一种表面形貌快速预测方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种表面形貌快速预测方法、系统、装置及存储介质，其中方法包括：S1、获得自由曲面的三维信息、自由曲面上的抛光轨迹以及抛光加工参数；S2、将所述抛光轨迹离散为多个刀触点，以及将自由曲面离散为多个均匀的采样点；S3、根据所述三维信息的表面曲率和所述抛光加工参数，计算刀触点的抛光影响区域，获取所述抛光影响区域内的采样点；S4、采用预设的神经网络预测模型，计算并更新所有所述抛光影响区域内采样点的材料去除量；S5、遍历刀触点，重复步骤S3～S4，获得全局材料去除量，从而得到抛光表面形貌。本发明专利技术利用神经网络预测模型，计算抛光材料去除量，避免复杂耗时的积分运算，可广泛应用于机械加工技术领域。可广泛应用于机械加工技术领域。可广泛应用于机械加工技术领域。

【技术实现步骤摘要】
一种表面形貌快速预测方法、系统、装置及存储介质


[0001]本专利技术涉及机械加工
，尤其涉及一种表面形貌快速预测方法、系统、装置及存储介质。

技术介绍

[0002]随着现代科学技术的发展，高精密的自由曲面零件在航空航天、汽车、船舶以及光学精密仪器等高端制造装备领域中得到了广泛的应用。这些零件都有着非常高的面型精度和较低的表面粗糙度要求。为了达到理想的表面质量和功能属性，抛光工艺往往最后一道精加工工序来实现表面的光整加工。传统地，高精密自由曲面零件的抛光都是依赖经验丰富的工人以手工操作的方式来完成，不仅耗时耗力，加工的一致性得不到保证，而且抛光产生的粉尘及噪声会严重危害工人的身体健康。为了改善这种现状，近年来机器人被广泛用来实现各种零部件的自动化抛光。为了降低自动化抛光过程中的资源浪费，同时提高抛光效率，提前对抛光后的表面形貌进行预测是具有重要意义的。
[0003]当前抛光表面形貌多方向的预测存在的关键挑战在于抛光材料去除量的计算涉及非常复杂和耗时的抛光接触区域、接触压力以及抛光材料去除量的积分计算。如此耗时的计算即使能够实现表面形貌的预测也很难实现抛光轨迹和抛光参数的快速迭代优化。

技术实现思路

[0004]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种表面形貌快速预测方法、系统、装置及存储介质。
[0005]本专利技术所采用的技术方案是：
[0006]一种表面形貌快速预测方法，包括以下步骤：
[0007]S1、获得自由曲面的三维信息、自由曲面上的抛光轨迹以及抛光加工参数；
[0008]S2、将所述抛光轨迹离散为多个刀触点，以及将自由曲面离散为多个均匀的采样点；
[0009]S3、根据所述三维信息的表面曲率和所述抛光加工参数，计算刀触点的抛光影响区域，获取所述抛光影响区域内的采样点；
[0010]S4、采用预设的神经网络预测模型，计算并更新所有所述抛光影响区域内采样点的材料去除量；
[0011]S5、遍历刀触点，重复步骤S3～S4，获得全局材料去除量，从而得到抛光表面形貌；
[0012]其中，所述神经网络预测模型用于预测不同表面曲率和加工条件下的材料去除轮廓。
[0013]进一步地，所述抛光加工参数包括倾斜角度、下压量、进给速度、转速。
[0014]进一步地，步骤S2中均匀的采样点的离散距离根据采样频率来定义；
[0015]当预测表面粗糙度时采样频率为第一频率，当预测表面波纹度时采样频率为第二频率，当预测表面面型误差时采样频率为第三频率；
[0016]其中，第一频率＞第二频率＞第三频率。
[0017]进一步地，步骤S3中所述表面曲率是自由曲面在刀触点处垂直于进给速度方向的法曲率。
[0018]进一步地，步骤S3中所述刀触点的抛光影响区域是抛光工具在该刀触点到下一个刀触点运动过程中与自由曲面接触产生的接触区域。
[0019]进一步地，所述神经网络预测模型通过以下方式构建获得：
[0020]根据材料去除轮廓的分布规律，构建神经网络预测模型；
[0021]所述材料去除轮廓的分布规律是针对倾斜抛光盘抛光的，遵循二次函数分布。
[0022]进一步地，所述神经网络预测模型以自由曲面在刀触点处垂直于进给速度方向的法曲率、倾斜角度、下压量、进给速度、转速为输入，以二次函数的三个系数为输出来建立。
[0023]本专利技术所采用的另一技术方案是：
[0024]一种表面形貌快速预测系统，包括：
[0025]参数获取模块，用于获得自由曲面的三维信息、自由曲面上的抛光轨迹以及抛光加工参数；
[0026]曲面离散模块，用于将所述抛光轨迹离散为多个刀触点，以及将自由曲面离散为多个均匀的采样点；
[0027]影响区域计算模块，用于根据所述三维信息的表面曲率和所述抛光加工参数，计算刀触点的抛光影响区域，获取所述抛光影响区域内的采样点；
[0028]去除量计算模块，用于采用预设的神经网络预测模型，计算并更新所有所述抛光影响区域内采样点的材料去除量；
[0029]曲面遍历模块，用于遍历刀触点，获得全局材料去除量，从而得到抛光表面形貌；
[0030]其中，所述神经网络预测模型用于预测不同表面曲率和加工条件下的材料去除轮廓。
[0031]本专利技术所采用的另一技术方案是：
[0032]一种表面形貌快速预测装置，包括：
[0033]至少一个处理器；
[0034]至少一个存储器，用于存储至少一个程序；
[0035]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0036]本专利技术所采用的另一技术方案是：
[0037]一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
[0038]本专利技术的有益效果是：本专利技术利用神经网络预测模型计算抛光材料去除量，避免复杂耗时的积分运算，能够快速获得自由曲面的表面形貌。
附图说明
[0039]为了更清楚地说明本专利技术实施例或者现有技术中的技术方案，下面对本专利技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本专利技术的技术方案中的部分实施例，对于本领域的技术人员而言，在
无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0040]图1是本专利技术实施例中一种表面形貌快速预测方法的步骤流程图；
[0041]图2是本专利技术实施例中计算刀触点的抛光影响区域的示例图；
[0042]图3是本专利技术实施例中根据不同的表面曲率和加工条件计算得到的材料去除轮廓的示例图；
[0043]图4是本专利技术实施例中预测材料去除轮廓的神经网络模型的示例图；
[0044]图5是本专利技术实施例中预测得到的表面形貌的示例图。
具体实施方式
[0045]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0046]在本专利技术的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0047]在本专利技术的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种表面形貌快速预测方法，其特征在于，包括以下步骤：S1、获得自由曲面的三维信息、自由曲面上的抛光轨迹以及抛光加工参数；S2、将所述抛光轨迹离散为多个刀触点，以及将自由曲面离散为多个均匀的采样点；S3、根据所述三维信息的表面曲率和所述抛光加工参数，计算刀触点的抛光影响区域，获取所述抛光影响区域内的采样点；S4、采用预设的神经网络预测模型，计算并更新所有所述抛光影响区域内采样点的材料去除量；S5、遍历刀触点，重复步骤S3～S4，获得全局材料去除量，从而得到抛光表面形貌；其中，所述神经网络预测模型用于预测不同表面曲率和加工条件下的材料去除轮廓。2.根据权利要求1所述的一种表面形貌快速预测方法，其特征在于，所述抛光加工参数包括倾斜角度、下压量、进给速度、转速。3.根据权利要求1所述的一种表面形貌快速预测方法，其特征在于，步骤S2中均匀的采样点的离散距离根据采样频率来定义；当预测表面粗糙度时采样频率为第一频率，当预测表面波纹度时采样频率为第二频率，当预测表面面型误差时采样频率为第三频率；其中，第一频率＞第二频率＞第三频率。4.根据权利要求1所述的一种表面形貌快速预测方法，其特征在于，步骤S3中所述表面曲率是自由曲面在刀触点处垂直于进给速度方向的法曲率。5.根据权利要求1所述的一种表面形貌快速预测方法，其特征在于，步骤S3中所述刀触点的抛光影响区域是抛光工具在该刀触点到下一个刀触点运动过程中与自由曲面接触产生的接触区域。6.根据权利要求1所述的一种表面形貌快速预测方法，其特征在于，所述神经网络预测模型通过以下方式构建获得：根据...

【专利技术属性】
技术研发人员：方晓琳，谢海龙，王清辉，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：