[go: up one dir, main page]

CN111859566B - 基于数字孪生的表面粗糙度稳定方法 - Google Patents

基于数字孪生的表面粗糙度稳定方法 Download PDF

Info

Publication number
CN111859566B
CN111859566B CN202010692248.4A CN202010692248A CN111859566B CN 111859566 B CN111859566 B CN 111859566B CN 202010692248 A CN202010692248 A CN 202010692248A CN 111859566 B CN111859566 B CN 111859566B
Authority
CN
China
Prior art keywords
surface roughness
parameters
prediction model
machining
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
Application number
CN202010692248.4A
Other languages
English (en)
Other versions
CN111859566A (zh
Inventor
王四宝
赵增亚
王时龙
易力力
康玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202010692248.4A priority Critical patent/CN111859566B/zh
Publication of CN111859566A publication Critical patent/CN111859566A/zh
Application granted granted Critical
Publication of CN111859566B publication Critical patent/CN111859566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • 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)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种基于数字孪生的表面粗糙度稳定方法，包括以下步骤：1)基于物理世界的机械加工系统建立虚拟世界的数字孪生系统，并在数字孪生系统内构建表面粗糙度预测模型；2)利用数字孪生系统映射机械加工系统，实时采集机械加工系统中影响表面粗糙度的加工参数并输入到数字孪生系统中；3)利用表面粗糙度预测模型预测当前加工条件下的表面粗糙度；若预测得到的表面粗糙度位于设定阈值范围内，则表面粗糙度稳定，证明当前的加工参数满足要求，执行步骤5)；否则，执行步骤4)；4)利用梯度下降法求解使位于设定阈值范围内的加工参数并反馈给机械加工系统，执行步骤5)；5)循环步骤2)和步骤3)，直至工件加工完成。

Description

基于数字孪生的表面粗糙度稳定方法
技术领域
本发明属于机械加工表面质量控制技术领域，具体的为一种基于数字孪生的表面粗糙度稳定方法。
背景技术
表面质量通常直接影响工件的物理、化学和机械性能，如摩擦性能、疲劳性能、耐磨性、润滑性能等。表面粗糙度作为评定表面质量的最重要指标，因此被选为工件生产关键技术要求。在实际加工过程中，由于刀具振动、刀具磨损和工件材料的塑性变形等因素的影响，表面粗糙度通常是不稳定的，并且经常是有增加的趋势。因此，为了获得更好的表面性能，需要一种有效的表面粗糙度稳定方法。近年来，国内外学者对表面粗糙度预测模型的建立进行了大量的研究，大致可分为三大类：理论方法、实验设计方法和人工智能方法。
理论方法中，基于加工理论，考虑刀具形状、工件材料特性、安装误差、加工动力学等因素，建立表面粗糙度预测模型(通常为加工表面的数学方程)。对于任意的工件和刀具组合，Munoz-Escalona和Maropoulos提出了基于刀具轨迹几何分析的表面粗糙度预测模型。同样，Lu等人建立了基于切削力的刀具柔性变形模型，并利用该模型建立了预测表面粗糙度的表面形貌仿真模型。为了减少表面粗糙度的不均匀性，Sun等人提出了一种基于相对刀具锋利度的表面粗糙度相对标准差(RSDS)方法来预测表面非均匀性。考虑到刀具姿态、颤振、跳动、切削力和材料变形，Peng等人建立了描述切削刃轨迹的理论模型，并在此基础上对表面粗糙度进行了预测。
实验设计方法中，建立了不同加工方式下的表面粗糙度模型。常用的实验设计方法有田口法、全因子设计法、曲面响应法(RSM)等。与其它方法相比，RSM方法由于只需少量的实验，通常应用于表面粗糙度的预测。Karkalos等人用RSM研究了Ti-6Al-4v钛合金在最小表面粗糙度下的最佳加工参数。Dikshit等人采用基于RSM的中心复合设计方法，对高速球头铣削中最小表面粗糙度参数进行了优化选择。Noordin等人通过RSM研究了硬质合金刀具的性能(主要是表面粗糙度和切削力)。研究发现，进给速度是影响表面粗糙度的主要因素。Mansour和Abdalla[13]也利用RSM建立了EN32材料表面粗糙度的预测模型。
除上述两种方法外，人工智能方法作为一种具有自学习和自适应能力的强大预测工具，也被广泛应用于表面粗糙度的预测。在高压冷却条件下EN 24T钢车削中，Mia等人提出了一种基于人工神经网络(ANN)的平均表面粗糙度预测模型。Ghosh等人提出了一种基于人工神经网络的表面粗糙度预测模型，并采用遗传算法和粒子群优化算法寻找最佳切削条件。
在相同的加工条件下(包括刀具、工件、加工参数等)，上述模型预测的表面粗糙度为常数。然而，在实际加工中，由于刀具磨损、振动、材料性能非均匀性、工艺系统的稳定性等因素的影响，工件的表面粗糙度是不稳定的。因此，应考虑动态因素以准确预测表面粗糙度，如公开号为CN110348075A的中国专利公开的一种基于改进支持向量机算法的磨削表面粗糙度预测方法，提出了一种考虑动态磨削加工条件下的表面粗糙度预测方法，然而，该磨削表面粗糙度预测方法虽然考虑了动态因素，并对动态因素条件下的表面粗糙度做了预测，但由于机械加工过程中影响表面粗糙度的因素很多，当现实加工场景中的表面粗糙度不满足要求时，该磨削表面粗糙度预测方法无法找到当前加工条件下对表面粗糙度影响最大的一个或多个因素，因而无法指导现实加工场景来实现稳定表面粗糙度的技术目的。此外，表面粗糙度通常在很短的时间内波动，这可能会使被加工工件无法满足实际需要，从而增加制造成本和加工时间。因此，一种实时有效的表面粗糙度控制方法是非常重要的。
发明内容
有鉴于此，本发明的目的在于提供一种基于数字孪生的表面粗糙度稳定方法，当表面粗糙度不稳定时，能够在线调节影响表面粗糙度的加工参数，从而快速稳定表面粗糙度并将其稳定在设定的阈值范围内。
为达到上述目的，本发明提供如下技术方案：
一种基于数字孪生的表面粗糙度稳定方法，包括以下步骤：
1)基于物理世界的机械加工系统建立虚拟世界的数字孪生系统，并在数字孪生系统内构建表面粗糙度预测模型；
2)利用数字孪生系统映射机械加工系统，实时采集机械加工系统中影响表面粗糙度的加工参数并输入到数字孪生系统中；
3)利用表面粗糙度预测模型预测当前加工条件下的表面粗糙度；若预测得到的表面粗糙度位于设定阈值范围内，则表面粗糙度稳定，证明当前的加工参数满足要求，执行步骤5)；否则，执行步骤4)；
4)利用梯度下降法求解使位于设定阈值范围内的加工参数并反馈给机械加工系统，机械加工系统按照求解得到的加工参数加工工件，执行步骤5)；
5)循环步骤2)和步骤3)，直至工件加工完成。
进一步，所述步骤1)中，构建表面粗糙度预测模型的方法如下：
21)利用机械加工系统加工工件，获取在不同加工参数条件下的表面粗糙度；
22)将步骤21)获得的数据划分出训练集和测试集，并进行归一化处理，将归一化处理后的加工参数与表面粗糙度分别作为表面粗糙度预测模型的输入样本和输出样本；
23)建立基于PIO-SVM的表面粗糙度预测模型。
进一步，所述步骤23)中，建立基于PIO-SVM的表面粗糙度预测模型的方法如下：
231)初始化鸽群算法模型的参数，以每一组惩罚函数C和核函数参数g对应的均方误差作为适应度函数，在鸽群算法中进行迭代搜索出最小均方误差所对应的C和g，即最佳的惩罚函数C和核函数参数g；
232)将求解得到的最佳的惩罚函数C和核函数参数g代入支持向量机算法模型中，进而构建得到表面粗糙度预测模型，并利用经归一化处理后的测试集进行检验模型的准确率。
进一步，所述步骤4)中，在表面粗糙度预测模型找到与当前加工条件相对应的点，并以该点为基础在表面粗糙度预测模型中找到表面粗糙度变化最快的方向，在该表面粗糙度变化最快的方向上取一目标点，使该目标点处的表面粗糙度位于设定阈值范围内，并将该目标点对应的加工参数反馈给机械加工系统。
进一步，所述机械加工系统为五轴加工系统，影响表面粗糙度的加工参数包括lead角、tilt角、切削深度、主轴转速、进给速度和平均切削力。
进一步，将影响表面粗糙度的加工参数分为可在线调节参数和不可在线调节参数，所述可在线调节参数包括刀具姿态参数和主轴转速，所述刀具姿态参数包括lead角、tilt角；所述不可在线调节参数包括切削深度、进给速度和平均切削力。
进一步，所述步骤4)中，在表面粗糙度预测模型找到与当前加工条件相对应的点，并以该点为基础在表面粗糙度预测模型中找到与可在线调节参数对应的表面粗糙度变化最快的方向，在该表面粗糙度变化最快的方向上取一目标点，使该目标点处的表面粗糙度位于设定阈值范围内，并将该目标点对应的加工参数反馈给机械加工系统。
进一步，若连续调节可在线调节参数N次以上仍无法满足使位于设定阈值范围内，则说明只调节刀具姿态参数和主轴转速无法满足当前的加工要求，此时将所有影响表面粗糙度的加工参数作为调节对象，其调节方法为：在表面粗糙度预测模型找到与当前加工条件相对应的点，并以该点为基础在表面粗糙度预测模型中找到表面粗糙度变化最快的方向，在该表面粗糙度变化最快的方向上取一目标点，使该目标点处的表面粗糙度位于设定阈值范围内，并将该目标点对应的加工参数反馈给机械加工系统，其中，N为大于等于1的正整数。
本发明的有益效果在于：
本发明的基于数字孪生的表面粗糙度稳定方法，通过建立数字孪生系统实现对物理世界机械加工系统的实时映射，从而以数字孪生系统可以实时反映机械加工系统的加工状态；通过在数字孪生系统内构件表面粗糙度预测模型，能够基于动态因素准确预测物理世界机械加工系统在当前加工条件下的表面粗糙度，当预测的表面粗糙度超过位于设定阈值范围之外时，也即表面粗糙度不稳定时，可基于梯度下降法对表面粗糙度预测模型进行求解，从而可以快速获取新的加工参数并反馈至物理世界的机械加工系统中，使表面粗糙度保持在稳定状态直至工件加工完成；综上，本发明基于数字孪生的表面粗糙度稳定方法，在考虑动态因素的作用下实现对表面粗糙度的预测，当表面粗糙度不稳定时，能够在线调节可在线调节参数(如刀具姿态参数和主轴转速)，从而快速实现稳定表面粗糙度并将表面粗糙度稳定在设定的阈值范围内。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为物理世界的机械加工系统与虚拟世界的数字孪生系统映射关系及交互关系的原理图；
图2本实施例基于PIO-SVM的表面粗糙度预测模型的构建流程图；
图3为采用梯度下降法调节加工参数进而稳定表面粗糙度的流程图；
图4为包含40组实验数据的训练集；
图5为包含10组实验数据的测试集；
图6为改变主轴转速和刀具姿态以稳定和控制表面粗糙度的仿真结果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本实施例基于数字孪生的表面粗糙度稳定方法，包括以下步骤。
1)基于物理世界的机械加工系统建立虚拟世界的数字孪生系统，并在数字孪生系统内构建表面粗糙度预测模型。具体的，本实施例的机械加工系统为五轴加工系统，影响表面粗糙度的加工参数包括lead角(L)、tilt角(T)、切削深度(ap)、主轴转速(n)、进给速度(f)和平均切削力
21)利用机械加工系统加工工件，获取在不同加工参数条件下的表面粗糙度。本实施例共设计和进行了50组实验包括两组二因素四水平全因子实验和两组三因素三水平正交实验。对于每组实验，重复两次，其实测表面粗糙度Ra基本相同。最后的实测表面粗糙度Ra是两个实验结果的平均值。
22)将步骤21)获得的数据划分出训练集和测试集，并进行归一化处理，将归一化处理后的加工参数与表面粗糙度分别作为表面粗糙度预测模型的输入样本和输出样本。
具体的，本实施例随机选取40组实验作为训练集，见图4；其余10组实验作为测试集，见图5。归一化处理后可以缩短训练时间，提高回归模型的预测精度，需要对训练样本集进行归一化处理。本文将训练集规范化为[0,1]。其计算公式如下：
式中，x'i和xi分别为归一化前后的样本数据，和为表面粗糙度影响因子i的最大值和最小值。
23)建立基于PIO-SVM的表面粗糙度预测模型。具体的，建立基于PIO-SVM的表面粗糙度预测模型的方法如下：
231)初始化鸽群算法模型的参数，以每一组惩罚函数C和核函数参数g对应的均方误差作为适应度函数，在鸽群算法中进行迭代搜索出最小均方误差所对应的C和g，即最佳的惩罚函数C和核函数参数g。即在不同的C，g下，训练集用于训练表面粗糙度预测模型，然后用测试集来检验预测模型精确率，找到最小均方误差对应的C，g，也就是最佳的C，g。惩罚函数C和核函数参数g的选择对回归预测模型的精度有重要影响，与PSO算法和GA算法相比，PIO(鸽群算法模型)具有更快的收敛速度、更高的精度和稳定性。因此，本实施例采用PIO来选择最佳的C和g。
PIO算法模型由地图和指南针算子和地标算子两部分组成。各部分的数学模型描述如下：
Vm(k)＝Vm(k-1)·e-fk+rand·(Lb-Lm(k-1))
Lm(k)＝Lm(k-1)+Vm(k)
Lm(k)＝Lm(k-1)+rand·(LC(k)-Lm(k-1))
其中，Lm和Vm分别是第m只鸽子的位置和速度，k是迭代次数，f为地图和指南针算子，rand是[0,1]里的随机数字，Lb代表本次迭代出的全局最优位置，LC(k)表示剩余鸽子的中心位置，Nt,1表示地图和指南针算子的迭代次数，Nt,2表示地标算子的迭代次数，fitness是每个解的质量函数，这里是对应每一个惩罚函数C和核函数参数g预测模型的均方误差，Ng代表鸽群的数量。
232)将求解得到的最佳的惩罚函数C和核函数参数g代入支持向量机算法模型中，进而构建得到表面粗糙度预测模型，并利用经归一化处理后的测试集进行检验模型的准确率。
支持向量机(SVM)是Vapnik提出的一种基于结构风险最小化原理的统计学习方法。与以神经网络为代表的传统机器学习方法相比，支持向量机在理论基础、训练过程、节点个数、权值向量和全局最优解等方面具有明显的优势。支持向量机的基本思想是将搜索最优线性超平面简化为一个凸规划问题。样本空间是非线性映射到高维或无限维特征空间的。这样，线性学习机就可以用来解决高维特征空间中的非线性问题(包括分类和回归)。
本实施例的向量机算法模型的回归函数为：
其中，f(x)为回归函数，αi和是拉格朗日乘子，C是惩罚函数，K(xi,xj)是核函数，ωi为法向量，xi,xj是任意和的支持向量，ε是不敏感损失因子，b是偏差，yi为支持向量对应函数值。
其中，核函数是建立支持向量机回归预测模型的重要组成部分，核函数的合理选择有助于提高预测模型的精度。核函数的作用是将低维空间中的线性不可分问题转化为高维空间中的线性可分和线性回归问题。径向基核函数(RBF)具有相对简单的计算形式，输入参数少，学习能力强等优点。因此，选择RBF作为回归预测模型的核函数，可以描述如下：
K(xi,xj)＝exp{-g|xi-xj|2},(g＞0)
其中，g为核函数参数。
由图5可知，为了验证所提出模型的有效性，用下列公式计算了每组实验的预测误差：
其中，表示预测模型计算的表面粗糙度，而Ra表示测量的表面粗糙度。可以看出预测的与实测的Ra基本一致，平均预测误差(APE)仅为8.69％。
2)利用数字孪生系统映射机械加工系统，实时采集机械加工系统中影响表面粗糙度的加工参数并输入到数字孪生系统中。
3)利用表面粗糙度预测模型预测当前加工条件下的表面粗糙度；若预测得到的表面粗糙度位于设定阈值范围内，则表面粗糙度稳定，证明当前的加工参数满足要求，执行步骤5)；否则，执行步骤4)。
4)利用梯度下降法求解使位于设定阈值范围内的加工参数并反馈给机械加工系统，机械加工系统按照求解得到的加工参数加工工件，执行步骤5)。具体的，梯度下降法的一般求解方法为：在表面粗糙度预测模型找到与当前加工条件相对应的点，并以该点为基础在表面粗糙度预测模型中找到表面粗糙度变化最快的方向，在该表面粗糙度变化最快的方向上取一目标点，使该目标点处的表面粗糙度位于设定阈值范围内，并将该目标点对应的加工参数反馈给机械加工系统。
本实施例的阈值范围为表面粗糙度小于等于即表面粗糙度小于等于则为稳定状态，表面粗糙度大于为非稳定状态。当然，根据实际加工需求，表面粗糙度的阈值范围可以具有最大值和最小值，表面粗糙度位于该最大值与最小值之间则为稳定状态；另外，表面粗糙度的阈值范围还可以为表面粗糙度大于等于某一最小值，当表面粗糙度大于该最小值时为稳定状态，不再累述。
由于切削力的不稳定性，工件的表面粗糙度也不稳定。因此，在给定的加工参数(由工人的加工经验得到)下，表面粗糙度可能达不到工艺要求。根据我们的预测模型，可以在线监测表面粗糙度的变化趋势，判断其稳定性。同时，考虑到机床操作的可行性，在加工过程中可以在线调整主轴转速和刀具姿态。因此，通过调整主轴转速和刀具姿态可以稳定和控制表面粗糙度。为了验证这种方法的有效性，进行了一组仿真实验。仿真结果如图6所示。根据实验结果，通过调整可调参数(刀具姿态和主轴转速)，表面粗糙度从0.4882μm明显降低到0.2995μm。同时，多种可调参数组合都可以获得令人满意的表面粗糙度，这意味着需要有效而简单地选择最佳参数组合。因此，本实施例将影响表面粗糙度的加工参数分为可在线调节参数和不可在线调节参数，可在线调节参数包括刀具姿态参数和主轴转速，刀具姿态参数包括lead角、tilt角；不可在线调节参数包括切削深度、进给速度和平均切削力。此时，梯度下降法的求解方法为：在表面粗糙度预测模型找到与当前加工条件相对应的点，并以该点为基础在表面粗糙度预测模型中找到与可在线调节参数对应的表面粗糙度下降最快的方向，在该表面粗糙度下降最快的方向上取一目标点，使该目标点处的表面粗糙度小于等于设定的表面粗糙度最大值并将该目标点对应的加工参数反馈给机械加工系统。若连续调节可在线调节参数N次以上仍无法满足则说明只调节刀具姿态参数和主轴转速无法满足当前的加工要求，需要将所有影响表面粗糙度的加工参数作为调节对象，其调节方法为：在表面粗糙度预测模型找到与当前加工条件相对应的点，并以该点为基础在表面粗糙度预测模型中找到表面粗糙度下降最快的方向，在该表面粗糙度下降最快的方向上取一目标点，使该目标点处的表面粗糙度小于等于设定的表面粗糙度最大值并将该目标点对应的加工参数反馈给机械加工系统，其中，N为大于等于1的正整数，本实施例的N＝4。
5)循环步骤2)和步骤3)，直至工件加工完成。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (6)

1.一种基于数字孪生的表面粗糙度稳定方法，其特征在于：包括以下步骤：
1)基于物理世界的机械加工系统建立虚拟世界的数字孪生系统，并在数字孪生系统内构建表面粗糙度预测模型；
构建表面粗糙度预测模型的方法如下：
21)利用机械加工系统加工工件，获取在不同加工参数条件下的表面粗糙度；
22)将步骤21)获得的数据划分出训练集和测试集，并进行归一化处理，将归一化处理后的加工参数与表面粗糙度分别作为表面粗糙度预测模型的输入样本和输出样本；
23)建立基于PIO-SVM的表面粗糙度预测模型；
建立基于PIO-SVM的表面粗糙度预测模型的方法如下：
231)初始化鸽群算法模型的参数，以每一组惩罚函数C和核函数参数g对应的均方误差作为适应度函数，在鸽群算法中进行迭代搜索出最小均方误差所对应的惩罚函数C和核函数参数g，即得到最佳的惩罚函数C和核函数参数g；
232)将求解得到的最佳的惩罚函数C和核函数参数g代入支持向量机算法模型中，进而构建得到表面粗糙度预测模型，并利用经归一化处理后的测试集进行检验模型的准确率；
2)利用数字孪生系统映射机械加工系统，实时采集机械加工系统中影响表面粗糙度的加工参数并输入到数字孪生系统中；
3)利用表面粗糙度预测模型预测当前加工条件下的表面粗糙度；若预测得到的表面粗糙度位于设定阈值范围内，则表面粗糙度稳定，证明当前的加工参数满足要求，执行步骤5)；否则，执行步骤4)；
4)利用梯度下降法求解使位于设定阈值范围内的加工参数并反馈给机械加工系统，机械加工系统按照求解得到的加工参数加工工件，执行步骤5)；
5)循环步骤2)和步骤3)，直至工件加工完成。
2.根据权利要求1所述基于数字孪生的表面粗糙度稳定方法，其特征在于：所述步骤4)中，在表面粗糙度预测模型找到与当前加工条件相对应的点，并以该点为基础在表面粗糙度预测模型中找到表面粗糙度变化最快的方向，在该表面粗糙度变化最快的方向上取一目标点，使该目标点处的表面粗糙度位于设定阈值范围内，并将该目标点对应的加工参数反馈给机械加工系统。
3.根据权利要求1或2所述基于数字孪生的表面粗糙度稳定方法，其特征在于：所述机械加工系统为五轴加工系统，影响表面粗糙度的加工参数包括lead角、tilt角、切削深度、主轴转速、进给速度和平均切削力。
4.根据权利要求3所述基于数字孪生的表面粗糙度稳定方法，其特征在于：基于机床操作的可行性，将影响表面粗糙度的加工参数分为可在线调节参数和不可在线调节参数，所述可在线调节参数包括刀具姿态参数和主轴转速，所述刀具姿态参数包括lead角、tilt角；所述不可在线调节参数包括切削深度、进给速度和平均切削力。
5.根据权利要求4所述基于数字孪生的表面粗糙度稳定方法，其特征在于：所述步骤4)中，在表面粗糙度预测模型找到与当前加工条件相对应的点，并以该点为基础在表面粗糙度预测模型中找到与可在线调节参数对应的表面粗糙度变化最快的方向，在该表面粗糙度变化最快的方向上取一目标点，使该目标点处的表面粗糙度位于设定阈值范围内，并将该目标点对应的加工参数反馈给机械加工系统。
6.根据权利要求5所述基于数字孪生的表面粗糙度稳定方法，其特征在于：若连续调节可在线调节参数N次以上仍无法满足使Ra pre位于设定阈值范围内，则说明只调节刀具姿态参数和主轴转速无法满足当前的加工要求，此时将所有影响表面粗糙度的加工参数作为调节对象，其调节方法为：在表面粗糙度预测模型找到与当前加工条件相对应的点，并以该点为基础在表面粗糙度预测模型中找到表面粗糙度变化最快的方向，在该表面粗糙度变化最快的方向上取一目标点，使该目标点处的表面粗糙度位于设定阈值范围内，并将该目标点对应的加工参数反馈给机械加工系统，其中，N为大于等于1的正整数。
CN202010692248.4A 2020-07-17 2020-07-17 基于数字孪生的表面粗糙度稳定方法 Active CN111859566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010692248.4A CN111859566B (zh) 2020-07-17 2020-07-17 基于数字孪生的表面粗糙度稳定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010692248.4A CN111859566B (zh) 2020-07-17 2020-07-17 基于数字孪生的表面粗糙度稳定方法

Publications (2)

Publication Number Publication Date
CN111859566A CN111859566A (zh) 2020-10-30
CN111859566B true CN111859566B (zh) 2023-11-17

Family

ID=73001836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010692248.4A Active CN111859566B (zh) 2020-07-17 2020-07-17 基于数字孪生的表面粗糙度稳定方法

Country Status (1)

Country Link
CN (1) CN111859566B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI766489B (zh) 2020-12-21 2022-06-01 財團法人工業技術研究院 用於工具機的加工監控方法及加工監控系統
CN112859739B (zh) * 2021-01-15 2022-07-01 天津商业大学 一种数字孪生驱动的多轴数控机床轮廓误差抑制方法
CN113095195B (zh) * 2021-04-03 2023-04-07 西北工业大学 一种基于表面形貌自特征的零件唯一识别方法
CN114453630B (zh) * 2022-01-20 2023-04-04 湖北文理学院 控制机床铣削不粘刀的方法、装置、电子设备和存储介质
CN116089818B (zh) * 2023-01-10 2023-10-27 南京航空航天大学 机械加工过程中工件表面粗糙度预测方法、系统及产品
CN116300428A (zh) * 2023-02-10 2023-06-23 重庆邮电大学 一种基于数字孪生的铣削参数优化方法
CN119937465A (zh) * 2025-04-07 2025-05-06 东莞市彼联机械科技有限公司 一种光学器件的激光加工方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761429A (zh) * 2014-01-10 2014-04-30 大连理工大学 铣削加工工件表面粗糙度的预测方法
CN110045608A (zh) * 2019-04-02 2019-07-23 太原理工大学 基于数字孪生的机械设备零部件结构参数动态优化方法
CN110348075A (zh) * 2019-06-20 2019-10-18 湖南科技大学 一种基于改进支持向量机算法的磨削表面粗糙度预测方法
CN110705882A (zh) * 2019-09-30 2020-01-17 江苏科技大学 孪生数据驱动的船舶组立产品质量管控系统及配置方法
CN110900307A (zh) * 2019-11-22 2020-03-24 北京航空航天大学 一种数字孪生驱动的数控机床刀具监控系统
CN111008502A (zh) * 2019-11-25 2020-04-14 北京航空航天大学 一种数字孪生驱动的复杂装备故障预测方法
CN111161410A (zh) * 2019-12-30 2020-05-15 中国矿业大学(北京) 一种矿井数字孪生模型及其构建方法
CN111210359A (zh) * 2019-12-30 2020-05-29 中国矿业大学(北京) 面向智能矿山场景的数字孪生演化机理及方法
CN111365158A (zh) * 2020-03-02 2020-07-03 东方电气集团东方电机有限公司 水轮机转轮实时状态评估和生命周期管理预测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113168891A (zh) * 2018-09-14 2021-07-23 西北大学 用于材料系统的设计优化和/或性能预测的数据驱动的表示和聚类离散化方法及系统及其应用

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761429A (zh) * 2014-01-10 2014-04-30 大连理工大学 铣削加工工件表面粗糙度的预测方法
CN110045608A (zh) * 2019-04-02 2019-07-23 太原理工大学 基于数字孪生的机械设备零部件结构参数动态优化方法
CN110348075A (zh) * 2019-06-20 2019-10-18 湖南科技大学 一种基于改进支持向量机算法的磨削表面粗糙度预测方法
CN110705882A (zh) * 2019-09-30 2020-01-17 江苏科技大学 孪生数据驱动的船舶组立产品质量管控系统及配置方法
CN110900307A (zh) * 2019-11-22 2020-03-24 北京航空航天大学 一种数字孪生驱动的数控机床刀具监控系统
CN111008502A (zh) * 2019-11-25 2020-04-14 北京航空航天大学 一种数字孪生驱动的复杂装备故障预测方法
CN111161410A (zh) * 2019-12-30 2020-05-15 中国矿业大学(北京) 一种矿井数字孪生模型及其构建方法
CN111210359A (zh) * 2019-12-30 2020-05-29 中国矿业大学(北京) 面向智能矿山场景的数字孪生演化机理及方法
CN111365158A (zh) * 2020-03-02 2020-07-03 东方电气集团东方电机有限公司 水轮机转轮实时状态评估和生命周期管理预测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王时龙 ; 王彦凯 ; 杨波 ; 王四宝.基于层次化数字孪生的工业互联网制造新范式——雾制造.《计算机集成制造系统》.2019,3070-3080. *

Also Published As

Publication number Publication date
CN111859566A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111859566B (zh) 基于数字孪生的表面粗糙度稳定方法
CN119472507B (zh) 五轴高精密数控机床的控制方法、装置、设备及存储介质
CN114509991B (zh) 考虑参数不确定的数控机床切削稳定性预测与优化方法
CN108415374B (zh) 基于机床旋转进给轴运动学特性的刀轴矢量光顺方法
CN108983698B (zh) 一种基于多目标约束的刀轴矢量优化方法及系统
CN111438635B (zh) 一种提高自由曲面打磨表面均匀性的方法
CN106393111B (zh) 针对机器人形变问题的机器人曲面切削力控制方法
Wang et al. Predictive modeling of surface roughness in lenses precision turning using regression and support vector machines
CN111975579A (zh) 一种基于打磨模型和迭代算法的机器人恒力打磨系统
CN105005265A (zh) 一种基于曲线光滑变形的数控加工进给率规划方法
CN120516501A (zh) 一种面向复杂曲面加工机器人的自适应力控打磨系统及方法
CN117260708A (zh) 一种基于麻雀搜索算法的动态机器人打磨控制方法及系统
CN110509096A (zh) 工件表面粗糙度控制方法、装置和数控加工设备
CN119871091B (zh) 一种高精度多轴加工复合型数控机床控制系统
CN119328581B (zh) 一种整体叶盘精加工刀具路径补偿方法、介质及程序产品
CN109597355A (zh) 曲面微织构数控加工刀轴矢量的设计方法
Cai et al. Cutter orientation planning in NC machining for surface similar to revolution body with considering kinematic characteristics
Lasemi et al. Tool path re-planning in free-form surface machining for compensation of process-related errors
Zhao et al. Theoretical and experimental investigation of the effect of the machining process chain on surface generation in ultra-precision fly cutting
Lv et al. A new trajectory planning generated from triangular mesh model for robotic grinding repaired blade
Chen et al. Research on polishing parameters optimization for free curved surface
CN110488748B (zh) 基于时序推演与前置预控的数控切削自适应控制方法
Jing et al. Integrating Hybrid Physics-Data Approaches for Enhanced Cutting Force Modeling in Digital Twins of Helical End Mills
Barrenetxea et al. New models and global stability charts to avoid principal instabilities and constraints in throughfeed centerless grinding
Vainer Determining the parameters of the technological space in bilateral end grinding.

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