[發明專利]一種數控加工誤差優化方法

有效

• 申請號: 201710026532.6
• 申請日: 2017-01-14
• 公開（公告）號: CN106842922B
• 公開（公告）日: 2020-07-17
• 發明（設計）人: 王勇;黃俊杰;陳勝;葛園園;鄭彬峰;于灑
• 申請（專利權）人: 合肥工業大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 康瀟

本發明涉及一種數控加工誤差優化方法，本發明綜合考慮影響數控加工的眾多因素，利用數學擬合原理及神經網絡模型預測加工狀態特征參數和加工誤差，并根據得到的預測誤差對數控程序進行部分微調，直接對加工誤差進行補償，達到數控加工誤差優化的目的。因此，本發明可以廣泛用于數控機床技術領域。

技術領域

本發明涉及數控機床技術領域，特別是關于一種數控加工誤差優化領域。

背景技術

隨著新材料、新技術、新工藝的不斷涌現，數控加工工藝參數優化研究在朝著高性能、高功能、高智能方向發展；數控切削向高性能切削方向發展；優化模型向高功能方向發展；優化方法向高智能方向發展。建立科學合理的工藝參數優化方法，進而選擇加工參數是提高數控加工精度的重要途徑。

當前有關于數控加工技術的研究與開發大多結合CAD/CAE技術，通過對數控加工系統主要組件的建模與仿真分析實現加工參數的優化。然而大量的加工實踐證明，計算機仿真技術的參考價值與準確性并不總是盡如人意，即便計算機仿真技術發展很快，但仍然不能滿足人們對于高質量數控加工的需求。除了計算機仿真技術外，實驗也是重要的研究方法之一，但實驗的條件通常難以完全模擬實際加工環境，且效率較低。

多年來，國內外學者在數控加工過程優化方面作了大量的工作。例如見中國專利申請號為CN102073300A，其公開了一種數控加工狀態自學習的刀具磨損監控系統，其對刀具磨損量進行監控，數控系統根據刀具的磨損情況做出相應的反應，提示更換刀具或者更改刀補量，然而其考慮因素比較單一，忽略數控加工諸多影響因素如溫度、振動等，該方法對于數控加工誤差的優化具有明顯的局限性。中國專利申請號為CN104407568A，其公開了一種數控加工參數實時自適應優化方法，通過對零件數控加工的切削力進行實時在線監測，再對進給速率和主軸速率進行修調與控制，然而上述調整并沒有實現對加工誤差的補償，對零件加工過程可能有所改進，但對加工誤差不會產生明顯的影響。許多相關專利或方法都只是停留在某一方面的檢測與分析，而沒有對影響數控加工精度的因素綜合考慮；在提高加工精度、減小加工誤差方面較少具有實質性意義。

發明內容

為了解決現有技術中存在的不足，本發明的目的是提供一種數控機床加工誤差優化方法，以改變當前針對數控加工誤差缺乏有效可行的優化手段及方法的局面。

為達到上述目的，本發明主要提供如下技術方案：一種數控加工誤差優化方法，它包括以下步驟：1)獲取每一次機床加工實時采樣數據；2)獲取每一次機床加工時的零件加工尺寸誤差數據，并與步驟1)中獲取的每一次機床加工實時采樣數據對應存儲；3)采用時域分析方法和頻域分析方法分別對步驟1)中獲得的機床加工實時采樣數據進行處理以得到相應的時域特征參數和頻域特征參數，針對時域特征參數和頻域特征參數基于最小二乘法的數學擬合建立特征參數預測模型，并采用該模型對時域特征參數和頻域特征參數進行預測，得到時域特征參數預測值和頻域特征參數預測值；4)建立BP單隱層神經網絡模型，采用步驟3)中的時域特征參數和頻域特征參數以及步驟2)中獲得的零件加工尺寸誤差數據，針對BP單隱層神經網絡模型進行訓練，并將步驟3)中的時域特征參數預測值和頻域特征參數預測值帶入訓練后的BP單隱層神經網絡模型中，得到預測加工誤差；5)根據步驟4)中得到的預測加工誤差，通過數控程序優化系統對部分程序微調，以補償加工誤差。

所述步驟3)包括以下步驟：31)采用時域分析方法和頻域分析方法分別對步驟1)中獲得的機床加工實時采樣數據進行處理以得到相應的時域特征參數和頻域特征參數；32)針對時域特征參數和頻域特征參數基于最小二乘法的數學擬合建立特征參數預測模型；33)采用特征參數預測模型對時域特征參數和頻域特征參數進行預測，得到時域特征參數預測值和頻域特征參數預測值。