[发明专利]一种数控加工表面粗糙度预测模型的构建方法

说明书

本发明属于数控加工技术领域，并具体公开了一种数控加工表面粗糙度预测模型的构建方法，该方法包括以下步骤：安装刀具并获取刀尖点的频响函数，进而生成稳定性叶瓣图；选取加工参数并依据稳定性叶瓣图对加工参数的数值进行筛选，得到使加工处于稳定状态的多组稳定加工参数；依据每组稳定加工参数加工工件，获取每次加工的加工过程数据特征值及工件加工后的表面粗糙度数值；以稳定加工参数和加工过程数据特征值为特征向量，表面粗糙度作为标签，组成稳定加工特征数据集；对稳定加工特征数据集进行归一化处理和特征选择，形成稳定加工优选数据集；以BP‑CNN神经网络模型为框架，利用稳定加工优选数据集进行训练获得表面粗糙度预测模型。

技术领域

本发明属于数控加工领域，更具体地，涉及一种数控加工表面粗糙度预测模型的构建方法。

背景技术

在数控加工技术领域，加工表面粗糙度是零件加工质量的重要部分，而表面加工质量决定着零件的服役性能；对于精密零件，表面粗糙度超差就会导致零件报废。实际生产中，根据不同的使用性能，零件往往需要不同的表面精度。由于加工是复杂的非线性变化过程，理论计算难以获得最佳的工艺参数，需要通过经验对工艺参数进行优化。

目前主要是通过对加工完成的零件进行检测，从而将实际加工误差反馈到加工准备阶段以修改加工参数，但是这样不仅效率低，效果也不明显。随着机器学习技术的兴起，将神经网络预测方法引入到传统机械加工行业，利用其强大的数据拟合能力在加工实施前进行质量预测，在一定程度上提高了生产的效率和合格率。然而，目前的表面粗糙度预测模型主要考虑加工参数，却忽略了刀具安装后系统的刚性会由于刀具悬长的不同而改变，这就导致了用于神经网络模型训练的数据集可能属于不同的维度却一同被用于进行训练模型，一方面无法提高预测的准确率，另一方面也难以实现提高生产效率和零件合格率的目的。

基于上述缺陷和不足，本领域亟需对现有的数控加工表面粗糙度预测模型的构建方法做出进一步的改进设计，尤其是对固有的模型输入进行精细化分类，建立一个高效、精确的零件表面粗糙度误差预测模型，以帮助设计人员确定更合理的工艺参数、确定合适的安装条件、选择合适的加工设备、缩短工艺设计时间，提高生产效率和零件合格率。

发明内容

针对现有技术的上述缺点和/或改进需求，本发明提供了一种数控加工表面粗糙度预测模型的构建方法，以解决现有技术中的数控加工表面粗糙度预测模型忽略了刀具安装后系统的刚性会由于刀具悬长的不同而改变，进而导致预测方法效率低且准确率低的问题，提供一种高效、精确的数控加工表面粗糙度预测模型的构建方法，因而尤其适用于精度要求高的数控加工之类的应用场合。

为实现上述目的，本发明提出了一种数控加工表面粗糙度预测模型的构建方法，该方法包括以下步骤：

S1：安装刀具，并获取所述刀具在实际安装悬长下刀尖点的频响函数，依据该频响函数计算并生成稳定性叶瓣图；

S2：选取加工参数，并依据步骤S1中所述稳定性叶瓣图对所述加工参数的数值进行筛选，得到使加工处于稳定状态的多组稳定加工参数；

S3：依据步骤S2中每组所述稳定加工参数分别对工件进行加工，获取每次加工的加工过程数据特征值及工件加工后的表面粗糙度数值；

所述的加工数据特征值是通过对原始加工信号数据进行预处理后再通过特征提取获得的；

S4：以步骤S2中所述稳定加工参数和步骤S3中所述加工过程数据特征值为特征向量，步骤S3中所述表面粗糙度作为标签，合并组成稳定加工特征数据集；对所述稳定加工特征数据集中的特征向量进行归一化处理，并进行特征选择，以得到与所述标签相关度大的特征，作为优选特征，形成稳定加工优选数据集；

S5：以BP-CNN神经网络模型为框架，利用步骤S4中所述稳定加工优选数据集进行训练获得表面粗糙度预测模型。