【技术实现步骤摘要】
本专利技术涉及数控加工领域，尤其是涉及一种基于3d卷积神经网络的数控加工工艺生成方法。
技术介绍
1、制造业的未来正在迅速从大规模生产转向大规模定制，个性化产品通过分散生产系统实现。这一趋势包括云制造服务，它讲地理分布的制造资源在线封装，允许用户通过互联网访问。这种允许用户将零件设计的计算机辅助设计(cad)模型上传到在线平台，选择制造过程，并几乎及时地获得成本和交货时间估算。用户接受估算后，零件设计由服务提供商网络中的一个或多个供应商制造并交付给用户。这种云制造服务的一个限制是制造工艺选择是由用户手动完成的。由于正确选择工艺需要对其有深入的了解，而这些能力通常是通过经验获得的，因此这些服务的用户可能不具备选择最合适的工艺来实现其设计所需的制造工艺能力知识，从而导致次优选择。
2、近年来深度学习取得了快速的发展，通过机器学习算法学习制造过程的能力，从设计和生产数据中获取成功制造的零件的不同形状和所需部件质量的能力，是一种具有吸引力的解决方案，因为此类数据通常由制造商收集和存储。深度学习方法在捕捉特征空间中的非线性和不连续性方面表现出色。
技术实现思路
1、本专利技术为克服上述情况不足，旨在提供一种能解决上述问题的技术方案。
2、一种基于3d卷积神经网络的数控加工工艺生成方法，包括以下步骤：
3、首先，收集包含零件的3d形状数据，以及与每个零件相关的材料和质量信息；
4、对收集到的数据进行预处理，包括零件的3d形状信息的处理、零件相关的
5、将处理过后的零件3d形状信息，以及对应零件材料的定量描述和质量信息组成数据集；
6、将数据集进行分割为训练集、验证集和测试集；
7、构建3d卷积神经网络模型；
8、对构建好的数据集对3d卷积神经网络模型进行训练和验证，针对零件数据学习如何生成相应的加工工艺，最后使用测试集对该模型进行测试；
9、模型通过测试之后，可以将新的零件信息输入模型中，模型会处理这些信息并生成适用于加工该零件的加工工艺。
10、作为本专利技术进一步的方案：零件信息的获取：
11、对于零件的3d形状，该几何形状首先以stl文件格式存储；零件材料的定量描述包括弹性模量[gpa]、断裂伸长率[％]、屈服强度[mpa]、布氏硬度[hb]和热扩散率[m3/s]，零件的质量信息包括零件的尺寸公差[mm]和零件的面积算术平均表面粗糙度[sa]。
12、作为本专利技术进一步的方案：获取到的零件信息进行预处理：
13、零件的3d形状信息stl类型文件先通过体素化处理，再将体素化的形状信息转化为100×100×100的二进制数组作为输入一；零件材料和质量信息，由弹性模量[gpa]、断裂伸长率[％]、屈服强度[mpa]、布氏硬度[hb]、热扩散率[m3/s]以及表面粗糙度[μm]等材料特性定义尺寸公差[mm]组成为1×7的数组作为输入二。
14、作为本专利技术进一步的方案：3d卷积神经网络模型的结构为：
15、该神经网络模型架构是由两个输入层、三个卷积层、两个残差块层、三个批量归一化层、三个dropout层、三个最大池化层、一个串联层、四个全连接层以及一个与前一层完全连接的输出层组成。
16、作为本专利技术进一步的方案：所述模型架构各层的操作：
17、在该模型结构中，三个卷积层的卷积核均使用3×3×3的卷积核，其中的输入输出通道数分别为(1，32)、(32，64)和(64，64)；三个最大池化层均设置为2将特征图进行减半，归一化层的通道数分别设置为32、64和64；三个drop out层的丢弃率设置为0.5；两个残差块层分别放在第一个三维卷积层后和第二个三维卷积层后，残差块层的输入输出通道数为上一步卷积输出的通道数，残差块层内部进行两次三维卷积，卷积核设置为3×3×3的大小，padding设置为1；
18、在输入一输入进三个卷积层之后，将经过卷积的数据输入到一个输入为64000输出为10大小的全连接神经网络(fc_1)；输入二输入进一个输入为7输出为7的全连接神经网络(fc_2)；将fc_1和fc_2通过串联层连接成大小为17的一维向量，再通过两层全连接神经网络，输入输出分别设置为(17，17)，(17，6)；最后将该输出通过softmax函数作为输出层的激活函数；
19、使用先行修正单元(relu)函数作为每个卷积层和全连接层的激活函数，再通过本模型训练时使用分类交叉熵函数作为损失函数，优化器使用adam优化器。
20、作为本专利技术进一步的方案：relu函数具体公式为：
21、relu(x)＝max(x,0)。
22、作为本专利技术进一步的方案：softmax函数表示为：
23、
24、作为本专利技术进一步的方案：训练时所使用的损失函数：
25、在训练时所使用的损失函数为分类交叉熵函数，该函数表示为：
26、
27、其中d是包含n个k类训练数据的训练数据集，dl是第l个训练数据，σi(dl)是模型预测训练数据dl属于第i类的概率，yi是训练数据dl属于第i类的真实概率；如果训练数据属于第i类，则yi＝1；如果不属于第i类则yi＝0。
28、作为本专利技术进一步的方案：softmax函数的输出：
29、其中，x＝(x1,…,xk)代表输出层的k个神经元值，其中k是类别标签的数量；softmax函数的输出σi(x)表示输入数据属于第i类的概率；在提出的网络架构中，最终的输出是一个大小为6的向量，由σ1(x)，σ2(x)，σ3(x)，σ4(x)，σ5(x)，σ6(x)组成，具有最大σj(x)值的第xj类标签是预测的类别标签，即预测用于生产的部件所需的制造过程。
30、作为本专利技术进一步的方案：分类的结果是铣削、车削、钻孔、铣削和磨削、车削和磨削以及钻孔和镗削中的一种。
31、与现有技术相比，本专利技术的有益效果是：
32、1、本专利技术利用深度学习技术，通过输入包含零件的3d形状，零件材料的定量描述和零件质量信息的零件信息，可以自动学习生成加工该零件的加工工艺，减少了人工选择加工工艺的工作量，提高了加工效率。
33、2、本专利技术的神经网络模型结合零件的3d形状信息、质量信息和材料信息，通过特征提取和融合，能够综合考虑多种影响加工工艺的因素，提高预测的准确性。
34、3、由于深度学习模型的灵活性，该方法可以适用于不同类型的零件和加工过程。只需提供相应的输入数据，模型就可以自适应学习生成相应的加工工艺。
35、4、本专利技术可以应用于各种数控加工工艺，包括车削，铣削，钻孔，镗孔和磨削等，为制造业提供了一种通用的自动化工艺生成方法。
36、本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术本文档来自技高网...
【技术保护点】
1.一种基于3D卷积神经网络的数控加工工艺生成方法，其特征是在于，包括以下步骤：
2.根据权利要求1所述的一种基于3D卷积神经网络的数控加工工艺生成方法，其特征是在于：零件信息的获取：
3.根据权利要求1所述的一种基于3D卷积神经网络的数控加工工艺生成方法，其特征是在于：获取到的零件信息进行预处理：
4.根据权利要求1所述的一种基于3D卷积神经网络的数控加工工艺生成方法，其特征是在于：3D卷积神经网络模型的结构为：
5.根据权利要求4所述的一种基于3D卷积神经网络的数控加工工艺生成方法，其特征是在于：所述模型架构各层的操作：
6.根据权利要求5所述的一种基于3D卷积神经网络的数控加工工艺生成方法，其特征是在于：ReLU函数具体公式为：
7.根据权利要求5所述的一种基于3D卷积神经网络的数控加工工艺生成方法，其特征是在于：Softmax函数表示为：
8.根据权利要求5所述的一种基于3D卷积神经网络的数控加工工艺生成方法，其特征是在于：训练时所使用的损失函数：
9.根据权利要求7所述的一种
10.根据权利要求7所述的一种基于3D卷积神经网络的数控加工工艺生成方法，其特征是在于：分类的结果是铣削、车削、钻孔、铣削和磨削、车削和磨削以及钻孔和镗削中的一种。
...【技术特征摘要】
1.一种基于3d卷积神经网络的数控加工工艺生成方法，其特征是在于，包括以下步骤：
2.根据权利要求1所述的一种基于3d卷积神经网络的数控加工工艺生成方法，其特征是在于：零件信息的获取：
3.根据权利要求1所述的一种基于3d卷积神经网络的数控加工工艺生成方法，其特征是在于：获取到的零件信息进行预处理：
4.根据权利要求1所述的一种基于3d卷积神经网络的数控加工工艺生成方法，其特征是在于：3d卷积神经网络模型的结构为：
5.根据权利要求4所述的一种基于3d卷积神经网络的数控加工工艺生成方法，其特征是在于：所述模型架构各层的操作：
6.根据权利要求5所述的一种基于3d...
【专利技术属性】
技术研发人员：张成，詹荣康，王有亮，陈丽源，
申请(专利权)人：乔锋智能装备股份有限公司，
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。