[发明专利]一种固结磨料研抛垫表面磨损状况定量化判定方法及系统

说明书

本发明涉及一种固结磨料研抛垫表面磨损状况定量化判定方法及系统，包括：获取每一加工阶段的FPA表面图像和FPA三维表面形貌图；对每一加工阶段FPA表面图像进行预处理，得到FPA表面图像包括锐化滤波后的梯度图、梯度图的频谱数据、FPA表面结构化矩阵和FPA表面变化矩阵，进而合并为多通道FPA表面图像样本；基于每一加工阶段的FPA三维表面形貌图计算FPA表面粗糙度定量数据结合工件材料去除率得到FPA表面的磨损状况；利用每一加工阶段的FPA表面的磨损状况对多通道FPA表面图像样本附标签，并输入到3‑D CNN+GRU模型进行训练，得到磨损状况定量化判定模型，提高FAP表面磨损状况判定的准确性。

技术领域

本发明涉及超精密加工领域，特别是涉及一种基于深度学习的固结磨料研抛垫表面磨损状况定量化判定方法及系统。

背景技术

以石英玻璃、镁铝尖晶石、碳化硅等为代表的硬脆材料，由于硬度高、脆性大、断裂韧性小等特点，因而加工工艺复杂、加工效率低且不易获得高质量工件表面。作为新兴的超精密加工手段，固结磨料研抛技术通过结合剂将磨粒及其相关化学填料稳定于固结磨料研抛垫(FixedAbrasives Pad，FAP)内，具有加工效率高、工件表面一致性好、工艺成本低等优点，近来越来越多地被应用于硬脆材料加工领域。

固结磨料研抛过程中，FAP的磨损将直接影响硬脆材料工件的面型精度及研抛效率。因此，及时掌握FAP在加工过程中的表面磨损状况，并随之做出工艺调整或进行研抛垫表面修整，是保证加工稳定性与高效性的重要环节。目前，现有技术对FAP表面磨损状况的判定多采用离线光学仪器测量，然后进行人工判断的方法。然而，此类方法由于界定过程复杂、个人经验依赖度高、测量结果可靠性差，标定实施的泛化性难以保证FAP表面磨损状况的判定准确性。鉴于此，本发明提出了一种基于深度学习的固结磨料研抛垫表面磨损状况定量化判定方法及系统，可用于对不同加工阶段的FAP表面磨损状况进行数值化标定。

发明内容

本发明的目的是提供一种固结磨料研抛垫表面磨损状况定量化判定方法及系统，将不同加工阶段的FAP表面图像样本与对应加工阶段的FAP表面磨损状况进行关联，并训练3-D CNN与GRU组合网络模型，实现不同加工阶段FAP磨损状况的定量化判定，利用了深度学习模型对图像细节特征的优良表征力，提高了FAP磨损状况的定量化判定的准确性。

为实现上述目的，本发明提供了如下方案：

一种固结磨料研抛垫表面磨损状况定量化判定方法，包括：

获取工件研抛过程中每一加工阶段的固结磨料研抛垫FPA表面图像和固结磨料研抛垫FPA三维表面形貌图；

对每一加工阶段的所述FPA表面图像进行预处理，得到预处理后的FPA表面图像；所述预处理后的FPA表面图像包括锐化滤波后的梯度图、梯度图的频谱数据、FPA表面结构化矩阵和FPA表面变化矩阵；

将所述锐化滤波后的梯度图、所述梯度图的频谱数据、所述FPA表面结构化矩阵和所述FPA表面变化矩阵合并为多通道FPA表面图像样本；

对每一加工阶段的所述FPA三维表面形貌图进行三维形貌分析，计算FPA表面粗糙度定量数据；

根据每一加工阶段的所述FPA表面粗糙度定量数据和工件材料去除率得到每一加工阶段的FPA表面的磨损状况；

对每一加工阶段的所述多通道FPA表面图像样本，利用对应加工阶段的所述FPA表面的磨损状况设定标签，得到附有标签的多通道FPA表面图像样本；

基于三维卷积神经网络模型和轻量化长短期记忆网络架构构建改进后的三维卷积神经网络模型；

根据所有加工阶段的所有所述附有标签的多通道FPA表面图像样本对所述改进后的三维卷积神经网络模型进行训练，得到磨损状况定量化判定模型。

一种固结磨料研抛垫表面磨损状况定量化判定方法的判定系统，包括：