一种基于神经网络的叶片抛磨加工方法技术

本发明专利技术涉及一种基于神经网络的叶片抛磨加工方法，通过测量装置对叶片的毛坏件进行扫描测量并将信息传递到计算机软件以获得重构的三维模型，并与理论模型上的特征点进行对比，调整并使两个模型的坐标系重合，从而计算出叶片的理论加工余量；利用历史数据对神经网络模型进行训练，使该神经网络模型能够识别出不同理论加工余量下的加工工艺参数配置；将叶片的理论加工余量输入到所述神经网络模型中，所述神经网络模型计算出叶片加工的加工工艺参数用于抛磨加工；对加工后的叶片又进行扫描测量并将信息传递到计算机软件获得更新模型，并与加工前的三维模型进行对比并计算出叶片的材料去除量；若加工后叶片的尺寸满足公差要求，则视为加工完成。

A Method of Blade Grinding Based on Neural Network

The invention relates to a method of blade polishing based on neural network, which scans and measures the defective parts of the blade by a measuring device and transmits the information to the computer software to obtain the reconstructed three-dimensional model, and compares it with the characteristic points of the theoretical model, adjusts and overlaps the coordinate systems of the two models, thereby calculating the theoretical processing allowance of the blade. According to the training of the neural network model, the neural network model can identify the processing parameters allocation under different theoretical processing allowances; the theoretical processing allowance of the blade is input into the neural network model, and the neural network model calculates the processing parameters of the blade for polishing; the processed blade is scanned and measured and the information is transmitted. The updated model is obtained by computer software and compared with the three-dimensional model before processing, and the material removal amount of the blade is calculated. If the dimension of the blade after processing meets the tolerance requirement, it will be regarded as finished processing.

【技术实现步骤摘要】
一种基于神经网络的叶片抛磨加工方法
本专利技术属于机械加工领域，具体涉及一种基于神经网络的叶片抛磨加工方法。
技术介绍
机械制造水平是一个国家综合国力的体现。虽然我国的制造业总产值居世界第一，但关键的核心技术和尖端产品还远远落后于发达国家。航空发动机的研发及制造作为国防工业的重要组成部分，其技术水平的高低关系到一个国家的国防安全和综合国力。叶片是航空发动机的关键部件。目前，针对叶片的加工方法主要采用模锻毛坯-粗铣-精铣-抛光的常规工艺路线。铣削的目的是提高叶片型面的精度，磨削抛光的目的是提高表面质量。当前，针对叶片型面的磨削抛光主要采用手工修磨+数控抛磨相结合的方式。当采用人工修磨的方式时，人为因素对叶片的加工质量的影响较大，很难保证加工质量的一致性。当采用数控抛磨的方式时，加工参数往往是工艺人员根据经验或是经验公式进行选择的，很难保证其加工效率。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。神经网络的本质是通过众多参数以及激活函数去逼真地模拟输入与输出的函数关系。神经网络算法摈弃原始的基于数学及物理的建模方法，不需要去研究各项工艺参数和加工过程的关系，通过采集足够多的数据，就可输出相关参数指导实现加工。CN105160059A公开了一种基于BP和GA的叶片加工切削用量优化选择方法，以球头刀螺旋镜削加工过程为研究对象，建立铝合金叶片镜削模型。利用ABAQUS非线性有限元分析软件，进行模拟航空发动机叶片的优削加工。利用人工神经网络算法总结镜削仿真中切削参数和变形量之间的变化规律，切削参数与变形量之间的关系，建立叶片镜削加工变形预测模型。确定切削参数优化的设计变量、目标函数以及约束条件，并构建铝合金叶片的切削参数优化模型，利用遗传算法对切削参数进行优化。但它未涉及对加工后的叶片二次建模分析。CN107807610A公开了一种基于特征库的复杂曲面零件机械臂加工系统和方法，该系统包括:特征数据库、工艺规划和特征匹配模块、代码转换接口、信息处理模块、加工仿真模块、实际加工模块。该方法包括步骤:对复杂曲面零件特征进行分析和提取，从特征数据库中匹配相似的信息，制定加工工艺流程和设置相应的加工工艺参数。对待加工复杂曲面零件的加工过程进行数字化仿真分析。通过实际加工模块对待加工复杂曲面零件进行机械臂镜削加工。但在该方法中，叶片加工质量的高低取决于特征库中数据的准确度，而工艺人员的水平又影响数据的准确度，因此很难保证加工质量。
技术实现思路
本专利技术的目的是提供一种基于神经网络的叶片抛磨加工方法，以加工工艺参数和材料去除量为数据库，通过神经网络模型并不断优化相关参数，实现在加工过程中设备的自我学习和自我进化，以达到提高加工工艺质量和效率的目的。本专利技术所述的一种基于神经网络的叶片抛磨加工方法，包括如下步聚：步骤一：通过逆向技术对叶片重构以获得三维模型，通过将该三维模型与叶片的理论模型上的特征点进行对比，调整并使两个模型的坐标系重合，从而计算出叶片的理论加工余量；步骤二：利用已有数据库中的历史数据对神经网络模型进行训练，使该神经网络模型能够识别出不同理论加工余量下的加工工艺参数配置；步骤三：将叶片的理论加工余量输入到所述神经网络模型中，所述神经网络模型计算出叶片加工的加工工艺参数，并将加工工艺参数输出到加工设备用于抛磨加工；步骤四：通过逆向技术对加工后的叶片进行再次重构获得更新的三维模型，将该更新的三维模型与加工前的三维模型进行对比并计算出叶片的材料去除量；步骤五：将加工过程中不断产生的新数据上传数据库，以更新数据；用新的数据对神经网络模型进行再训练，提高神经网络模型的识别能力和准确度；步骤六：判断加工后叶片的尺寸是否满足公差要求，若判断为“是”，则视为加工完成；否则回到步骤一和步骤二，计算修正加工余量并将该修正加工余量传递到所述神经网络模型以重新计算叶片加工工艺参数用于抛磨加工，直到叶片的尺寸满足公差要求为止。优选地，步骤一中的所述逆向技术的具体做法是通过测量装置对叶片的毛坏件进行扫描测量并将信息传递到计算机三维仿真软件以重构获得三维模型；所述测量装置为三坐标检测仪。优选地，重构的具体方法是通过三坐标检测仪获取叶片多个不同截面位置的封闭数据点集，通过计算机三维仿真软件对封闭数据点集进行拟合。优选地，步骤一中的计算出叶片的理论加工余量的具体方法是在理论模型上获取多个刀触点及相对应的法向矢量以及沿法向矢量方向的直线，每条直线与重构的三维模型相交于一点，该点与刀触点之间的距离即为理论加工余量。优选地，步骤二、步骤三、步骤五和步骤六中的所述神经网络模型是指卷积神经网络和全连接神经网络所组成的混合网络模型，卷积神经网络用于叶片的理论加工余量和修正加工余量的识别和处理，全连接神经网络用于卷积神经网络与输出层之间的连接。优选地，所述神经网络模型包括输入层、隐藏层和输出层，隐藏层包括卷积层、池化层和全连接层。优选地，输入层的大小为22*22*1，输出层的大小为3，第一个隐藏层过滤器的尺寸为3*3，深度为6，第二个隐藏层过滤器的尺寸为3*3，深度为16，池化层过滤器的尺寸为2*2，长和宽的步长均为2；卷积过程使用ReLU激活函数去线性化。优选地，步骤五中的新数据包括更新的加工工艺参数和叶片的实际材料去除量。本专利技术的有益效果是：由于以加工过程中叶片的材料去除量作为神经网络模型的输入量进行训练，真实地反应了加工过程中砂带和叶片之间的面接触这一特点。通过测量装置对加工后的叶片进行二次扫描测量并将信息传递到计算机软件获得更新模型，将该更新模型与加工前的三维模型进行对比，通过与实物对比计算叶片的材料去除量，使数据更加客观准确。将加工过程中不断产生的新数据（例如材料去除量）上传数据库，以更新数据；用新的数据对神经网络模型进行再训练，提高神经网络模型的识别能力和准确度，有利于提高后续加工的精确度。附图说明图1为本方法的流程图；图2为通过本方法制造航空发动机叶片的三维模型示意图；图3为本方法中涉及的神经网络模型图；1-输入层；2-隐藏层；3-输出层。具体实施方式下面结合具体实施方式及附图对本技术方案作进一步说明。一种基于神经网络的叶片抛磨加工方法，包括：获取叶片加工余量信息；利用历史数据训练神经网络模型；根据加工余量，通过神经网络模型确定加工工艺参数，进行在线加工；加工过程中的参数上传数据库，更新神经网络模型。参见图1，具体包括以下步骤：步骤一：通过逆向技术对叶片重构以获得三维模型（如图2所示），通过将该三维模型与叶片的理论模型上的特征点进行对比，调整并使两个模型的坐标系重合，从而计算出叶片的理论加工余量。所述逆向技术的具体做法是通过测量装置对叶片的毛坏件进行扫描测量并将信息传递到计算机三维仿真软件（例如UG或ABAQUS）以获得三维模型。所述叶片的毛坯件为用于航空发动机的精铸叶片，材质为高温合金。叶片长度约为150mm，宽度约为40mm。所述测量装置为三坐标检测仪。三坐标检测仪具有可作三个方向移动的的位移测量系统（如光栅尺），经数据处理器或计算机等设备计算工件的各点坐标（x，y，z）作为重构三维模型的原始数据。特征点指可起位置标识作用的点或其他起定位及标识作用的点。重构的具体方法是通过三坐标检测仪获取叶片多个（例如22个）不同截本文档来自技高网...

【技术保护点】
1.一种基于神经网络的叶片抛磨加工方法，其特征在于，包括如下步聚：步骤一：通过逆向技术对叶片重构以获得三维模型，通过将该三维模型与叶片的理论模型上的特征点进行对比，调整并使两个模型的坐标系重合，从而计算出叶片的理论加工余量；步骤二：利用已有数据库中的历史数据对神经网络模型进行训练，使该神经网络模型能够识别出不同理论加工余量下的加工工艺参数配置；步骤三：将叶片的理论加工余量输入到所述神经网络模型中，所述神经网络模型计算出叶片加工的加工工艺参数，并将加工工艺参数输出到加工设备用于抛磨加工；步骤四：通过逆向技术对加工后的叶片进行再次重构获得更新的三维模型，将该更新的三维模型与加工前的三维模型进行对比并计算出叶片的材料去除量；步骤五：将加工过程中不断产生的新数据上传数据库，以更新数据；用新的数据对神经网络模型进行再训练，提高神经网络模型的识别能力和准确度；步骤六：判断加工后叶片的尺寸是否满足公差要求，若判断为“是”，则视为加工完成；否则回到步骤一和步骤二，计算修正加工余量并将该修正加工余量传递到所述神经网络模型以重新计算叶片加工工艺参数用于抛磨加工，直到叶片的尺寸满足公差要求为止。

【技术特征摘要】
1.一种基于神经网络的叶片抛磨加工方法，其特征在于，包括如下步聚：步骤一：通过逆向技术对叶片重构以获得三维模型，通过将该三维模型与叶片的理论模型上的特征点进行对比，调整并使两个模型的坐标系重合，从而计算出叶片的理论加工余量；步骤二：利用已有数据库中的历史数据对神经网络模型进行训练，使该神经网络模型能够识别出不同理论加工余量下的加工工艺参数配置；步骤三：将叶片的理论加工余量输入到所述神经网络模型中，所述神经网络模型计算出叶片加工的加工工艺参数，并将加工工艺参数输出到加工设备用于抛磨加工；步骤四：通过逆向技术对加工后的叶片进行再次重构获得更新的三维模型，将该更新的三维模型与加工前的三维模型进行对比并计算出叶片的材料去除量；步骤五：将加工过程中不断产生的新数据上传数据库，以更新数据；用新的数据对神经网络模型进行再训练，提高神经网络模型的识别能力和准确度；步骤六：判断加工后叶片的尺寸是否满足公差要求，若判断为“是”，则视为加工完成；否则回到步骤一和步骤二，计算修正加工余量并将该修正加工余量传递到所述神经网络模型以重新计算叶片加工工艺参数用于抛磨加工，直到叶片的尺寸满足公差要求为止。2.根据权利要求1所述的基于神经网络的叶片抛磨加工方法，其特征在于，步骤一中的所述逆向技术的具体做法是通过测量装置对叶片的毛坏件进行扫描测量并将信息传递到计算机三维仿真软件以重构获得三维模型；所述测量装置为三坐标检测仪。3.根据权利要求2所述的基于神经网络的叶片抛磨...

【专利技术属性】
技术研发人员：张明德，卢建华，程伟华，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：重庆,50