一种薄壁件表面粗糙度在线预测方法
本技术属于薄壁件铣削加工质量,具体涉及一种薄壁件表面粗糙度在线预测方法。
背景技术:
1、在精密制造体系中,实现表面粗糙度的实时精准预测是优化零件表面完整性、调控其服役疲劳特性的关键环节,对提升工件的耐磨性及配合精度具有决定性作用,尤其在航空航天等领域,薄壁构件极严苛的服役环境对其表面质量提出了极高要求;然而,针对薄壁件的切削过程,受其弱刚性约束导致的弹性退让与非线性颤振等共同影响,表面形貌的生成机理呈现出显著的随机性与非稳态特征,导致传统解析模型难以实现高精度的实时预测。基于数据驱动方法,通过深度解析多源传感器感知的时频域特性,同时考虑不同工艺参数与时频域特性的深度交互,采集切削过程中的多维信息,实现了对复杂扰动环境下薄壁件表面粗糙度的在线监测。
2、在现有的研究中,基于深度学习的薄壁件表面粗糙度预测主要分为两种技术方案:一是利用人工提取的时域、频域及时频域特征,结合加工参数进行回归预测;二是将传感器采集的原始信号直接输入模型,利用深度神经网络进行自动特征提取与预测。然而,第一种方案过度依赖先验知识,难以捕获信号中深层的非线性动态信息,且人工筛选特征的局限性容易导致模型泛化能力不足。第二种方案在处理薄壁件加工任务时,由于受到弹性退让与切削颤振产生的强噪声干扰,直接从原始信号中往往难以有效提取与表面粗糙度强相关的特征信息,且在处理长序列信号和跨通道交互时,往往难以平衡全局关联建模与计算资源的消耗。此外,现有方法大多忽略了由于加工空间位置不同导致的局部刚性差异,未考虑刚性差异造成的表面粗糙度值变化,导致在复杂工况下的预测精度不够稳定。
3、因此,现阶段亟须一种能够在薄壁件加工复杂扰动影响下实时预测的高精度表面粗糙度预测方法。
技术实现思路
1、本技术的目的在于提供一种薄壁件表面粗糙度在线预测方法,以解决上述背景技术中提出的问题。
2、第一方面,本技术一实施例提供了一种薄壁件表面粗糙度在线预测方法,该方法包括:采集薄壁件不同切削工况下的双轴振动信号,并同步记录薄壁件待加工区域的位置索引及切削参数,切削参数至少包括主轴转速、进给速度和切削深度;对双轴振动信号进行分段处理,得到预处理后的振动信号;基于预处理后的振动信号构建局部时序样本,并提取各局部时序样本的时频特征;根据时频特征、切削参数以及位置索引映射的空间嵌入向量,构建薄壁件表面粗糙度的初始预测模型;根据切削参数、位置索引、预处理后的振动信号及对应的表面粗糙度数据划分训练集和测试集;根据训练集对初始预测模型执行迭代训练,得到训练后的预测模型;根据测试集对训练后的预测模型进行测试,得到最终的薄壁件表面粗糙度预测模型。
3、结合第一方面,在第一方面的某些实现方式中,初始预测模型包括特征提取部分、协同注意力部分以及回归部分,其中:特征提取部分用于融合空间嵌入向量,将预处理后的振动信号转化为具备位置感知能力的深层时序特征矩阵;协同注意力部分用于对深层时序特征矩阵进行增强与融合,输出全局特征向量;回归部分用于将切削参数进行高维映射后与全局特征向量拼接,并通过非线性拟合映射输出表面粗糙度预测值。
4、结合第一方面,在第一方面的某些实现方式中,特征提取部分包括多尺度空洞卷积模块、空间嵌入模块和序列建模模块,多尺度空洞卷积模块、空间嵌入模块和序列建模模块均分布于初始预测模型的主体中;协同注意力部分包括通道注意力模块和交叉注意力模块,通道注意力模块和交叉注意力模块分布于特征提取部分的不同模块之间;回归部分位于初始预测模型的末端。
5、结合第一方面,在第一方面的某些实现方式中,根据时频特征、切削参数以及位置索引映射的空间嵌入向量,构建薄壁件表面粗糙度的初始预测模型,包括:将时频特征输入多尺度空洞卷积模块,利用多种尺度卷积核并行捕捉局部时频特征,将各分支提取的时频特征沿通道维度拼接后,依次经过组归一化处理与激活函数激活,得到初始特征矩阵;将初始特征矩阵输入通道注意力模块,对每个通道分别进行自适应平均池化和最大池化,将池化结果输入共享的全连接网络映射得到通道权重向量,并将通道权重向量按通道作用于初始特征矩阵,得到通道增强特征矩阵;利用空间嵌入模块将位置索引映射为空间嵌入向量,并将空间嵌入向量与基于正余弦函数生成的位置编码分别叠加至通道增强特征矩阵中,得到感知特征矩阵;将感知特征矩阵输入序列建模模块,利用自注意力机制捕获信号在时序维度上的长程依赖关系,输出深层时序特征矩阵;以进给方向对应的深层时序特征矩阵作为查询矩阵,以切深方向对应的深层时序特征矩阵作为键值矩阵,通过交叉注意力模块执行双轴信息交互,得到第一协同融合特征矩阵;将切深方向对应的深层时序特征矩阵作为查询矩阵,将进给方向对应的深层时序特征矩阵作为键值矩阵,通过交叉注意力模块执行双轴信息交互,得到第二协同融合特征矩阵;对第一协同融合特征矩阵和第二协同融合特征矩阵分别沿时间维度进行全局平均池化处理,压缩得到全局特征向量;通过回归部分的线性变换层与非线性激活函数,将切削参数映射至高维特征空间,得到工艺特征向量;将全局特征向量与工艺特征向量沿通道维度进行拼接,构建多源融合决策向量,并通过回归部分的全连接层执行非线性拟合,输出表面粗糙度预测值。
6、结合第一方面,在第一方面的某些实现方式中,多尺度空洞卷积模块包括三个并行卷积分支,其中,第一分支采用小尺度卷积核,第二分支采用中尺度卷积核,第三分支采用大尺度空洞卷积核,三个分支的输出通道数总和设定为256。
7、结合第一方面,在第一方面的某些实现方式中,序列建模模块配置为包含两层transformer编码器的结构。
8、结合第一方面,在第一方面的某些实现方式中,回归部分采用huber loss作为损失函数,并在全连接层之间设置dropout层,dropout层的比率设定为0.3。
9、结合第一方面,在第一方面的某些实现方式中,对双轴振动信号进行分段处理,得到预处理后的振动信号,包括:将双轴振动信号转换为振动加速度值;利用滑动均方根能量检测法自动定位加工区间的起始位置和结束位置,截取有效加工区间信号;将有效加工区间信号按时间顺序均匀划分为多个独立的局部时序样本,每个局部时序样本对应在工件加工路径上的位置,得到预处理后的振动信号。
10、结合第一方面,在第一方面的某些实现方式中,基于预处理后的振动信号构建局部时序样本,并提取各局部时序样本的时频特征,包括:对每个局部时序样本进行加窗处理,采用固定长度的汉宁窗,并以设定步长沿信号时序方向进行滑动,得到一系列信号帧;对经加窗处理后得到的每一帧信号,执行快速傅里叶变换,从一维时域信号变换为二维的时频特征矩阵。
11、结合第一方面,在第一方面的某些实现方式中,根据切削参数、位置索引、预处理后的振动信号及对应的表面粗糙度数据划分训练集和测试集,包括:按照预设比例从数据集中随机抽取样本构成训练集,并将数据集中剩余的样本作为测试集;在训练集中,将样本对应的切削参数、位置索引、预处理后的振动信号及表面粗糙度数据作为模型输入;在测试集中,隐藏样本对应的表面粗糙度数据,仅将切削参数、位置索引及预处理后的振动信号作为模型输入,以验证薄壁件表面粗糙度预测模型的泛化性能。
12、在本技术中,首先通过采集薄壁件不同切削工况下的双轴振动信号,并同步记录对应的加工区域位置索引及切削参数以获得多源数据;对双轴振动信号进行分段处理,通过构建局部时序样本表征薄壁件沿加工路径的动态特性演化,考虑工件沿进给方向的刚度不同所造成的影响,并提取各局部时序样本的时频特征,从而提高表面粗糙度初始预测模型准确度;根据时频特征与考虑轴向刚度不同所造成影响的加工区域位置索引映射的空间嵌入向量,构建基于位置信息和协同注意力机制的表面粗糙度初始预测模型;又根据各切削参数、位置索引、预处理后的振动信号和表面粗糙度数据划分训练集和测试集,根据训练集对表面粗糙度初始预测模型执行迭代训练,根据测试集对训练后的初始预测模型进行测试得到表面粗糙度预测模型;表面粗糙度预测模型能够感知薄壁件变刚度物理特性,通过双轴信号和位置索引的协同交互,对薄壁件复杂工况下的表面粗糙度预测准确度高。
13、进一步的,本技术利用多尺度空洞卷积模块对双轴振动信号进行特征挖掘,同时在序列建模阶段之前引入加工区域的位置索引,通过空间嵌入模块将基于位置索引的空间嵌入矩阵注入序列建模模块,实现了对薄壁件不同刚度区域振动响应的自适应特征补偿,并利用序列建模模块在时序维度对特征矩阵进行处理,增强了模型对复杂切削扰动的屏蔽能力,进一步提高了薄壁件表面粗糙度在线预测的鲁棒性与准确度。
14、进一步的,本技术引入协同注意力机制,通过通道注意力模块分别对各向振动特征通道的贡献度进行自适应加权,并利用交叉注意力模块实现进给方向与切深方向信号间的特征融合,从通道与空间两个维度对加工状态进行协同优化,有效降低了信号冗余,更进一步提高了薄壁件表面粗糙度预测模型的输出稳定性与准确度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com