[發明專利]基于數字孿生的表面粗糙度穩定方法

在審

• 申請號: 202010692248.4
• 申請日: 2020-07-17
• 公開（公告）號: CN111859566A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 王四寶;趙增亞;王時龍;易力力;康玲
• 申請（專利權）人: 重慶大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F119/14
• 代理公司: 重慶航圖知識產權代理事務所(普通合伙) 50247
• 代理人: 胡小龍

本發明公開了一種基于數字孿生的表面粗糙度穩定方法，包括以下步驟：1)基于物理世界的機械加工系統建立虛擬世界的數字孿生系統，并在數字孿生系統內構建表面粗糙度預測模型；2)利用數字孿生系統映射機械加工系統，實時采集機械加工系統中影響表面粗糙度的加工參數并輸入到數字孿生系統中；3)利用表面粗糙度預測模型預測當前加工條件下的表面粗糙度；若預測得到的表面粗糙度位于設定閾值范圍內，則表面粗糙度穩定，證明當前的加工參數滿足要求，執行步驟5)；否則，執行步驟4)；4)利用梯度下降法求解使位于設定閾值范圍內的加工參數并反饋給機械加工系統，執行步驟5)；5)循環步驟2)和步驟3)，直至工件加工完成。

技術領域

本發明屬于機械加工表面質量控制技術領域，具體的為一種基于數字孿生的表面粗糙度穩定方法。

背景技術

表面質量通常直接影響工件的物理、化學和機械性能，如摩擦性能、疲勞性能、耐磨性、潤滑性能等。表面粗糙度作為評定表面質量的最重要指標，因此被選為工件生產關鍵技術要求。在實際加工過程中，由于刀具振動、刀具磨損和工件材料的塑性變形等因素的影響，表面粗糙度通常是不穩定的，并且經常是有增加的趨勢。因此，為了獲得更好的表面性能，需要一種有效的表面粗糙度穩定方法。近年來，國內外學者對表面粗糙度預測模型的建立進行了大量的研究，大致可分為三大類：理論方法、實驗設計方法和人工智能方法。

理論方法中，基于加工理論，考慮刀具形狀、工件材料特性、安裝誤差、加工動力學等因素，建立表面粗糙度預測模型(通常為加工表面的數學方程)。對于任意的工件和刀具組合， Munoz-Escalona和Maropoulos提出了基于刀具軌跡幾何分析的表面粗糙度預測模型。同樣， Lu等人建立了基于切削力的刀具柔性變形模型，并利用該模型建立了預測表面粗糙度的表面形貌仿真模型。為了減少表面粗糙度的不均勻性，Sun等人提出了一種基于相對刀具鋒利度的表面粗糙度相對標準差(RSDS)方法來預測表面非均勻性。考慮到刀具姿態、顫振、跳動、切削力和材料變形，Peng等人建立了描述切削刃軌跡的理論模型，并在此基礎上對表面粗糙度進行了預測。

實驗設計方法中，建立了不同加工方式下的表面粗糙度模型。常用的實驗設計方法有田口法、全因子設計法、曲面響應法(RSM)等。與其它方法相比，RSM方法由于只需少量的實驗，通常應用于表面粗糙度的預測。Karkalos等人用RSM研究了Ti-6Al-4v鈦合金在最小表面粗糙度下的最佳加工參數。Dikshit等人采用基于RSM的中心復合設計方法，對高速球頭銑削中最小表面粗糙度參數進行了優化選擇。Noordin等人通過RSM研究了硬質合金刀具的性能(主要是表面粗糙度和切削力)。研究發現，進給速度是影響表面粗糙度的主要因素。 Mansour和Abdalla[13]也利用RSM建立了EN32材料表面粗糙度的預測模型。

除上述兩種方法外，人工智能方法作為一種具有自學習和自適應能力的強大預測工具，也被廣泛應用于表面粗糙度的預測。在高壓冷卻條件下EN 24T鋼車削中，Mia等人提出了一種基于人工神經網絡(ANN)的平均表面粗糙度預測模型。Ghosh等人提出了一種基于人工神經網絡的表面粗糙度預測模型，并采用遺傳算法和粒子群優化算法尋找最佳切削條件。