一种基于物理引导神经网络的缓进给磨削温度预测方法技术

本发明专利技术涉及智能制造技术领域，具体涉及一种基于物理引导神经网络的缓进给磨削温度预测方法，包括：获取磨削加工过程中影响工件的磨削温度的加工参数；获取多组加工参数值下对工件进行磨削时的实际磨削温度；获取工件磨削加工过程中的温度预测模型；构建神经网络模型，并获取训练好的神经网络模型；获取待加工工件的预测磨削温度

【技术实现步骤摘要】
一种基于物理引导神经网络的缓进给磨削温度预测方法


[0001]本专利技术涉及智能制造
，具体涉及一种基于物理引导神经网络的缓进给磨削温度预测方法
。

技术介绍

[0002]缓进给磨削是一种特殊的先进磨削工艺，它凭借着更大的切深和较小的工件进给速度表现高生产效率
、
优表面质量等特点
。
缓进给磨削适用于韧性和硬度较高的材料，被广泛应用在诸如发动机叶片榫齿
、
橼板加工等精密零部件
、
航空航天零部件制造中
。
[0003]然而，由于缓进给磨削磨削深度大，工件进给速度慢，砂轮与材料接触面大，冷却液难以有效到达磨削弧区，磨削过程中极易在加工表面形成热积聚，产生磨削烧伤影响零件服役性能和疲劳寿命，因此，对缓进给磨削的温度进行准确预测有助于实现生产效率和零件质量的平衡
。
[0004]磨削温度在实际加工过程中难以观测，需要建立模型进行分析，目前常用的机理驱动模型
(
如解析模型
、
仿真模型等
)
存在对实际加工环境的简化程度高
、
准确性差
、
计算效率低等问题，其计算结果难以为实际生产提供精确的指导
。
而在运用传统的神经网络进行温度预测时，其训练过程是黑箱化的不考虑物理联系，，导致其误差大
、
通用性较低，预测结果并不准确
。
[0005]因此，需要提供一种基于物理引导神经网络的缓进给磨削温度预测方法以解决上述问题
。

技术实现思路

[0006]本专利技术提供一种基于物理引导神经网络的缓进给磨削温度预测方法，通过将神经网络输入
、
输出之间的物理规律转化为物理约束并引入到神经网络模型，从而提高神经网络模型对磨削温度预测的准确性，以解决现有的传统的神经网络的误差大，导致神经网络预测的结果并不准确的问题
。
[0007]本专利技术的一种基于物理引导神经网络的缓进给磨削温度预测方法采用如下技术方案，包括：
[0008]获取磨削加工过程中影响工件的磨削温度的加工参数；
[0009]预设多组加工参数值，获取在每组加工参数值下对工件进行磨削时的实际磨削温度，根据每组加工参数值以及其对应的实际磨削温度获取数据集；
[0010]获取工件的热分配比，获取以每组加工参数值对工件磨削加工时的磨削力，根据磨削力和实验参数计算工件受到的磨削热量，根据工件受到的磨削热量
、
总热量以及工件的热分配比，获取工件磨削加工过程中的温度预测模型；
[0011]将温度预测模型作为物理引导损失函数，根据物理引导损失函数和经验损失函数获取最终损失函数，根据最终损失函数构建神经网络模型，利用数据集中的数据对神经网络模型进行训练，得到训练好的神经网络模型；
[0012]将待加工工件对应的加工参数值输入训练好的神经网络模型，获取待加工工件的预测磨削温度
。
[0013]优选的，还包括：
[0014]根据温度预测模型获取每组加工参数值对应的预测磨削温度；
[0015]根据每组加工参数值对应的预测磨削温度和实际磨削温度，获取每组加工参数值对应的目标磨削温度；
[0016]将每组加工参数值对应的目标磨削温度作为增广数据集；
[0017]将每组加工参数值以及其对应的实际磨削温度作为初始数据集；
[0018]将增广数据集和初始数据集作为数据集
。
[0019]获取每组加工参数值对应的目标磨削温度，包括：
[0020]获取每组加工参数值对应的实际磨削温度与预测磨削温度的温度差值；
[0021]将温度差值和温度预测模型得到的预测磨削温度的和值，作为每组加工参数值对应的目标磨削温度
。
[0022]优选的，根据物理引导损失函数获取最终损失函数，包括：
[0023][0024]式中，
Loss
表示最终损失函数；
[0025]表示神经网络模型的经验损失函数；
[0026]loss.
表示物理引导损失函数；
[0027]λ
PHY
表示用来协调损失函数中两项尺度上的差异
。
[0028]优选的，温度预测模型的表达式为：
[0029][0030]式中，
T
m
表示第
m
组加工参数值输入温度预测模型得到的预测磨削温度；
[0031]v
s
表示砂轮线速度；
[0032]v
w
表示工件进给速度
[0033]a
p
表示磨削深度；
[0034](
κρ
c)
w
是工件的材料相关系数，
κ
为材料热传导率，
ρ
为材料密度；
c
为材料比热容，下标
w
代表工件的材料
[0035]ε
表示工件的热分配比；
[0036]d
s
表示砂轮直径
。
[0037]优选的，加工参数为砂轮线速度
、
工件进给速度以及磨削深度
。
[0038]优选的，获取以每组加工参数值对工件磨削加工时的磨削力，包括：
[0039][0040]式中，
F
t
表示其中一组加工参数值加工工件时对应的磨削力；
[0041]v
s
表示加工参数值中的砂轮线速度；
[0042]v
w
表示加工参数值中的工件进给速度；
[0043]a
p
表示加工参数值中的磨削深度
。
[0044]优选的，还包括对训练好的神经网络模型的预测效果进行评价，评价步骤为：
[0045]获取所有组加工参数值在训练好的神经网络模型输出的预测磨削温度的第一均方根误差；
[0046]获取所有组加工参数值在人工神经网络模型输出的磨削温度的第二均方根误差；
[0047]根据第一均方根误差和第二均方根误差，获取训练好的神经网络模型相对于人工神经网络模型的预测磨削温度的优化率
。
[0048]优选的，神经网络模型的激活函数为
Relu
激活函数；神经网络模型的全连接层为两层
。
[0049]优选的，对神经网络模型进行训练时，数据集中的加工参数值作为神经网络模型的输入，数据集中对应的磨削温度作为神经网络模型的输出
。
[0050]本专利技术的有益效果是：
[0051]1、
通过获取工件的热分配比，根据工件受到的磨削热量
、
总热量以及工件的热分配比，获取工件磨削加工过程中的温度预测模型，并将温度预测模型作为物理引导损失函数，然后利用物理引导本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于物理引导神经网络的缓进给磨削温度预测方法，其特征在于，包括：获取磨削加工过程中影响工件的磨削温度的加工参数；预设多组加工参数值，获取在每组所述加工参数值下对工件进行磨削时的实际磨削温度，根据每组加工参数值以及其对应的实际磨削温度获取数据集；获取工件的热分配比，获取以每组所述加工参数值对工件磨削加工时的磨削力，根据磨削力和加工参数计算工件受到的磨削热量，根据工件受到的磨削热量
、
总热量以及工件的热分配比，获取工件磨削加工过程中的温度预测模型；将温度预测模型作为物理引导损失函数，根据物理引导损失函数和经验损失函数获取最终损失函数，根据最终损失函数构建神经网络模型，利用数据集中的数据对神经网络模型进行训练，得到训练好的神经网络模型；将待加工工件对应的加工参数值输入训练好的神经网络模型，获取待加工工件的预测磨削温度
。2.
根据权利要求1所述的一种基于物理引导神经网络的缓进给磨削温度预测方法，其特征在于，还包括：根据温度预测模型获取每组加工参数值对应的预测磨削温度；根据每组加工参数值对应的预测磨削温度和实际磨削温度，获取每组加工参数值对应的目标磨削温度；将每组加工参数值对应的目标磨削温度作为增广数据集；将每组加工参数值以及其对应的实际磨削温度作为初始数据集；将增广数据集和初始数据集作为数据集
。3.
根据权利要求2所述的一种基于物理引导神经网络的缓进给磨削温度预测方法，其特征在于，获取每组加工参数值对应的目标磨削温度，包括：获取每组加工参数值对应的所述实际磨削温度与所述预测磨削温度的温度差值；将所述温度差值和预测磨削温度的和值，作为每组加工参数值对应的目标磨削温度
。4.
根据权利要求1所述的一种基于物理引导神经网络的缓进给磨削温度预测方法，其特征在于，所述根据物理引导损失函数获取最终损失函数，包括：式中，
Loss
表示最终损失函数；表示神经网络模型的经验损失函数；表示物理引导损失函数；
λ
PHY
表示用来协调用来协调损失函数中两项尺度上的差异
。5.
根据权利要求1所述的一种基于物理引导神经网络的缓进给磨削温度预测方法，其特征在于，所述温度预测模型的表达式为：式中，
T
m
表示第
m
组加工参数值输入温度预测模型得到的预测磨削温度；
v
...

【专利技术属性】
技术研发人员：王渊彬，张天任，汪文虎，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：