CN117195438B - 轴类零件尺寸误差补偿方法及装置 - Google Patents
轴类零件尺寸误差补偿方法及装置 Download PDFInfo
- Publication number
- CN117195438B CN117195438B CN202311468811.XA CN202311468811A CN117195438B CN 117195438 B CN117195438 B CN 117195438B CN 202311468811 A CN202311468811 A CN 202311468811A CN 117195438 B CN117195438 B CN 117195438B
- Authority
- CN
- China
- Prior art keywords
- machining
- target
- error
- pass
- processing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 129
- 238000003754 machining Methods 0.000 claims abstract description 360
- 238000012545 processing Methods 0.000 claims abstract description 132
- 230000008569 process Effects 0.000 claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 230000007787 long-term memory Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 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
- 238000005096 rolling process Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- 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
- Numerical Control (AREA)
Abstract
本申请涉及智能制造技术领域，特别涉及一种轴类零件尺寸误差补偿方法及装置，其中，方法包括：采集目标轴类零件加工系统的加工过程数据，构建尺寸误差物理模型，基于预先训练的预设双深度神经网络模型，预测目标加工道次对应的切向系统刚度系数和加工力模式系数，更新尺寸误差物理模型，计算目标加工道次对应的加工尺寸误差，得到误差补偿值补偿目标轴类零件加工系统的尺寸误差。本申请实施例可以基于数据驱动物理模型方法，通过融合双深度神经网络预测与物理建模计算的优势，还原真实加工过程物理机理，并根据加工过程数据处理时变特性，从而实现轴类零件尺寸误差的精确补偿，有效提升了轴类零件加工的尺寸精度，更具可靠性。
Description
技术领域
本申请涉及智能制造技术领域，特别涉及一种轴类零件尺寸误差补偿方法及装置。
背景技术
轧辊、传动轴等长周期加工轴类零件广泛用于轧制生产及各类机械设备，维持长周期加工轴类零件的服役性能要求较高的加工质量，可通过对轴类零件加工尺寸误差的建模和补偿完善其精密加工过程。
相关技术中，可基于物理建模方法揭示加工过程中各个工艺参数之间的相互作用规律，并依据所建立的解析表达式对加工系统的时变特性进行表征；或基于数据驱动方法，通过分析加工数据，建立加工过程数据与加工质量的非线性关联，对长周期加工轴类零件的加工过程进行描述。
然而，因长周期加工轴类零件几何尺寸大、加工周期长、加工道次多、工艺参数多、接触状态复杂，使加工过程具有明显的时变特性，相关技术中，物理建模方法对于时变特性的适应性较差，导致物理模型难以准确描述长周期加工轴类零件的实际加工过程，而数据驱动方法的加工过程数据能够反映加工过程的时变特性，但缺乏物理层面建模，难以对加工工艺进行指导，无法实现对长周期加工轴类零件精确、有效的尺寸误差补偿，亟待解决。
发明内容
本申请提供一种轴类零件尺寸误差补偿方法及装置，以解决因长周期加工轴类零件几何尺寸大、加工周期长、加工道次多、工艺参数多、接触状态复杂，使加工过程具有明显的时变特性，相关技术中，物理建模方法对于时变特性的适应性较差，导致物理模型难以准确描述长周期加工轴类零件的实际加工过程，而数据驱动方法的加工过程数据能够反映加工过程的时变特性，但缺乏物理层面建模，难以对加工工艺进行指导，无法实现对长周期加工轴类零件精确、有效的尺寸误差补偿等问题。
本申请第一方面实施例提供一种轴类零件尺寸误差补偿方法，包括以下步骤：采集目标轴类零件加工系统的加工过程数据；基于所述加工过程数据，构建所述目标轴类零件加工系统的尺寸误差物理模型；基于预先训练的预设双深度神经网络模型，预测目标加工道次对应的切向系统刚度系数和加工力模式系数；基于所述切向系统刚度系数和所述加工力模式系数更新所述尺寸误差物理模型，利用更新后的尺寸误差物理模型计算所述目标加工道次对应的加工尺寸误差，并根据所述加工尺寸误差得到所述目标加工道次的误差补偿值，以基于所述误差补偿值补偿所述目标轴类零件加工系统的尺寸误差。
可选地，在本申请的一个实施例中，所述基于所述加工过程数据构建所述目标轴类零件加工系统的尺寸误差物理模型，包括：离散所述加工过程数据，得到实际加工过程对应的多个离散接触区域；构建所述多个离散接触区域的工件微元半径矩阵，利用所述工件微元半径矩阵得到所述目标轴类零件加工系统的几何模型；基于所述几何模型计算所述多个离散接触区域对应的实际加工深度，基于所述实际加工深度与预设理论加工深度得到所述尺寸误差物理模型。
可选地，在本申请的一个实施例中，在预测所述目标加工道次对应的切向系统刚度系数和加工力模式系数之前，还包括：将所述加工过程数据输入所述预设双深度神经网络模型的预设卷积神经网络，得到每个加工道次对应的切向系统刚度系数和加工力模式系数，并生成所述切向系统刚度系数和所述加工力模式系数对应的时间序列；利用所述切向系统刚度系数、所述加工力模式系数和所述时间序列训练预设双深度神经网络模型的预设长短期记忆网络，得到所述预先训练的预设双深度神经网络模型。
可选地，在本申请的一个实施例中，所述基于预先训练的预设双深度神经网络模型，预测目标加工道次对应的切向系统刚度系数和加工力模式系数，包括：获取所述目标轴类零件加工系统在执行所述目标加工道次之前的实际加工数据；将所述实际加工数据输入至所述预设双深度神经网络模型，得到所述目标加工道次对应的切向系统刚度系数和加工力模式系数。
可选地，在本申请的一个实施例中，所述每个加工道次对应的切向系统刚度系数和加工力模式系数的表达式为：
其中，为切向系统刚度系数，/>为加工力模式系数，/>为第j道次加工中z处的切向系统刚度，/>为加工过程数据中z处的切向系统刚度，/>为第j道加工道次中z处的切向加工力，/>为加工过程数据拟合产生的加工力系数，/>为刀具线速度，为工件转速，/>为轴向进给速度，/>为第j道加工道次中z处的实际加工深度，/> 、/> 、/> 、/>为工艺参数指数。
可选地，在本申请的一个实施例中，所述利用更新后的尺寸误差物理模型计算所述目标加工道次对应的加工尺寸误差，根据所述加工尺寸误差得到所述目标加工道次的误差补偿值，包括：判断所述目标加工道次对应的加工尺寸误差是否满足预设精度要求；若所述加工尺寸误差不满足所述预设精度要求，则基于所述加工尺寸误差调整所述目标轴类零件加工系统的刀具轨迹，根据调整后的刀具轨迹重新计算所述目标加工道次对应的加工尺寸误差，迭代计算直至所述加工尺寸误差满足预设精度要求；若所述加工尺寸误差满足所述预设精度要求，则基于所述加工尺寸误差输出所述目标加工道次的误差补偿值。
本申请第二方面实施例提供一种轴类零件尺寸误差补偿装置，包括：采集模块，用于采集目标轴类零件加工系统的加工过程数据；构建模块，用于基于所述加工过程数据，构建所述目标轴类零件加工系统的尺寸误差物理模型；预测模块，用于基于预先训练的预设双深度神经网络模型，预测目标加工道次对应的切向系统刚度系数和加工力模式系数；补偿模块，用于基于所述切向系统刚度系数和所述加工力模式系数更新所述尺寸误差物理模型，利用更新后的尺寸误差物理模型计算所述目标加工道次对应的加工尺寸误差，并根据所述加工尺寸误差得到所述目标加工道次的误差补偿值，以基于所述误差补偿值补偿所述目标轴类零件加工系统的尺寸误差。
可选地，在本申请的一个实施例中，所述构建模块包括：离散单元，用于离散所述加工过程数据，得到实际加工过程对应的多个离散接触区域；构建单元，用于构建所述多个离散接触区域的工件微元半径矩阵，利用所述工件微元半径矩阵得到所述目标轴类零件加工系统的几何模型；计算单元，用于基于所述几何模型计算所述多个离散接触区域对应的实际加工深度，基于所述实际加工深度与预设理论加工深度得到所述尺寸误差物理模型。
可选地，在本申请的一个实施例中，还包括：生成模块，用于在预测所述目标加工道次对应的切向系统刚度系数和加工力模式系数之前，将所述加工过程数据输入所述预设双深度神经网络模型的预设卷积神经网络，得到每个加工道次对应的切向系统刚度系数和加工力模式系数，并生成所述切向系统刚度系数和所述加工力模式系数对应的时间序列；训练模块，用于利用所述切向系统刚度系数、所述加工力模式系数和所述时间序列训练预设双深度神经网络模型的预设长短期记忆网络，得到所述预先训练的预设双深度神经网络模型。
可选地，在本申请的一个实施例中，所述预测模块包括：获取单元，用于获取所述目标轴类零件加工系统在执行所述目标加工道次之前的实际加工数据；输入单元，用于将所述实际加工数据输入至所述预设双深度神经网络模型，得到所述目标加工道次对应的切向系统刚度系数和加工力模式系数。
可选地，在本申请的一个实施例中，所述每个加工道次对应的切向系统刚度系数和加工力模式系数的表达式为：
其中，为切向系统刚度系数，/>为加工力模式系数，/>为第j道次加工中z处的切向系统刚度，/>为加工过程数据中z处的切向系统刚度，/>为第j道加工道次中z处的切向加工力，/>为加工过程数据拟合产生的加工力系数，/>为刀具线速度，为工件转速，/>为轴向进给速度，/>为第j道加工道次中z处的实际加工深度，/> 、/> 、/> 、/>为工艺参数指数。
可选地，在本申请的一个实施例中，所述补偿模块包括：判断单元，用于判断所述目标加工道次对应的加工尺寸误差是否满足预设精度要求；迭代单元，用于在所述加工尺寸误差不满足所述预设精度要求时，基于所述加工尺寸误差调整所述目标轴类零件加工系统的刀具轨迹，根据调整后的刀具轨迹重新计算所述目标加工道次对应的加工尺寸误差，迭代计算直至所述加工尺寸误差满足预设精度要求；输出单元，用于在所述加工尺寸误差满足所述预设精度要求时，基于所述加工尺寸误差输出所述目标加工道次的误差补偿值。
本申请第三方面实施例提供一种轴类零件加工系统，用于实现如上述实施例所述的轴类零件尺寸误差补偿方法。
本申请第四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轴类零件尺寸误差补偿方法。
本申请第五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轴类零件尺寸误差补偿方法。
本申请实施例可以基于数据驱动物理模型方法，通过融合双深度神经网络预测与物理建模计算的优势，还原真实加工过程物理机理，并根据加工过程数据处理时变特性，从而实现轴类零件尺寸误差的精确补偿，有效提升了轴类零件加工的尺寸精度，更具可靠性。由此，解决了因长周期加工轴类零件几何尺寸大、加工周期长、加工道次多、工艺参数多、接触状态复杂，使加工过程具有明显的时变特性，相关技术中，物理建模方法对于时变特性的适应性较差，导致物理模型难以准确描述长周期加工轴类零件的实际加工过程，而数据驱动方法的加工过程数据能够反映加工过程的时变特性，但缺乏物理层面建模，难以对加工工艺进行指导，无法实现对长周期加工轴类零件精确、有效的尺寸误差补偿等问题。
本申请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，或通过本申请的实践了解到。
附图说明
本申请上述的和/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为根据本申请实施例提供的一种轴类零件尺寸误差补偿方法的流程图；
图2为本申请一个实施例的长周期精密加工轴类零件磨削的流程图；
图3为本申请一个实施例的长周期精密加工轴类零件磨削的原理示意图；
图4为根据本申请实施例的轴类零件尺寸误差补偿装置的结构示意图；
图5为根据本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，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，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的轴类零件尺寸误差补偿方法及装置。针对上述背景技术中提到的因长周期加工轴类零件几何尺寸大、加工周期长、加工道次多、工艺参数多、接触状态复杂，使加工过程具有明显的时变特性，相关技术中，物理建模方法对于时变特性的适应性较差，导致物理模型难以准确描述长周期加工轴类零件的实际加工过程，而数据驱动方法的加工过程数据能够反映加工过程的时变特性，但缺乏物理层面建模，难以对加工工艺进行指导，无法实现对长周期加工轴类零件精确、有效的尺寸误差补偿的问题，本申请提供了一种轴类零件尺寸误差补偿方法，可以基于数据驱动物理模型方法，通过融合双深度神经网络预测与物理建模计算的优势，还原真实加工过程物理机理，并根据加工过程数据处理时变特性，从而实现轴类零件尺寸误差的精确补偿，有效提升了轴类零件加工的尺寸精度，更具可靠性。由此，解决了因长周期加工轴类零件几何尺寸大、加工周期长、加工道次多、工艺参数多、接触状态复杂，使加工过程具有明显的时变特性，相关技术中，物理建模方法对于时变特性的适应性较差，导致物理模型难以准确描述长周期加工轴类零件的实际加工过程，而数据驱动方法的加工过程数据能够反映加工过程的时变特性，但缺乏物理层面建模，难以对加工工艺进行指导，无法实现对长周期加工轴类零件精确、有效的尺寸误差补偿等问题。
具体而言，图1为本申请实施例所提供的一种轴类零件尺寸误差补偿方法的流程示意图。
如图1所示，该轴类零件尺寸误差补偿方法包括以下步骤：
在步骤S101中，采集目标轴类零件加工系统的加工过程数据。
可以理解的是，本申请实施例可以通过对选定的目标轴类零件加工系统进行加工预实验，从而辨识轴类零件加工系统的切向系统刚度，确定加工力模式，并采集加工过程数据。
具体而言，在加工预实验中，可以由正交试验法生成不同的加工工艺参数组合，对于每一种加工工艺参数组合进行一个加工道次测试。测试加工前、加工后的工件轮廓，从中采集加工过程振动数据和加工力数据，并测量加工前、加工后的刀具轮廓。
其中，以工件长度方向为z向，切向系统刚度的计算方法为：
式中，为切向系统刚度，/>为切向加工力，/>为理论加工深度，/>为实际加工深度，/>为单个加工道次的刀具损耗量，/>为工件长度，/>为当前加工位置，/>；根据不同加工工艺参数下的切向加工力和实际加工深度，由最小二乘法拟合确定加工力模式的表达方式如下：
式中，表示加工力模式，/>为加工预实验数据拟合产生的加工力系数，/>为实际加工深度，/>为刀具线速度，/>为工件转速，/>为轴向进给速度，/>、/>、/>、/>为工艺参数指数，在实际加工过程中认为其保持恒定。
在步骤S102中，基于加工过程数据，构建目标轴类零件加工系统的尺寸误差物理模型。
可以理解的是，在本申请的实施例中，可以通过上述步骤所得加工过程数据构建目标轴类零件加工系统的尺寸误差物理模型，以反映加工过程中，在刀具损耗和加工力综合作用下产生的尺寸误差。
可选地，在本申请的一个实施例中，基于加工过程数据构建目标轴类零件加工系统的尺寸误差物理模型，包括：离散加工过程数据，得到实际加工过程对应的多个离散接触区域；构建多个离散接触区域的工件微元半径矩阵，利用工件微元半径矩阵得到目标轴类零件加工系统的几何模型；基于几何模型计算多个离散接触区域对应的实际加工深度，基于实际加工深度与预设理论加工深度得到尺寸误差物理模型。
需要说明的是，预设理论加工深度可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
在实际执行过程中，离散加工过程数据时，可以首先将目标轴类零件加工系统的刀具和工件实体进行离散化。其中，刀具沿其宽度方向划分为有限的微元，微元宽度为；工件沿其长度方向和圆周方向划分为有限的微元，微元长度为/>，微元角度为/>；将加工过程分解为若干个离散接触区域，设离散接触区域沿工件长度方向的范围为，沿工件圆周方向的范围为/>，则工件几何尺寸，即本申请实施例中的目标轴类零件加工系统的几何模型，可以由各离散接触区域的工件微元半径矩阵表示为：
式中，为刀具宽度，/>为各离散接触区域的划分步长，/>为工件半径。离散接触区域的平均加工力可以用两种计算方法得到，分别表示为：
式中，m和n为矩阵的行数和列数，/>为径向加工力引起的径向变形。基于平均加工力的两种计算结果，寻找/>，使/>最接近/>，则实际加工深度为：
位置处的加工尺寸误差为：
式中，为加工尺寸误差，/>为实际加工深度，/>为预设理论加工深度。
在步骤S103中，基于预先训练的预设双深度神经网络模型，预测目标加工道次对应的切向系统刚度系数和加工力模式系数。
需要说明的是，预设双深度神经网络模型可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
可以理解的是，在本申请的实施例中，可以预先搭建双深度神经网络，并利用目标轴类零件加工系统的加工数据训练双深度神经网络，得到预先训练的预设双深度神经网络模型，由该模型对目标轴类零件加工系统加工该过程中的目标加工道次进行预测，获取目标加工道次对应的切向系统刚度系数和加工力模式系数。
可选地，在本申请的一个实施例中，在预测目标加工道次对应的切向系统刚度系数和加工力模式系数之前，还包括：将加工过程数据输入预设双深度神经网络模型的预设卷积神经网络，得到每个加工道次对应的切向系统刚度系数和加工力模式系数，并生成切向系统刚度系数和加工力模式系数对应的时间序列；利用切向系统刚度系数、加工力模式系数和时间序列训练预设双深度神经网络模型的预设长短期记忆网络，得到预先训练的预设双深度神经网络模型。
需要说明的是，预设卷积神经网络和预设长短期记忆网络可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
在实际执行过程中，预设双深度神经网络由预设卷积神经网络CNN（Convolutional Neural Networks）和预设长短期记忆网络LSTM（Long Short-TermMemory）组成，预设长短期记忆网络包含两个子网络，分别用预设卷积神经网络计算得到切向系统刚度系数和加工力模式系数/>的时间序列训练预设长短期记忆网络的两个子网络，使训练后的预设双深度神经网络能够预测下一加工道次的切向系统刚度系数/>和加工力模式系数/>。
可选地，在本申请的一个实施例中，基于预先训练的预设双深度神经网络模型，预测目标加工道次对应的切向系统刚度系数和加工力模式系数，包括：获取目标轴类零件加工系统在执行目标加工道次之前的实际加工数据；将实际加工数据输入至预设双深度神经网络模型，得到目标加工道次对应的切向系统刚度系数和加工力模式系数。
在实际执行过程中，可实时采集目标轴类零件加工系统在实际加工过程中实际加工数据，将执行目标加工道次之前所有加工道次的累计加工数据作为该目标加工道次所需的实际加工数据。
可选地，在本申请的一个实施例中，每个加工道次对应的切向系统刚度系数和加工力模式系数的表达式为：
其中，为切向系统刚度系数，/>为加工力模式系数，/>为第j道次加工中z处的切向系统刚度，/>为加工过程数据中z处的切向系统刚度，/>为第j道加工道次中z处的切向加工力，/>为加工过程数据拟合产生的加工力系数，/>为刀具线速度，为工件转速，/>为轴向进给速度，/>为第j道加工道次中z处的实际加工深度，/> 、/> 、/> 、/>为工艺参数指数。
可以理解的是，在本申请的实施例中，预设卷积神经网络基于目标轴类零件加工系统的三向振动数据、加工力数据和工件位置预测当前加工道次的切向系统刚度，预设卷积神经网络CNN的输入格式为：
式中，是/>三向的振动数据向量，/>是加工力数据向量，/>是工件位置向量；由CNN输出结果计算得到当前道次的切向刚度系数和加工力模式系数，具体表示为上述本申请实施例的表达式。
在步骤S104中，基于切向系统刚度系数和加工力模式系数更新尺寸误差物理模型，利用更新后的尺寸误差物理模型计算目标加工道次对应的加工尺寸误差，并根据加工尺寸误差得到目标加工道次的误差补偿值，以基于误差补偿值补偿目标轴类零件加工系统的尺寸误差。
可以理解的是，在本申请的实施例中，可以将上述步骤中预设双深度神经网络预测得到的目标加工道次的切向系统刚度系数和加工力模式系数，用于更新尺寸误差物理模型，从而使用更新后的尺寸误差物理模型预测目标加工道次的加工尺寸误差，生成非线性补偿值，根据补偿值调整刀具轨迹，实现尺寸误差补偿。
可选地，在本申请的一个实施例中，利用更新后的尺寸误差物理模型计算目标加工道次对应的加工尺寸误差，根据加工尺寸误差得到目标加工道次的误差补偿值，包括：判断目标加工道次对应的加工尺寸误差是否满足预设精度要求；若加工尺寸误差不满足预设精度要求，则基于加工尺寸误差调整目标轴类零件加工系统的刀具轨迹，根据调整后的刀具轨迹重新计算目标加工道次对应的加工尺寸误差，迭代计算直至加工尺寸误差满足预设精度要求；若加工尺寸误差满足预设精度要求，则基于加工尺寸误差输出目标加工道次的误差补偿值。
需要说明的是，预设精度要求可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
举例而言，对目标加工道次进行第一次迭代计算时，可以结合目标轴类零件加工系统的工艺参数，由更新后的尺寸误差物理模型预测目标加工道次加工尺寸误差，判断加工尺寸误差是否满足预设精度要求。
若加工尺寸误差不满足预设精度要求，则将其设置为刀具轨迹调整值的初值。利用所得初值调整刀具轨迹，根据调整后的刀具位置，通过更新后的尺寸误差物理模型重新预测加工尺寸误差，并将刀具轨迹调整值叠加上本次预测的加工尺寸误差，在第/>次迭代后将补偿值设为/>，继续进行第/>次迭代，直至满足尺寸误差要求，以此规则重复进行迭代计算
若加工尺寸误差满足预设精度要求，则第次迭代计算时预测得到的加工尺寸误差/>满足尺寸精度要求，迭代计算结束，补偿值为/>，根据最终输出的加工尺寸误差调整刀具轨迹，进行尺寸误差补偿。
下面如图2-3所示，以长周期精密加工轴类零件磨削为例，对长周期精密加工的轴类零件尺寸误差补偿方法的工作原理进行详细阐述。如图2所示，具体包括以下步骤：
步骤S201：进行磨削加工预实验，测量磨削加工前、加工后的工件轮廓以及刀具轮廓，采集加工过程振动信号及主轴功率信号，辨识加工系统的切向系统刚度及加工力模式。
针对长周期精密加工轴类零件磨削，可以采用磨床的测量臂通过测头测量加工前、加工后的工件轮廓以及刀具轮廓，如图3所示，在托瓦处布置一个振动传感器，使用NI振动信号采集系统实现对磨削加工过程三向振动信号的采集，采样频率为5000Hz，主轴磨削加工功率可由磨床数控系统进行读取，数控系统对磨削加工功率的采样频率为2000Hz，通过磨削加工功率和刀具线速度可计算出加工力数据，进而实现对加工系统的切向系统刚度及加工力模式的辨识。
步骤S202：考虑刀具损耗及加工力的综合作用，建立等效离散化轴类零件尺寸误差物理模型。
在图3中，通过采用等效离散化建模方法降低建模难度，将磨削全过程接触区域分解为有限的离散接触区域，用离散接触区域上的刀具平均行为来等效多个瞬时接触区域上的刀具微观行为，来表征刀具磨损和工件材料去除。
本发明实施例可以将刀具和工件实体离散化，其中刀具沿其宽度方向划分为有限的微元，微元宽度为；工件沿其长度方向和圆周方向划分为有限的微元，微元长度为/>，微元角度为/>；将加工过程分解为若干个离散接触区域，设离散接触区域沿工件长度方向的范围为/>，沿工件圆周方向的范围为/>，通过各离散接触区域的工件微元半径矩阵/>表示工件几何尺寸，其计算公式为：
其中，为刀具宽度，/>为各离散接触区域的划分步长，/>为工件半径。
步骤S203，搭建预设双深度神经网络，基于磨削加工预实验的加工过程数据对预设双深度神经网络中的预设卷积神经网络进行训练，并使用预设卷积神经网络的输出结果训练预设长短期记忆网络的两个子网络，使得训练后的预设长短期记忆网络能够预测下一加工道次的切向系统刚度系数和加工力模式系数，实现对等效离散化尺寸误差物理模型中的切向系统刚度和加工力模式的更新。
其中，使用磨削加工预实验测得的三向振动数据、加工力数据和工件位置对预设卷积神经网络进行训练，预设卷积神经网络的输入格式为：
其中，是/>三向的振动数据向量，/>是加工力数据向量，/>是工件位置向量；由CNN输出结果计算得到当前道次的切向刚度系数/>和加工力模式系数/>，/>和/>的定义为：
其中，为第j道次加工中z处的切向系统刚度，/>为加工预实验中z处的切向系统刚度；/>为第j道次加工中z处的切向加工力，/>为加工预实验数据拟合产生的加工力系数，/>为第j道次加工中z处的实际加工深度，/> 、/> 、/> 、/>为前述工艺参数指数，在实际加工过程中认为其保持恒定。
进一步地，可以根据CNN计算得到的和/>的时间序列训练LSTM的两个子网络，使训练后的LSTM能够预测下一加工道次的/>和/>，进而实现对等效离散化尺寸误差物理模型中的切向系统刚度和加工力模式的更新。
步骤S204：使用更新后的等效离散化物理模型预测加工尺寸误差，并生成非线性补偿值，通过调整刀具轨迹实现尺寸误差补偿。
其中，可以用两种计算方法得到离散接触区域的平均磨削加工力，计算公式为：
其中，m和n为矩阵的行数和列数，/>为径向加工力引起的径向变形。
寻找，使/>最接近/>，则实际磨削加工深度为：
位置处的加工尺寸误差为：
进一步地，进行第次迭代，补偿值为/>，其中E i为第i次迭代计算的加工尺寸误差，基于更新的物理模型计算下一加工道次的加工尺寸误差E n；若E n满足尺寸精度要求，补偿值为/>；若不满足要求，将补偿值设为/>，进行第n+1次迭代，直至满足尺寸误差要求。
再进一步地，根据补偿值调整刀具轨迹，进行尺寸误差补偿。
根据本申请实施例提出的轴类零件尺寸误差补偿方法，可以基于数据驱动物理模型方法，通过融合双深度神经网络预测与物理建模计算的优势，还原真实加工过程物理机理，并根据加工过程数据处理时变特性，从而实现轴类零件尺寸误差的精确补偿，有效提升了轴类零件加工的尺寸精度，更具可靠性。由此，解决了因长周期加工轴类零件几何尺寸大、加工周期长、加工道次多、工艺参数多、接触状态复杂，使加工过程具有明显的时变特性，相关技术中，物理建模方法对于时变特性的适应性较差，导致物理模型难以准确描述长周期加工轴类零件的实际加工过程，而数据驱动方法的加工过程数据能够反映加工过程的时变特性，但缺乏物理层面建模，难以对加工工艺进行指导，无法实现对长周期加工轴类零件精确、有效的尺寸误差补偿等问题。
其次，参照附图描述根据本申请实施例提出的轴类零件尺寸误差补偿装置。
图4是本申请实施例的轴类零件尺寸误差补偿装置的结构示意图。
如图4所示，该轴类零件尺寸误差补偿装置10包括：采集模块100、构建模块200、预测模块300和补偿模块400。
其中，采集模块100，用于采集目标轴类零件加工系统的加工过程数据。
构建模块200，用于基于加工过程数据，构建目标轴类零件加工系统的尺寸误差物理模型。
预测模块300，用于基于预先训练的预设双深度神经网络模型，预测目标加工道次对应的切向系统刚度系数和加工力模式系数。
补偿模块400，用于基于切向系统刚度系数和加工力模式系数更新尺寸误差物理模型，利用更新后的尺寸误差物理模型计算目标加工道次对应的加工尺寸误差，并根据加工尺寸误差得到目标加工道次的误差补偿值，以基于误差补偿值补偿目标轴类零件加工系统的尺寸误差。
可选地，在本申请的一个实施例中，构建模块200包括：离散单元、构建单元和计算单元。
其中，离散单元，用于离散加工过程数据，得到实际加工过程对应的多个离散接触区域。
构建单元，用于构建多个离散接触区域的工件微元半径矩阵，利用工件微元半径矩阵得到目标轴类零件加工系统的几何模型；
计算单元，用于基于几何模型计算多个离散接触区域对应的实际加工深度，基于实际加工深度与预设理论加工深度得到尺寸误差物理模型。
可选地，在本申请的一个实施例中，还包括：生成模块和训练模块。
其中，生成模块，用于在预测目标加工道次对应的切向系统刚度系数和加工力模式系数之前，将加工过程数据输入预设双深度神经网络模型的预设卷积神经网络，得到每个加工道次对应的切向系统刚度系数和加工力模式系数，并生成切向系统刚度系数和加工力模式系数对应的时间序列；
训练模块，用于利用切向系统刚度系数、加工力模式系数和时间序列训练预设双深度神经网络模型的预设长短期记忆网络，得到预先训练的预设双深度神经网络模型。
可选地，在本申请的一个实施例中，预测模块300包括：获取单元和输入单元。
其中，获取单元，用于获取目标轴类零件加工系统在执行目标加工道次之前的实际加工数据；
输入单元，用于将实际加工数据输入至预设双深度神经网络模型，得到目标加工道次对应的切向系统刚度系数和加工力模式系数。
可选地，在本申请的一个实施例中，每个加工道次对应的切向系统刚度系数和加工力模式系数的表达式为：
其中，为切向系统刚度系数，/>为加工力模式系数，/>为第j道次加工中z处的切向系统刚度，/>为加工过程数据中z处的切向系统刚度，/>为第j道加工道次中z处的切向加工力，/>为加工过程数据拟合产生的加工力系数，/>为刀具线速度，为工件转速，/>为轴向进给速度，/>为第j道加工道次中z处的实际加工深度，/> 、/> 、/> 、/>为工艺参数指数。
可选地，在本申请的一个实施例中，补偿模块400包括：判断单元、迭代单元和输出单元。
其中，判断单元，用于判断目标加工道次对应的加工尺寸误差是否满足预设精度要求。
迭代单元，用于在加工尺寸误差不满足预设精度要求时，基于加工尺寸误差调整目标轴类零件加工系统的刀具轨迹，根据调整后的刀具轨迹重新计算目标加工道次对应的加工尺寸误差，迭代计算直至加工尺寸误差满足预设精度要求。
输出单元，用于在加工尺寸误差满足预设精度要求时，基于加工尺寸误差输出目标加工道次的误差补偿值。
需要说明的是，前述对轴类零件尺寸误差补偿方法实施例的解释说明也适用于该实施例的轴类零件尺寸误差补偿装置，此处不再赘述。
根据本申请实施例提出的轴类零件尺寸误差补偿装置，可以基于数据驱动物理模型方法，通过融合双深度神经网络预测与物理建模计算的优势，还原真实加工过程物理机理，并根据加工过程数据处理时变特性，从而实现轴类零件尺寸误差的精确补偿，有效提升了轴类零件加工的尺寸精度，更具可靠性。由此，解决了因长周期加工轴类零件几何尺寸大、加工周期长、加工道次多、工艺参数多、接触状态复杂，使加工过程具有明显的时变特性，相关技术中，物理建模方法对于时变特性的适应性较差，导致物理模型难以准确描述长周期加工轴类零件的实际加工过程，而数据驱动方法的加工过程数据能够反映加工过程的时变特性，但缺乏物理层面建模，难以对加工工艺进行指导，无法实现对长周期加工轴类零件精确、有效的尺寸误差补偿等问题。
图5为本申请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501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的轴类零件尺寸误差补偿方法。
进一步地，电子设备还包括：
通信接口503，用于存储器501和处理器502之间的通信。
存储器501，用于存放可在处理器502上运行的计算机程序。
存储器501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501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502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5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501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502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申请实施例的一个或多个集成电路。
本实施例还提供一种轴类零件加工系统，用于实现如上的轴类零件尺寸误差补偿方法。
本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轴类零件尺寸误差补偿方法。
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申请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。在本申请的描述中，“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，并且本申请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，这应被本申请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，本申请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，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，在本申请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申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请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)
1.一种轴类零件尺寸误差补偿方法，其特征在于，包括以下步骤：
采集目标轴类零件加工系统的加工过程数据；
基于所述加工过程数据，构建所述目标轴类零件加工系统的尺寸误差物理模型；
基于预先训练的预设双深度神经网络模型，预测目标加工道次对应的切向系统刚度系数和加工力模式系数；
基于所述切向系统刚度系数和所述加工力模式系数更新所述尺寸误差物理模型，利用更新后的尺寸误差物理模型计算所述目标加工道次对应的加工尺寸误差，并根据所述加工尺寸误差得到所述目标加工道次的误差补偿值，以基于所述误差补偿值补偿所述目标轴类零件加工系统的尺寸误差。
2.根据权利要求1所述的方法，其特征在于，所述基于所述加工过程数据构建所述目标轴类零件加工系统的尺寸误差物理模型，包括：
离散所述加工过程数据，得到实际加工过程对应的多个离散接触区域；
构建所述多个离散接触区域的工件微元半径矩阵，利用所述工件微元半径矩阵得到所述目标轴类零件加工系统的几何模型；
基于所述几何模型计算所述多个离散接触区域对应的实际加工深度，基于所述实际加工深度与预设理论加工深度得到所述尺寸误差物理模型。
3.根据权利要求1所述的方法，其特征在于，在预测所述目标加工道次对应的切向系统刚度系数和加工力模式系数之前，还包括：
将所述加工过程数据输入所述预设双深度神经网络模型的预设卷积神经网络，得到每个加工道次对应的切向系统刚度系数和加工力模式系数，并生成所述切向系统刚度系数和所述加工力模式系数对应的时间序列；
利用所述切向系统刚度系数、所述加工力模式系数和所述时间序列训练预设双深度神经网络模型的预设长短期记忆网络，得到所述预先训练的预设双深度神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述基于预先训练的预设双深度神经网络模型，预测目标加工道次对应的切向系统刚度系数和加工力模式系数，包括：
获取所述目标轴类零件加工系统在执行所述目标加工道次之前的实际加工数据；
将所述实际加工数据输入至所述预设双深度神经网络模型，得到所述目标加工道次对应的切向系统刚度系数和加工力模式系数。
5.根据权利要求3所述的方法，其特征在于，所述每个加工道次对应的切向系统刚度系数和加工力模式系数的表达式为：
其中，为切向系统刚度系数，/>为加工力模式系数，/>为第j道次加工中z处的切向系统刚度，/>为加工过程数据中z处的切向系统刚度，/>为第j道加工道次中z处的切向加工力，/>为加工过程数据拟合产生的加工力系数，/>为刀具线速度，/>为工件转速，/>为轴向进给速度，/>为第j道加工道次中z处的实际加工深度，/> 、/> 、/> 、/>为工艺参数指数。
6.根据权利要求1所述的方法，其特征在于，所述利用更新后的尺寸误差物理模型计算所述目标加工道次对应的加工尺寸误差，根据所述加工尺寸误差得到所述目标加工道次的误差补偿值，包括：
判断所述目标加工道次对应的加工尺寸误差是否满足预设精度要求；
若所述加工尺寸误差不满足所述预设精度要求，则基于所述加工尺寸误差调整所述目标轴类零件加工系统的刀具轨迹，根据调整后的刀具轨迹重新计算所述目标加工道次对应的加工尺寸误差，迭代计算直至所述加工尺寸误差满足所述预设精度要求；
若所述加工尺寸误差满足所述预设精度要求，则基于所述加工尺寸误差输出所述目标加工道次的误差补偿值。
7.一种轴类零件尺寸误差补偿装置，其特征在于，包括：
采集模块，用于采集目标轴类零件加工系统的加工过程数据；
构建模块，用于基于所述加工过程数据，构建所述目标轴类零件加工系统的尺寸误差物理模型；
预测模块，用于基于预先训练的预设双深度神经网络模型，预测目标加工道次对应的切向系统刚度系数和加工力模式系数；
补偿模块，用于基于所述切向系统刚度系数和所述加工力模式系数更新所述尺寸误差物理模型，利用更新后的尺寸误差物理模型计算所述目标加工道次对应的加工尺寸误差，并根据所述加工尺寸误差得到所述目标加工道次的误差补偿值，以基于所述误差补偿值补偿所述目标轴类零件加工系统的尺寸误差。
8.一种轴类零件加工系统，其特征在于，用于实现如权利要求1-6任一项所述的轴类零件尺寸误差补偿方法。
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1-6任一项所述的轴类零件尺寸误差补偿方法。
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1-6任一项所述的轴类零件尺寸误差补偿方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468811.XA CN117195438B (zh) | 2023-11-07 | 2023-11-07 | 轴类零件尺寸误差补偿方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468811.XA CN117195438B (zh) | 2023-11-07 | 2023-11-07 | 轴类零件尺寸误差补偿方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117195438A CN117195438A (zh) | 2023-12-08 |
| CN117195438B true CN117195438B (zh) | 2024-01-23 |
Family
ID=89005695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311468811.XA Active CN117195438B (zh) | 2023-11-07 | 2023-11-07 | 轴类零件尺寸误差补偿方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195438B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113102882A (zh) * | 2021-06-16 | 2021-07-13 | 杭州景业智能科技股份有限公司 | 几何误差补偿模型的训练方法和几何误差补偿方法 |
| CN114237157A (zh) * | 2021-12-20 | 2022-03-25 | 华中科技大学 | 数据驱动的机床进给伺服系统机器学习建模方法及系统 |
| CN114839921A (zh) * | 2022-03-23 | 2022-08-02 | 哈尔滨工业大学（深圳） | 一种基于数据驱动的五轴轮廓控制方法 |
| CN115099123A (zh) * | 2022-05-17 | 2022-09-23 | 东华大学 | 数据与机理融合的卷绕机锭轴装配精度预测方法 |
| CN116872199A (zh) * | 2023-06-29 | 2023-10-13 | 清华大学 | 并联机器人动态轮廓误差预补偿方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230158595A1 (en) * | 2021-11-22 | 2023-05-25 | University Of Southern California | Prediction and control of product shape quality in wire and arc additive manufacturing through machine learning |
-
2023
- 2023-11-07 CN CN202311468811.XA patent/CN117195438B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113102882A (zh) * | 2021-06-16 | 2021-07-13 | 杭州景业智能科技股份有限公司 | 几何误差补偿模型的训练方法和几何误差补偿方法 |
| CN114237157A (zh) * | 2021-12-20 | 2022-03-25 | 华中科技大学 | 数据驱动的机床进给伺服系统机器学习建模方法及系统 |
| CN114839921A (zh) * | 2022-03-23 | 2022-08-02 | 哈尔滨工业大学（深圳） | 一种基于数据驱动的五轴轮廓控制方法 |
| CN115099123A (zh) * | 2022-05-17 | 2022-09-23 | 东华大学 | 数据与机理融合的卷绕机锭轴装配精度预测方法 |
| CN116872199A (zh) * | 2023-06-29 | 2023-10-13 | 清华大学 | 并联机器人动态轮廓误差预补偿方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于LSTM深度神经网络的MEMS-IMU误差模型及标定方法;李荣冰;鄢俊胜;刘刚;刘建业;;中国惯性技术学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117195438A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109822399B (zh) | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 | |
| JP5997330B1 (ja) | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 | |
| Ratchev et al. | An advanced FEA based force induced error compensation strategy in milling | |
| JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
| CN102441817B (zh) | 工作历史管理方法以及工作历史管理装置 | |
| TW201834784A (zh) | 刀具磨耗監測與預測方法 | |
| CN111723440B (zh) | 一种薄壁件加工精度预测混合建模方法 | |
| CN115562161B (zh) | 一种基于在线监测的刀具切削路径加工误差补偿方法 | |
| JP6856162B2 (ja) | 制御システム | |
| Yao et al. | Tool remaining useful life prediction using deep transfer reinforcement learning based on long short-term memory networks | |
| 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 | |
| CN114690706A (zh) | 一种数控机床主轴误差预测补偿方法及系统 | |
| CN114757517A (zh) | 一种设备零部件的生产智能管理方法及系统 | |
| EP3961321A1 (en) | System and method for instantaneous performance management of a machine tool | |
| CN114897028A (zh) | 数控加工表面粗糙度预测方法及装置 | |
| CN114662410A (zh) | 打磨工艺参数组合的确定方法、装置、电子设备和介质 | |
| CN117195438B (zh) | 轴类零件尺寸误差补偿方法及装置 | |
| Masalimov et al. | Diagnostics of the tool condition in metal-cutting machines by means of recurrent neural networks | |
| CN117033860A (zh) | 驱动轴跟踪误差的参数敏感性分析方法及装置 | |
| Karandikar et al. | Bayesian inference for milling stability using a random walk approach | |
| CN109447235B (zh) | 基于神经网络的进给系统模型训练和预测方法及其系统 | |
| RU2727470C2 (ru) | Способ оперативной диагностики модулей металлообрабатывающих станков | |
| CN115082642A (zh) | 一种表面形貌快速预测方法、系统、装置及存储介质 | |
| CN116484742A (zh) | 车辆动力学建模与车辆状态预测方法、系统、设备及介质 | |
| JP7154100B2 (ja) | 工作機械の加工異常検出装置 |
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 |