基于数字孪生的表面粗糙度稳定方法技术

本发明专利技术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

【技术实现步骤摘要】
基于数字孪生的表面粗糙度稳定方法
本专利技术属于机械加工表面质量控制
，具体的为一种基于数字孪生的表面粗糙度稳定方法。
技术介绍
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EN24T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。
技术实现思路
有鉴于此，本专利技术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，本专利技术提供如下技术方案：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本文档来自技高网...

【技术保护点】
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：/n1)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；/n2)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；/n3)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

【技术特征摘要】
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；
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。


3.根据权利要求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。


4.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：...

【专利技术属性】
技术研发人员：王四宝，赵增亚，王时龙，易力力，康玲，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50