磨加工产品尺寸预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种磨加工产品尺寸预测方法、装置、计算机设备和存储介质，其中，该磨加工产品尺寸预测方法包括：通过在工件的磨加工过程中，获取工件对应目标特征参数的实时采集值，并基于训练完备的预测模型，对目标特征参数的实时采集值进行分析，得到工件在磨加工过程的加工尺寸的实时预测结果，通过本申请，解决了无法实时预测工件的最终加工尺寸的问题，实现了实时预测工件的最终加工尺寸，有效避免生产过程中的资源浪费。过程中的资源浪费。过程中的资源浪费。

【技术实现步骤摘要】
磨加工产品尺寸预测方法、装置、计算机设备和存储介质


[0001]本申请涉及机械加工
，特别是涉及磨加工产品尺寸预测方法、装置、计算机设备和存储介质。

技术介绍

[0002]在机械制造中，磨加工是一种应用广泛的加工方法，指的是用砂轮、油石或磨料对工件表面进行切削加工，以切除工件上多余材料，得到需求尺寸的机械产品。而基于产品的加工要求，磨加工后工件的最终尺寸对产品质量产生重要影响，因此，需要对磨加工的工件进行尺寸检测。
[0003]目前的检测方案，在磨加工完成后，对工件的尺寸进行离线检测，或在磨加工过程中，通过激光位移传感器和检测装置，在线检测工件的尺寸，其中，离线检测通常基于固定的时间间隔对工件尺寸进行检测，或在某批次的工件加工完成后对工件尺寸进行检测，容易导致加工完成的工件存在批量的质量问题，若采用在线监测，则需要配置相应的检测装置和空间，增加投资成本，并且在检测到个别工件的加工尺寸存在问题时，通常已有若干个工件完成加工并等待检测，检测过程存在一定的滞后性，无法在质量问题产生的第一时间进行预警。由此可见，这两类检测方案都无法实时预测工件的最终加工尺寸，导致生产过程中的资源浪费。
[0004]针对相关技术中存在无法实时预测工件的最终加工尺寸的问题，目前还没有提出有效的解决方案。

技术实现思路

[0005]在本实施例中提供了一种磨加工产品尺寸预测方法、装置、计算机设备和存储介质，以解决相关技术中无法实时预测工件的最终加工尺寸的问题。
[0006]第一个方面，在本实施例中提供了一种磨加工产品尺寸预测方法，其所述方法包括：
[0007]在工件的磨加工过程中，获取所述工件对应目标特征参数的实时采集值；
[0008]基于训练完备的预测模型，对所述目标特征参数的实时采集值进行分析，得到所述工件在所述磨加工过程的加工尺寸的实时预测结果。
[0009]在其中的一些实施例中，所述在工件的磨加工过程中，获取所述工件对应目标特征参数的实时采集值之后，还包括：
[0010]通过特征工程，预处理所述工件对应目标特征参数。
[0011]在其中的一些实施例中，所述预测模型采用基于引导凝聚算法和遗传算法的极限学习机模型，所述目标特征参数包括：进给速度、主轴功率的峰值、所述主轴功率的方差、所述主轴功率的中位数、各个磨加工阶段功率的峰值、所述各个磨加工阶段功率的中位数、所述各个磨加工阶段功率的方差、所述各个磨加工阶段功率曲线的包络面积、前n个功率值的和以及所述前n个功率值的峰值。
[0012]在其中的一些实施例中，所述在工件的磨加工过程中，获取所述工件对应目标特征参数的实时采集值之后，还包括：
[0013]判断所述目标特征参数中粗磨阶段功率的峰值、所述粗磨阶段功率的包络曲线、精磨阶段功率的峰值以及所述精磨阶段功率的包络曲线是否超过预设阈值；
[0014]若所述目标特征参数中所述粗磨阶段功率的峰值、所述粗磨阶段功率的包络曲线、所述精磨阶段功率的峰值以及所述精磨阶段功率的包络曲线超过预设阈值，则停止所述磨加工过程，并启动报警机制。
[0015]在其中的一些实施例中，所述基于训练完备的预测模型，对所述目标特征参数的实时采集值进行分析之前，还包括：
[0016]基于训练集中所述目标特征参数和产品尺寸检测参数，对所述基于引导凝聚算法和遗传算法的极限学习机模型进行训练，得到训练完备的所述基于引导凝聚算法和遗传算法的极限学习机模型。
[0017]在其中的一些实施例中，所述基于训练完备的预测模型，对所述目标特征参数的实时采集值进行分析，得到所述工件在所述磨加工过程的加工尺寸的实时预测结果之后，还包括：
[0018]判断所述加工尺寸的实时预测结果是否超过公差；
[0019]若所述加工尺寸的实时预测结果超过所述公差，则停止所述磨加工过程，并启动报警机制。
[0020]第二个方面，在本实施例中提供了一种磨加工产品尺寸预测装置，所述装置包括：
[0021]获取模块，在工件的磨加工过程中，获取所述工件对应目标特征参数的实时采集值；
[0022]预测模块，基于训练完备的预测模型，对所述目标特征参数的实时采集值进行分析，得到所述工件在所述磨加工过程的加工尺寸的实时预测结果。
[0023]在其中的一些实施例中，所述装置还包括：
[0024]训练模块，基于训练集中所述目标特征参数的采集值和产品尺寸检测参数，对所述基于引导凝聚算法和遗传算法的极限学习机模型进行训练，得到训练完备的所述基于引导凝聚算法和遗传算法的极限学习机模型。
[0025]第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的磨加工产品尺寸预测方法。
[0026]第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的磨加工产品尺寸预测方法。
[0027]与相关技术相比，在本实施例中提供的磨加工产品尺寸预测方法、装置、计算机设备和存储介质，通过在工件的磨加工过程中，获取工件对应目标特征参数的实时采集值，并基于训练完备的预测模型，对目标特征参数的实时采集值进行分析，得到工件在磨加工过程的加工尺寸的实时预测结果，解决了无法实时预测工件的最终加工尺寸的问题，实现了实时预测工件的最终加工尺寸，有效避免生产过程中的资源浪费。
[0028]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0029]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0030]图1是本申请一实施例提供的磨加工产品尺寸预测方法的终端设备的硬件结构框图；
[0031]图2是本申请一实施例提供的磨加工产品尺寸预测方法的流程图；
[0032]图3是本申请一实施例提供的磨加工产品尺寸预测方法中十字轴加工的功率曲线图；
[0033]图4是本申请一实施例提供的磨加工产品尺寸预测方法中十字轴加工的拓扑结构图；
[0034]图5是本申请一实施例提供的磨加工产品尺寸预测方法中模型训练过程的流程示意图；
[0035]图6是本申请一实施例提供的磨加工产品尺寸预测方法的优选流程图；
[0036]图7是本申请一实施例提供的磨加工产品尺寸预测装置的结构框图。
[0037]图中：10、获取模块；20、预测模块。
具体实施方式
[0038]为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
[0039]除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属
具备一般技能的人所理解的一般含义。在本申请中的“一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种磨加工产品尺寸预测方法，其特征在于，所述方法包括：在工件的磨加工过程中，获取所述工件对应目标特征参数的实时采集值；基于训练完备的预测模型，对所述目标特征参数的实时采集值进行分析，得到所述工件在所述磨加工过程的加工尺寸的实时预测结果。2.根据权利要求1所述的磨加工产品尺寸预测方法，其特征在于，所述在工件的磨加工过程中，获取所述工件对应目标特征参数的实时采集值之后，还包括：通过特征工程，预处理所述工件对应目标特征参数。3.根据权利要求1所述的磨加工产品尺寸预测方法，其特征在于，所述预测模型采用基于引导凝聚算法和遗传算法的极限学习机模型，所述目标特征参数包括：进给速度、主轴功率的峰值、所述主轴功率的方差、所述主轴功率的中位数、各个磨加工阶段功率的峰值、所述各个磨加工阶段功率的中位数、所述各个磨加工阶段功率的方差、所述各个磨加工阶段功率曲线的包络面积、前n个功率值的和以及所述前n个功率值的峰值。4.根据权利要求3所述的磨加工产品尺寸预测方法，其特征在于，所述在工件的磨加工过程中，获取所述工件对应目标特征参数的实时采集值之后，还包括：判断所述目标特征参数中粗磨阶段功率的峰值、所述粗磨阶段功率的包络曲线、精磨阶段功率的峰值以及所述精磨阶段功率的包络曲线是否超过预设阈值；若所述目标特征参数中所述粗磨阶段功率的峰值、所述粗磨阶段功率的包络曲线、所述精磨阶段功率的峰值以及所述精磨阶段功率的包络曲线超过预设阈值，则停止所述磨加工过程，并启动报警机制。5.根据权利要求3所述的磨加工产品尺寸预测方法，其特征在于，所述基于训练完备的预测模型，对所述目标特征参数的实时采集值进行分析...

【专利技术属性】
技术研发人员：杨磊，刘华，杨先娜，倪方君，
申请(专利权)人：浙江大学杭州国际科创中心，
类型：发明
国别省市：