一种新型滚齿加工瓶颈因素分析方法及装置制造方法及图纸

本发明专利技术公开了一种新型滚齿加工瓶颈因素分析方法及装置。其中，该方法包括：通过传感器采集加工误差信号；根据所述加工误差信号，生成训练集合X和标签集合Y；根据所述训练集合X和标签集合Y构建卷积神经网络模型；将检测数据输入所述卷积神经网络模型，得到分析结果。本发明专利技术解决了随着加工过程的复杂化以及生产监控设备的数字化，传统仅仅依靠现场专业操作人员分析并寻找加工质量异常原因的方法变得效益低下的技术问题。效益低下的技术问题。效益低下的技术问题。

【技术实现步骤摘要】
一种新型滚齿加工瓶颈因素分析方法及装置


[0001]本专利技术涉及工程检测领域，具体而言，涉及一种新型滚齿加工瓶颈因素分析方法及装置。

技术介绍

[0002]随着智能化科技的不断发展，人们的生活、工作、学习之中越来越多地用到了智能化设备，使用智能化科技手段，提高了人们生活的质量，增加了人们学习和工作的效率。
[0003]齿轮工作寿命长、传动效率高、精度高等优点，使其作为重要传动部件广泛应用于汽车、航空、冶金等多个领域。齿轮的传动特性与滚齿加工质量密切相关，然而，随着加工过程的复杂化以及生产监控设备的数字化，传统仅仅依靠现场专业操作人员分析并寻找加工质量异常原因的方法变得效益低下。因此，本专利技术利用传感器和边缘计算设备实时智能地收集滚齿加工误差数据，并基于云计算平台实现自动分析影响齿轮质量的加工瓶颈因素。最后，设计了一种便捷、实时在线、泛化性强的新型滚齿加工瓶颈因素分析装置。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供了一种新型滚齿加工瓶颈因素分析方法及装置，以至少解决随着加工过程的复杂化以及生产监控设备的数字化，传统仅仅依靠现场专业操作人员分析并寻找加工质量异常原因的方法变得效益低下的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种新型滚齿加工瓶颈因素分析方法，包括：通过传感器采集加工误差信号；根据所述加工误差信号，生成训练集合X和标签集合Y；根据所述训练集合X和标签集合Y构建卷积神经网络模型；将检测数据输入所述卷积神经网络模型，得到分析结果。
[0007]可选的，在所述通过传感器采集加工误差信号之后，所述方法还包括：将所述加工误差信号进行拟合处理，其中，所述拟合处理包括：拟合方法采用最小二乘法方程f：
[0008][0009][0010]其中，为传感器输出的各加工误差偏移集合中的偏移量，δ为误差值，[e1,e2,
…
,e
m
]为各加工误差实际值。最小化δ并通过公式输出最大滚齿机加工一批齿运动偏心量a的集合A＝{a1,a2,
…
,a
I
}、最大几何偏心量b的集合B＝{b1,b2,
…
,b
I
}和主轴最大回转偏差量c的集合C＝{c1,c2,
…
,c
I
}，其中I为齿轮的总个数。
[0011]可选的，所述加工误差信号包括：运动偏心数据、几何偏心数据、主轴回转偏差数据。
[0012]可选的，所述标签集合Y通过层次分析法得到，其中，所述层次分析法包括：建立层次结构模型、构建判断矩阵、专家评定、一致性检验、层次总排序、生成所述标签集合Y。
[0013]根据本专利技术实施例的另一方面，还提供了一种新型滚齿加工瓶颈因素分析装置，包括：采集模块，用于通过传感器采集加工误差信号；生成模块，用于根据所述加工误差信号，生成训练集合X和标签集合Y；构建模块，用于根据所述训练集合X和标签集合Y构建卷积神经网络模型；分析模块，用于将检测数据输入所述卷积神经网络模型，得到分析结果。
[0014]可选的，所述装置还包括：拟合模块，用于将所述加工误差信号进行拟合处理，其中，所述拟合处理包括：拟合方法采用最小二乘法方程f：
[0015][0016][0017]其中，为传感器输出的各加工误差偏移集合中的偏移量，δ为误差值，[e1,e2,
…
,e
m
]为各加工误差实际值。最小化δ并通过公式输出最大滚齿机加工一批齿运动偏心量a的集合A＝{a1,a2,
…
,a
I
}、最大几何偏心量b的集合B＝{b1,b2,
…
,b
I
}和主轴最大回转偏差量c的集合C＝{c1,c2,
…
,c
I
}，其中I为齿轮的总个数。
[0018]可选的，所述加工误差信号包括：运动偏心数据、几何偏心数据、主轴回转偏差数据。
[0019]可选的，所述标签集合Y通过层次分析法得到，其中，所述层次分析法包括：建立层次结构模型、构建判断矩阵、专家评定、一致性检验、层次总排序、生成所述标签集合Y。
[0020]根据本专利技术实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种新型滚齿加工瓶颈因素分析方法。
[0021]根据本专利技术实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种新型滚齿加工瓶颈因素分析方法。
[0022]在本专利技术实施例中，采用通过传感器采集加工误差信号；根据所述加工误差信号，生成训练集合X和标签集合Y；根据所述训练集合X和标签集合Y构建卷积神经网络模型；将检测数据输入所述卷积神经网络模型，得到分析结果的方式，解决了随着加工过程的复杂化以及生产监控设备的数字化，传统仅仅依靠现场专业操作人员分析并寻找加工质量异常原因的方法变得效益低下的技术问题。
附图说明
[0023]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0024]图1是根据本专利技术实施例的一种新型滚齿加工瓶颈因素分析方法的流程图；
[0025]图2是根据本专利技术实施例的一种新型滚齿加工瓶颈因素分析装置的结构框图；
[0026]图3是根据本专利技术实施例的用于执行根据本专利技术的方法的终端设备的框图；
[0027]图4是根据本专利技术实施例的用于保持或者携带实现根据本专利技术的方法的程序代码的存储单元；
[0028]图5是根据本专利技术实施例的滚齿加工误差检测模块检测流程图；
[0029]图6是根据本专利技术实施例的层次结构模型图；
[0030]图7是根据本专利技术实施例的工艺贡献度神经网络模型结构图。
具体实施方式
[0031]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0032]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新型滚齿加工瓶颈因素分析方法，其特征在于，包括：通过传感器采集加工误差信号；根据所述加工误差信号，生成训练集合X和标签集合Y；根据所述训练集合X和标签集合Y构建卷积神经网络模型；将检测数据输入所述卷积神经网络模型，得到分析结果。2.根据权利要求1所述的方法，其特征在于，在所述通过传感器采集加工误差信号之后，所述方法还包括：将所述加工误差信号进行拟合处理，其中，所述拟合处理包括：拟合方法采用最小二乘法方程f：法方程f：其中，为传感器输出的各加工误差偏移集合中的偏移量，δ为误差值，[e1,e2,
…
,e
m
]为各加工误差实际值。最小化δ并通过公式输出最大滚齿机加工一批齿运动偏心量a的集合A＝[a1,a2,
…
,a
I
}、最大几何偏心量b的集合B＝{b1,b2,
…
,b
I
}和主轴最大回转偏差量c的集合C＝{c1,c2,
…
,c
I
}，其中I为齿轮的总个数。3.根据权利要求1所述的方法，其特征在于，所述加工误差信号包括：运动偏心数据、几何偏心数据、主轴回转偏差数据。4.根据权利要求1所述的方法，其特征在于，所述标签集合Y通过层次分析法得到，其中，所述层次分析法包括：建立层次结构模型、构建判断矩阵、专家评定、一致性检验、层次总排序、生成所述标签集合Y。5.一种新型滚齿加工瓶颈因素分析装置，其特征在于，包括：采集模块，用于通过传感器采集加工误差信号；生成模块，用于根据所述加工误差信号，生成训练集合X和标签集合Y；构建模块，用于根据所述训练集合X和标签集合Y构建卷积神...

【专利技术属性】
技术研发人员：朱俊江，马城，钱丽娟，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：