点只能输入一种特征向量，因此共计需要/>个第二输入节点（图6中/>）；网络输出为各特征点处的加工残余应力变形。
步骤2：训练所述变形预测模型：
将步骤3.3构建好的训练数据集中的仿真加工参数集、预测铣削力特征数据集作为模型训练的输入，将训练数据集中的仿真变形数据集作为模型训练的输出，采用Levenberg-Marquardt算法作为网络训练算法对变形预测模型进行训练。
第三步：铣削加工期间零件加工残余应力变形预测；
对零件进行装夹，并在实际加工过程中采集铣削力信号，并将采集到的铣削力信号与其在零件表层位置进行时空映射，获得零件上各特征点处的铣削力信号，再对各特征点处的铣削力信号进行特征提取，提取铣削力信号中的时域特征与频域特征，输入至第二步所训练好的变形预测模型中，变形预测模型输出相应的铣削加工残余应力变形结果。
实施例：
以图2所示的一薄壁框类零件为例，该零件材料为高温合金GH4169，其内表面长宽高分别为14cm、11cm、8cm，壁厚为0.5cm。
采用本发明对图2所示零件进行铣削加工残余应力变形预测的方法如下：
步骤1：确定零件表面的特征点：
图2的零件三维几何模型UV展开后，以1cm为间距进行网格划分，得到的网格如图3所示，图3中各个虚线交点处即为网格中的各个结点，将这些结点作为用于描述该零件变形的特征点，其中标黑的特征点为最后验证时进行实际变形测量的特征点。
步骤2：划分零件铣削加工区域，获取各加工区域的仿真加工参数集，并依据仿真加工参数集生成铣削加工轨迹，进而获得各特征点处仿真加工参数及其对应磨损速率因子下的刀具磨损值：
步骤2.1：划分加工区域，选择铣削加工刀具。
本实施例中零件毛坯为一实心立方体，如图4所示，黑色区域为工件，待铣削加工的部位划分为中央粗加工区域1、四个侧壁精加工区域2、3、5、6和一个底面精加工区域4，其中，由于中央粗加工区域不涉及零件表面，故在此不考虑中央粗加工区域对加工残余应力变形的影响，只考虑其余五个加工区域，这五个加工区域均选择直径为10mm的硬质合金整体立铣刀进行加工。
步骤2.2：确定各加工区域的加工参数可选范围。
本实施例中，需要确定可选范围的铣削加工参数有切削速度、进给速度/>、切深和切宽/>，具体可以通过查询加工手册得到硬质合金整体立铣刀铣削GH4169的常用加工参数区间，并通过实验方法标定了刀具磨损随切削长度的关系/>。
步骤2.3：利用随机生成的方法得到仿真加工参数集以及各加工参数集对应的磨损速率因子。
本实施例中，随机生成零件毛坯上四个侧壁精加工区域和一个底面精加工区域共五个区域的加工参数共组，不同区域的仿真加工参数可以不同，但相同区域使用相同的仿真加工参数，组成仿真加工参数集。本实施例中每一组仿真加工参数为：，式中，/>是组数；/>是第/>组仿真加工参数中的切削速度集合，，/>是第/>组中第1加工区域的切削速度，…，/>是第/>组中第5加工区域的切削速度；/>是第/>组仿真加工参数中的进给速度集合，，/>是第/>组中第1加工区域的进给速度，…，/>是第/>组中第5加工区域的进给速度；/>是第/>组仿真加工参数中的切深集合，，/>是第/>组中第1加工区域的切深，…，/>是第/>组中第5加工区域的切深；/>是第/>组仿真加工参数中的切宽集合，，/>是第/>组中第1加工区域的切宽，…，/>是第/>组中第5加工区域的切宽。由于每一组仿真加工参数包含零件表面所有位置的仿真加工参数，因此可以得到零件上各特征点处的仿真加工参数，如在第/>组加工参数中获得第/>个特征点的仿真加工参数/>。
步骤2.4：根据每一组仿真加工参数中的不同切深和切宽，建立铣削加工轨迹，通过铣削加工轨迹，可以获得在零件各特征点处刀具已经切削过的长度，进而可以获得该特征点处仿真加工参数及其对应磨损速率因子下的刀具磨损值，用于后续变形仿真以及铣削力预测。
步骤3：构建仿真变形数据集和预测铣削力特征数据集：
步骤3.1：利用有限元仿真方法获取仿真变形数据集；
步骤3.2：利用铣削力解析预测方法和特征提取方法获取预测铣削力特征数据集；
本实施例中，在特征提取时使用的时域特征及其计算公式如下表1，本实施例中使用的频域特征及其计算公式如下表2。
表1：
表2：
本实施例中，利用特征提取方法，使用上表1、2中所示的特征种类提取铣削力预测信号中的时域频域部分共6个特征，最后形成预测铣削力特征数据集：
式中：为第/>组仿真加工参数中第/>个特征点的预测铣削力特征向量。
步骤4：用步骤2.3中生成的仿真加工参数集、步骤3.1中得到的仿真变形数据集，以及步骤3.2得到预测铣削力特征数据集组成训练数据集。
步骤5：建立并训练变形预测模型。
步骤6：铣削加工期间零件加工残余应力变形预测：
对图2所示结构的待加工零件进行装夹，在实际加工过程中采集铣削力信号，将采集到的铣削力信号与其零件表层位置进行时空映射，获得零件上各特征点处的铣削力信号，再对各特征点处的铣削力信号进行特征提取，提取铣削力信号中的时域特征与频域特征，输入至步骤5所训练好的变形预测模型中，变形预测模型输出相应的铣削加工残余应力变形结果。
对图3中标黑的共13个特征点的实际变形进行检测，检测结果如图7所示，可以证明，本发明所提出的方法可以较为准确地预测零件的铣削加工残余应力变形。
除了上述铣削加工变形预测方法外，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被运行时，用于执行本发明所提供的铣削加工变形预测方法。
与此同时，本发明还提供了一种电子设备，该电子设备包括处理器和存储介质，其中存储介质上存储有计算机程序，该计算机程序被处理器运行时用于执行本发明所提供的铣削加工变形预测方法。
Claims (8)
1.铣削加工残余应力变形预测方法，其特征在于，包括以下步骤：
步骤1：构建训练数据集；
在零件表面选择用于描述零件变形的n个特征点，并按照设计与工艺要求将毛坯的待铣削区域划分为多个加工区域，随机生成m组包含有所有加工区域的仿真加工参数及其对应的磨损速率因子，进而获取零件上各特征点处的仿真加工参数及刀具磨损值，并以零件上各特征点处的仿真加工参数构建仿真加工参数集；
通过有限元仿真获取各组仿真加工参数下零件上各特征点处的变形位移向量，以各特征点处的变形位移向量构建仿真变形数据集；
利用铣削力解析预测方法、基于零件上各特征点处的仿真加工参数及刀具磨损值，获取各特征点附近处的铣削力预测信号，并通过特征提取从各铣削力预测信号中均提取时域、频率共t个特征构成预测铣削力特征向量，以各特征点的预测铣削力特征向量构建预测铣削力特征数据集；
将所述仿真加工参数集、所述仿真变形数据集和所述预测铣削力特征数据集组成训练数据集；
所述仿真加工参数有e种，包括切削速度、进给速度、切深和切宽；所述m＞(e+t)*λ*n，λ为后续构建的变形预测模型的网络层数；
所述特征点的选择方法是：将零件的三维几何模型沿壁厚方向UV展开并进行网格划分，以UV网格划分后所得到的网格中各个结点作为用于描述零件变形的特征点；
步骤2：基于神经网络构建变形预测模型，并利用所述训练数据集进行训练；
步骤3：将铣削加工期间采集的实际铣削力信号与其在零件表层位置进行时空映射，得到零件上各特征点附近处的铣削力信号并进行特征提取，获得其时域与频域特征，输入至步骤2训练好的所述变形预测模型中，得到铣削加工残余应力变形预测值。
2.根据权利要求1所述的铣削加工残余应力变形预测方法，其特征在于：步骤1中的所述仿真加工参数还包括冷却状态、刀轴倾角中的一个或多个。
3.根据权利要求1所述的铣削加工残余应力变形预测方法，其特征在于：步骤1中随机生成包含有所有加工区域的仿真加工参数及其对应的磨损速率因子的方法是：
首先，根据各加工区域的材料及加工精度要求，选择相应的铣削加工刀具，并确定各加工区域的铣削加工参数可选范围；
然后，在所述铣削加工参数可选范围内，分别对各加工区域的铣削加工参数和磨损速率因子进行m次随机生成，每次随机生成能够得到1组包含有零件毛坯上所有铣削加工区域的仿真加工参数及对应的磨损速率因子。
4.根据权利要求1所述的铣削加工残余应力变形预测方法，其特征在于：步骤1中各加工区域不同位置处的刀具磨损值根据函数VB＝ξ*f(V,F,ap,ae,l)计算，其中，VB为刀具后刀面磨损值；V为切削速度；F为进给速度；ap为切深；ae为切宽；l为刀具经过的铣削加工长度；ξ为磨损速率因子，0.8＜ξ＜1.2。
5.根据权利要求1-4任一所述的铣削加工残余应力变形预测方法，其特征在于：步骤2构建的所述变形预测模型为BP神经网络，网络输入有两部分：第一部分输入是各特征点处的仿真加工参数，共需要e*n个第一输入节点；第二部分输入是特征点处的预测铣削力特征向量，共需要t*n个第二输入节点；网络输出为各特征点处的加工残余应力变形。
6.根据权利要求5所述的铣削加工残余应力变形预测方法，其特征在于：步骤2中以所述仿真加工参数集、预测铣削力特征数据集作为模型训练的输入，以仿真变形数据集作为模型训练的输出，采用Levenberg-Marquardt算法作为网络训练算法对所述变形预测模型进行训练。
7.计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被运行时执行权利要求1-6任一所述的铣削加工残余应力变形预测方法。
8.电子设备，包括处理器和存储介质，所述存储介质上存储有计算机程序，其特征在于：所述计算机程序被运行时执行权利要求1-6任一所述的铣削加工残余应力变形预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311099415.4A CN116992778B (zh) | 2023-08-30 | 2023-08-30 | 铣削加工残余应力变形预测方法、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311099415.4A CN116992778B (zh) | 2023-08-30 | 2023-08-30 | 铣削加工残余应力变形预测方法、存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992778A CN116992778A (zh) | 2023-11-03 |
| CN116992778B true CN116992778B (zh) | 2024-04-26 |
Family
ID=88528422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311099415.4A Active CN116992778B (zh) | 2023-08-30 | 2023-08-30 | 铣削加工残余应力变形预测方法、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992778B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117547A (zh) * | 2015-08-25 | 2015-12-02 | 大连理工大学 | 微铣削镍基高温合金预测残余应力的仿真方法 |
| CN105825025A (zh) * | 2016-03-30 | 2016-08-03 | 清华大学 | 板状零件加工变形仿真预测方法 |
| CN106529053A (zh) * | 2016-11-16 | 2017-03-22 | 西北工业大学 | 一种钛合金铣削残余应力场的预测方法 |
| CN107103129A (zh) * | 2017-04-19 | 2017-08-29 | 清华大学 | 一种切削加工中工件表面残余应力的预测方法 |
| CN107657129A (zh) * | 2017-10-17 | 2018-02-02 | 西北工业大学 | 基于装夹力监测的薄壁件残余应力变形感知预测方法 |
| CN107764453A (zh) * | 2017-10-16 | 2018-03-06 | 南京工业大学 | 基于应变变化和反推法的铣削加工零件表面残余应力测量方法 |
| CN108182325A (zh) * | 2017-12-29 | 2018-06-19 | 清华大学深圳研究生院 | 一种薄壁结构件切削加工变形预测分析方法 |
| CN108614418A (zh) * | 2018-03-27 | 2018-10-02 | 西北工业大学 | 钛合金铣削-抛光-喷丸强化残余应力场工艺控制方法 |
| CN109746443A (zh) * | 2018-12-29 | 2019-05-14 | 华中科技大学 | 一种增材制造过程中并行控制零件变形和精度的方法 |
| CN109977464A (zh) * | 2019-02-18 | 2019-07-05 | 江苏科技大学 | 一种基于bp神经网络的活塞切削加工变形量的预测方法 |
| CN110489931A (zh) * | 2019-09-18 | 2019-11-22 | 大连理工大学 | 一种基于切削过程仿真的薄壁微铣削力预测方法 |
| CN111159825A (zh) * | 2019-12-16 | 2020-05-15 | 西北工业大学 | 一种薄壁叶片切削轨迹参数优化方法 |
| CN111783241A (zh) * | 2020-06-16 | 2020-10-16 | 大连理工大学 | 一种薄壁微铣削变形预测方法 |
| CN112668227A (zh) * | 2020-12-31 | 2021-04-16 | 华中科技大学 | 一种薄壁件让刀变形误差预测模型建立方法及其应用 |
| CN112784451A (zh) * | 2020-11-27 | 2021-05-11 | 北京工业大学 | 一种基于有限元和支持向量机的薄壁件加工变形预测方法 |
| CN113414638A (zh) * | 2021-06-04 | 2021-09-21 | 西北工业大学 | 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法 |
| CN113703395A (zh) * | 2021-07-07 | 2021-11-26 | 西北工业大学 | 一种面向加工变形控制的变工况铣削加工夹紧力预测方法 |
| CN113762182A (zh) * | 2021-09-13 | 2021-12-07 | 华中科技大学 | 基于深度网络自适应的铣削刀具磨损状态预测方法及装置 |
| CN113849970A (zh) * | 2021-09-15 | 2021-12-28 | 上海交通大学 | 基于力-热-组织多场耦合的铣削加工表面层残余应力预测方法 |
| CN114444347A (zh) * | 2021-12-31 | 2022-05-06 | 天津大学 | 基于有限元分析的大型曲面薄壁件镜像铣削变形预测方法 |
| CN115329479A (zh) * | 2022-07-22 | 2022-11-11 | 华中科技大学 | 一种初始残余应力的逆辨识预测方法 |
-
2023
- 2023-08-30 CN CN202311099415.4A patent/CN116992778B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117547A (zh) * | 2015-08-25 | 2015-12-02 | 大连理工大学 | 微铣削镍基高温合金预测残余应力的仿真方法 |
| CN105825025A (zh) * | 2016-03-30 | 2016-08-03 | 清华大学 | 板状零件加工变形仿真预测方法 |
| CN106529053A (zh) * | 2016-11-16 | 2017-03-22 | 西北工业大学 | 一种钛合金铣削残余应力场的预测方法 |
| CN107103129A (zh) * | 2017-04-19 | 2017-08-29 | 清华大学 | 一种切削加工中工件表面残余应力的预测方法 |
| CN107764453A (zh) * | 2017-10-16 | 2018-03-06 | 南京工业大学 | 基于应变变化和反推法的铣削加工零件表面残余应力测量方法 |
| CN107657129A (zh) * | 2017-10-17 | 2018-02-02 | 西北工业大学 | 基于装夹力监测的薄壁件残余应力变形感知预测方法 |
| CN108182325A (zh) * | 2017-12-29 | 2018-06-19 | 清华大学深圳研究生院 | 一种薄壁结构件切削加工变形预测分析方法 |
| CN108614418A (zh) * | 2018-03-27 | 2018-10-02 | 西北工业大学 | 钛合金铣削-抛光-喷丸强化残余应力场工艺控制方法 |
| CN109746443A (zh) * | 2018-12-29 | 2019-05-14 | 华中科技大学 | 一种增材制造过程中并行控制零件变形和精度的方法 |
| CN109977464A (zh) * | 2019-02-18 | 2019-07-05 | 江苏科技大学 | 一种基于bp神经网络的活塞切削加工变形量的预测方法 |
| CN110489931A (zh) * | 2019-09-18 | 2019-11-22 | 大连理工大学 | 一种基于切削过程仿真的薄壁微铣削力预测方法 |
| CN111159825A (zh) * | 2019-12-16 | 2020-05-15 | 西北工业大学 | 一种薄壁叶片切削轨迹参数优化方法 |
| CN111783241A (zh) * | 2020-06-16 | 2020-10-16 | 大连理工大学 | 一种薄壁微铣削变形预测方法 |
| WO2021253963A1 (zh) * | 2020-06-16 | 2021-12-23 | 大连理工大学 | 一种薄壁微铣削变形预测方法 |
| CN112784451A (zh) * | 2020-11-27 | 2021-05-11 | 北京工业大学 | 一种基于有限元和支持向量机的薄壁件加工变形预测方法 |
| CN112668227A (zh) * | 2020-12-31 | 2021-04-16 | 华中科技大学 | 一种薄壁件让刀变形误差预测模型建立方法及其应用 |
| CN113414638A (zh) * | 2021-06-04 | 2021-09-21 | 西北工业大学 | 一种基于铣削力时序图深度学习的变工况铣刀磨损状态预测方法 |
| CN113703395A (zh) * | 2021-07-07 | 2021-11-26 | 西北工业大学 | 一种面向加工变形控制的变工况铣削加工夹紧力预测方法 |
| CN113762182A (zh) * | 2021-09-13 | 2021-12-07 | 华中科技大学 | 基于深度网络自适应的铣削刀具磨损状态预测方法及装置 |
| CN113849970A (zh) * | 2021-09-15 | 2021-12-28 | 上海交通大学 | 基于力-热-组织多场耦合的铣削加工表面层残余应力预测方法 |
| CN114444347A (zh) * | 2021-12-31 | 2022-05-06 | 天津大学 | 基于有限元分析的大型曲面薄壁件镜像铣削变形预测方法 |
| CN115329479A (zh) * | 2022-07-22 | 2022-11-11 | 华中科技大学 | 一种初始残余应力的逆辨识预测方法 |
Non-Patent Citations (11)
| Title |
|---|
| Milling distortion prediction for thin-walled component based on the average MIRS in specimen machining;Zhongxi Zhang;《International Journal of Advanced Manufacturing Technology》;20201019;第111卷(第11-12期);第1-14页 * |
| Milling force modeling of worn tool and tool flank wear recognition in end milling;Yongfeng Hou, Dinghua Zhang, Baohai Wu, and Ming Luo;《IEEE/ASME Transactions on Mechatronics》;20141006;第20卷(第3期);第1024-1035页 * |
| TC11钛合金插铣加工铣削力影响参数的灵敏度分析;杨振朝;张定华;姚倡锋;任军学;田卫军;;航空学报;20090925(第09期);全文 * |
| 切削力建模方法综述;胡创国;张定华;任军学;杨蕾;;力学进展;20061125(第04期);全文 * |
| 基于ABAQUS的航空叶轮铣削变形机理研究;李林;蔡安江;;组合机床与自动化加工技术;20160518(第05期);全文 * |
| 基于RBF神经网络的航空叶片铣削残余应力预测;周金华;任军学;蔡菊;;计算机集成制造系统;20170103(第02期);全文 * |
| 基于时空映射的加工过程数据监测与可视化分析;张莹，张定华等;《中国机械工程》;20211031;第32卷(第20期);第2449-2457页 * |
| 基于装夹力监测的叶片类零件铣削残余应力变形感知预测;王骏腾;张定华;吴宝海;罗明;;机械工程学报;20180817(第19期);全文 * |
| 零件结构形式对铣削加工变形的影响研究;刘胜永;万晓航;董兆伟;;机械设计与制造;20070328(第03期);全文 * |
| 面向航空复杂薄壁零件智能加工的进化建模方法;张定华;张仲玺;罗明;吴宝海;;航空制造技术;20160815(第16期);全文 * |
| 高速铣削参数对TC17钛合金表面变质层的影响;谭靓;张定华;姚倡锋;;航空材料学报;20171130(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992778A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI481978B (zh) | 工具機之加工品質的預測方法 | |
| Costes et al. | Surface roughness prediction in milling based on tool displacements | |
| CN104298171B (zh) | 一种介观尺度零件加工误差预测以及控制方法 | |
| CN107627152B (zh) | 一种基于bp神经网络的数控加工切屑控制方法 | |
| Raghunandan et al. | Selection of sampling points for accurate evaluation of flatness error using coordinate measuring machine | |
| Paul et al. | Multi-objective optimization of some correlated process parameters in EDM of Inconel 800 using a hybrid approach | |
| Lin et al. | Cost-tolerance analysis model based on a neural networks method | |
| CN103192292B (zh) | 基于加工工件曲面形貌信息的数控机床误差辨识分离方法 | |
| Lan et al. | Competitive parameter optimization of multi-quality CNC turning | |
| Quintana et al. | Prediction, monitoring and control of surface roughness in high-torque milling machine operations | |
| Lu et al. | Research on the prediction model of micro-milling surface roughness of Inconel718 based on SVM | |
| Li et al. | Roughness prediction model of milling noise-vibration-surface texture multi-dimensional feature fusion for N6 nickel metal | |
| Yao et al. | Position-dependent milling process monitoring and surface roughness prediction for complex thin-walled blade component | |
| CN116992778B (zh) | 铣削加工残余应力变形预测方法、存储介质和电子设备 | |
| CN111948977B (zh) | 一种用于不锈钢加工的多目标优化方法和系统 | |
| Fu et al. | Surface texture topography evaluation and classification by considering the tool posture changes in five-axis milling | |
| CN109648397B (zh) | 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法 | |
| CN109446721B (zh) | 基于标识符软件线程执行顺序排列的机床工艺交互算法 | |
| Pour et al. | Improving FEM model of low immersion milling process using multi-objective optimization of tool elastic support dynamic properties | |
| Jain et al. | Vibration monitoring of ball nose end mill tool during milling of sculptured surfaces using MUP6050 sensor | |
| Zhang et al. | Investigations on model-based simulation of tool wear with carbide tools in milling operation | |
| CN110681929B (zh) | 精车大螺距螺纹切削工艺系统稳定性设计方法 | |
| Polyakov et al. | Simulation thermal model of CNC machine tool operating with variable modes | |
| Kumar et al. | Optimization of machining parameters in a turning operation of AISI 202 austenitic stainless steelto minimize surface roughness | |
| Asiabanpour et al. | Optimizing the Quality of Parts Manufactured by the Automated Plasma Cutting Process using Response Surface Methodology |
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 |