【技术实现步骤摘要】
本专利技术属于机械加工，具体是一种基于离线与在线监测联合的铣削参数优化方法。
技术介绍
1、在航空航天、能源装备等领域存在着大量的、复杂的零件，其存在着材料去除率大、材料难加工、服役环境苛刻、加工精度要求较高等特点。为了保证加工质量，实际加工中常常采用了保守的切削参数，使得机床和刀具利用不充分，加工效率低。为了既保证产品质量同时提高加工效率，一些企业采用了人工控制的方式。例如，操作者根据丰富的经验进行参数的调整，然而不同的技术人员经验、知识结构等不同造成加工出来的产品质量一致性差，且切削加工具有时变性、非线性等，依靠经验难以准确判断出整个加工状态。因此，迫切需要科学的指导方法保证加工过程稳定性和可靠性并提升加工效率。
2、铣削加工过程中的切削参数优化是一个复杂的非线性、多约束问题，它是提高加工质量和加工效率的有效途径。切削参数的优化主要是考虑加工过程中刀具寿命、材料去除率、功率和表面粗糙度等响应进行参数的调整。切削参数优化主要包括单目标优化和多目标优化。由于加工过程的复杂性，单目标方法在确定最佳切削条件方面的价值有限，多目标优化同时优化几个不同且相互矛盾的目标，因此多目标优化更接近实际工程。然而，切削过程是一个动态的、不稳定的过程，目标和约束的具体值并不容易获得。虽然一些学者提出了理论模型来描述切削过程，但由于简化，它与实际仍有很大差异。此外，加工中的刀具磨损也是影响切削参数优化的难题，特别是对于难加工材料，力-热耦合加速了刀具磨损，从而使刀具寿命急剧下降。
3、现有的参数优化方法研究在工艺参数优化中缺乏
技术实现思路
1、本专利技术的旨在提供一种基于离线与在线监测联合的铣削参数优化方法，考虑加工过程中的刀具磨损和表面粗糙度，解决现有的切削参数优化方法缺乏对整个加工系统物理特性考虑，弥补以经验为主的参数选择方法的不足，从而提高零件加工质量和加工效率，为铣削过程中的切削参数选择和优化提供有效的途径。
2、为了实现上述目的，本专利技术采用了以下技术方案：
3、基于离线与在线监测联合的铣削参数优化方法，包括建立刀具状态和加工表面质量预测模块、切削参数寻优模块和智能决策模块，其中：
4、所述刀具状态和加工表面质量预测模块一方面根据采集到的历史加工过程中的切削信号数据建立预测模型，通过该预测模型实现切削信号到加工表面质量和刀具磨损的非线性映射；另一方面，通过感知技术获取切削信号的变化，实时动态更新已建立的预测模型参数和切削参数优化使用的约束条件边界值；需要说明的是，本专利技术中的感知技术是指能够通过一系列传感器将切削过程中的变化的物理量转换成可处理的数字信号的解决方案；
5、所述切削参数寻优模块首先通过切削实验样本点建立基于目标函数、设计变量、约束条件的不同输入与输出的kriging模型，其中设计变量即为待优化的切削参数，其取值选用刀具状态和加工表面质量预测模块采集的切削信号；
6、接着，采用nsga-ii算法对已建立的kriging模型进行切削参数优化，获得初次优化后的pareto解集，然后，以刀具状态和加工表面质量预测模块中感知技术获取的、动态更新后的切削信号作为设计变量，约束条件边界值作为约束条件，获得再次优化后的新pareto解集；
7、所述智能决策模块首先判断铣削过程处于粗加工阶段还是精加工阶段，然后根据粗加工阶段和精加工阶段目标函数所占权重不同来确定pareto解集中最优解的选择。
8、进一步，所述刀具状态和加工表面质量预测模块中，通过卷积神经网络建立预测模型，实现切削信号到加工表面质量和刀具磨损的非线性映射。
9、进一步，所述切削参数寻优模块中，采用中心复合实验设计方法获得样本点。
10、进一步，所述刀具状态和加工表面质量预测模块中，切削信号包括但不限于切削力信号、主轴三相电流信号和加速度信号，加工表面质量包括但不限于表面粗糙度，刀具磨损指刀具的使用寿命。
11、进一步，所述切削参数寻优模块中，目标函数包括但不限于材料去除率、表面粗糙度、切削力和切削功率，设计变量包括但不限于切削速度、切削深度和每齿进给量，约束条件包括但不限于切削力约束、表面粗糙度约束、机床主轴最大进给约束、机床主轴最大扭矩约束和机床主轴最大转速约束。
12、与现有技术相比，本专利技术的优化方法中考虑了加工过程中的刀具磨损和表面粗糙度，并分别对粗、精加工提出了不同的优化策略，所提出的优化方法对该目标函数进行优化设计时比其它主流方法更具有效性和优势，弥补了以经验为主的参数选择方法的不足，提高了零件加工质量和加工效率，为典型零件铣削过程中的加工参数选择和优化提供了有效的解决方案。
13、本专利技术具备以下特点：
14、(1)本专利技术提出的铣削参数优化方案涉及的约束条件全面，涵盖了加工过程切削信号、加工过程中的功率信号以及被加工零件的表面粗糙度，更加符合实际生产的要求。更重要的是，本专利技术提出的优化方法不限制于这几类约束条件，当需要优化的特征增加时，本专利技术的优化策略同样有效。
15、(2)本专利技术提出的铣削参数优化方案有历史切削数据建立的数据库和预测模型支撑，通过感知技术实时在线更新，通过实验获得离线数据，提供了闭环的优化功能，优化可以做到离线和在线结合的优化，且适用于不同的工况。
16、(3)刀具磨损和表面质量的获取方式是通过深度学习和多传感器融合算法预测的，本专利技术提出的卷积神经网络算法精度高，刀具磨损后的使用寿命会影响模型中其它约束条件的边界取值变化。
17、(4)本专利技术针对粗加工阶段和精加工阶段提出了不同的优化策略，符合实际生产要求。
18、(5)本专利技术提出的优化模型是基于kriging模型建立的，优势在于能够给出最优线性无偏估计。
19、(6)本专利技术中kriging模型的pareto解优化是通过nsga-ⅱ多目标遗传算法求解的，相比于传统的数学方法，其优势在于速度快、解集收敛性好。
本文档来自技高网...【技术保护点】
1.基于离线与在线监测联合的铣削参数优化方法，其特征在于：包括建立刀具状态和加工表面质量预测模块、切削参数寻优模块和智能决策模块，其中：
2.根据权利要求1所述的基于离线与在线监测联合的铣削参数优化方法，其特征在于：所述刀具状态和加工表面质量预测模块中，通过卷积神经网络建立预测模型，实现切削信号到加工表面质量和刀具磨损的非线性映射。
3.根据权利要求1所述的基于离线与在线监测联合的铣削参数优化方法，其特征在于：所述切削参数寻优模块中，采用中心复合实验设计方法获得样本点。
4.根据权利要求1所述的基于离线与在线监测联合的铣削参数优化方法，其特征在于：所述刀具状态和加工表面质量预测模块中，切削信号包括但不限于切削力信号、主轴三相电流信号和加速度信号，加工表面质量包括但不限于表面粗糙度，刀具磨损指刀具的使用寿命。
5.根据权利要求1所述的基于离线与在线监测联合的铣削参数优化方法，其特征在于：所述切削参数寻优模块中，目标函数包括但不限于材料去除率、表面粗糙度、切削力和切削功率，设计变量包括但不限于切削速度、切削深度和每齿进给量，约束条件包括
...【技术特征摘要】
1.基于离线与在线监测联合的铣削参数优化方法，其特征在于：包括建立刀具状态和加工表面质量预测模块、切削参数寻优模块和智能决策模块，其中：
2.根据权利要求1所述的基于离线与在线监测联合的铣削参数优化方法，其特征在于：所述刀具状态和加工表面质量预测模块中，通过卷积神经网络建立预测模型，实现切削信号到加工表面质量和刀具磨损的非线性映射。
3.根据权利要求1所述的基于离线与在线监测联合的铣削参数优化方法，其特征在于：所述切削参数寻优模块中，采用中心复合实验设计方法获得样本点。
4.根据权利要求1所述的基于离线与在...
【专利技术属性】
技术研发人员：何绍川，李永斌，安庆龙，徐兴伟，李雪梅，
申请(专利权)人：中国航发贵州黎阳航空动力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。