飞机交点孔镗削让刀量预测方法、装置、设备及存储介质与流程

1.本技术涉及飞机装配技术领域，尤其涉及飞机交点孔镗削让刀量预测方法、装置、设备及存储介质。


背景技术：

2.分布在飞机结构上的关键连接特征孔，又称交点孔，对于飞机的质量发挥着重要作用，其加工质量、公差、位置精度等要求非常高。数控镗孔加工方式因其具有自动化、效率高的特点被广泛应用于飞机交点孔加工过程。在飞机交点孔加工过程中，需要多次粗精镗，由镗削参数、镗削力、难加工材料、变形等因素引起的镗削让刀误差是影响交点孔加工精度的主要因素。传统飞机交点孔镗削主要采用人工经验及补偿误差的方式，需要很多次调刀，效率低下，工作量大，易出错。
3.因此，亟需一种能精确预测飞机交点孔镗削让刀量的方法。


技术实现要素：

4.本技术的主要目的是提供飞机交点孔镗削让刀量预测方法、装置、设备及存储介质，旨在解决现有预测飞机交点孔镗削让刀量的方法精确性不高的技术问题。
5.为解决上述技术问题，本技术提出了：飞机交点孔镗削让刀量预测方法，包括以下步骤：构建镗削让刀量预测第一网络模型；基于飞机交点孔镗削过程中镗削参数、镗削力以及对应的让刀量信息，获得训练样本库；基于所述训练样本库，对所述镗削让刀量预测第一网络模型进行训练，获得镗削让刀量预测第二网络模型；将镗削参数输入所述镗削让刀量预测第二网络模型，获得飞机交点孔镗削让刀量。
6.作为本技术一些可选实施方式，所述镗削让刀量预测第一网络模型基于lstm循环神经网络构建；所述lstm循环神经网络包括输入层、隐藏层和输出层；其中，所述隐藏层包括lstm循环神经网络神经元。
7.作为本技术一些可选实施方式，所述lstm循环神经网络的输入层包括4个输入通道，4个所述输入通道分别用于输入镗削深度特征、镗削进给量特征、机床主轴转速特征和切削力特征。
8.作为本技术一些可选实施方式，所述lstm循环神经网络神经元包括：遗忘门，用于控制是否保留当前隐藏层节点存储的飞机交点孔镗削让刀量数据信息；输入门，用于控制是否允许飞机交点孔镗削让刀量数据信息加入到当前隐藏层节点；
输出门，用于控制是否将当前节点输出值输出到下一层；单元状态更新值，基于t时刻的输入数据和t-1时刻的隐藏单元输出数据获得；单元状态值，由单元状态更新值获得；隐藏层单元。
9.作为本技术一些可选实施方式，所述lstm循环神经网络神经元的遗忘门通过以t时刻的遗忘向量值f
t
为控制指标，对是否保留当前隐藏层节点存储的飞机交点孔镗削让刀量数据信息进行控制，所述t时刻的遗忘向量值f
t
通过如下关系式：其中，f
t
为t时刻的遗忘向量值，为1或0；1表示门开，则保留；0为门关，则清空当前节点所存储的飞机交点孔镗削让刀量数据信息；x
t
为t时刻的输入值，用于将遗忘向量值压缩到[0,1]范围内；h
t-1
为t-1时刻的隐藏单元输出值；wf为遗忘矩阵；bf为遗忘偏差值；σ为逻辑sigmoid函数。
[0010]
作为本技术一些可选实施方式，所述lstm循环神经网络神经元的输入门通过如下关系式对是否允许飞机交点孔镗削让刀量数据信息加入到当前隐藏层节点进行控制：其中，i
t
为t时刻的输入向量值，为1或0；1表示门开，则允许加入；0为门关，则不允许；x
t
为t时刻的输入值，用于将输入向量值压缩到[0,1]范围内；h
t-1
为t-1时刻的隐藏单元输出值；wi为输入权重矩阵；bi为输入偏差值；σ为逻辑sigmoid函数。
[0011]
作为本技术一些可选实施方式，所述lstm循环神经网络神经元的输出门通过如下关系式对是否将当前节点输出值输出到下一层进行控制：其中，o
t
为t时刻的输出向量值，为1或0；1表示门开，则允许输出；0为门关，则不允许输出；x
t
为t时刻的输入值，用于将输入向量值压缩到[0,1]范围内；h
t-1
为t-1时刻的隐藏单元输出值；wo为输出权重矩阵；bo为输出偏差值；σ为逻辑sigmoid函数。
[0012]
作为本技术一些可选实施方式，所述单元状态更新值通过如下关系式获得：其中，为t时刻的单元状态更新值；x
t
为t时刻的输入值，用于将输入向量值压缩到[0,1]范围内；h
t-1
为t-1时刻的隐藏单元输出值；wc为单元状态更新权重矩阵；bc为单元状态更新偏差值；tanh为激活函数。
[0013]
作为本技术一些可选实施方式，所述单元状态值通过如下关系式获得：其中，c
t
为t时刻的单元状态值；c
t-1
为t-1时刻的单元状态值；为t时刻的单元状
态更新值；f
t
为t时刻的遗忘向量值，为1或0；1表示门开，则保留；0为门关，则清空当前节点所存储的飞机交点孔镗削让刀量数据信息；i
t
为t时刻的输入向量值，为1或0；1表示门开，则允许加入；0为门关，则不允许。
[0014]
作为本技术一些可选实施方式，所述输出层通过如下关系式获得：其中，h
t
为输出层所输出的飞机交点孔的镗削让刀量；o
t
为t时刻的输出向量值，为1或0；1表示门开，则允许输出；0为门关，则不允许输出；c
t
为t时刻的单元状态值；tanh为激活函数。
[0015]
作为本技术一些可选实施方式，所述基于飞机交点孔镗削过程中镗削参数、镗削力以及对应的让刀量信息，获得训练样本库的步骤，包括：基于正交试验，获得飞机交点孔镗削过程中镗削参数、镗削力以及对应的让刀量信息；对所述飞机交点孔镗削过程中镗削参数、镗削力以及对应的让刀量信息进行归一化处理，获得训练样本库。
[0016]
作为本技术一些可选实施方式，所述基于所述训练样本库，对所述镗削让刀量预测第一网络模型进行训练，获得镗削让刀量预测第二网络模型的步骤，包括：基于所述训练样本库，对所述镗削让刀量预测第一网络模型进行逐层训练，获得镗削让刀量预测第二网络模型。
[0017]
为解决上述技术问题，本技术还提出了：一种飞机交点孔镗削让刀量预测装置，包括：构建模型模块，构建镗削让刀量预测第一网络模型；第一获取模块，基于飞机交点孔镗削过程中镗削参数、镗削力以及对应的让刀量信息，获得训练样本库；第二获取模块，基于所述训练样本库，对所述镗削让刀量预测第一网络模型进行训练，获得镗削让刀量预测第二网络模型；预测模块，将镗削参数输入所述镗削让刀量预测第二网络模型，获得飞机交点孔镗削让刀量。
[0018]
为解决上述技术问题，本技术还提出了：一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如上所述的方法。
[0019]
为解决上述技术问题，本技术还提出了：一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如上所述的方法。
[0020]
相较于现有技术，本技术公开了飞机交点孔镗削让刀量预测方法，即通过构建镗削让刀量预测第一网络模型；通过正交试验，获取飞机交点孔镗削过程中镗削参数、镗削力以及对应的让刀量的时序信息，并对所述时序信息的特征进行学习，从而建立镗削参数、镗
削力以及对应的让刀量的映射关系，进而对不同切削参数及切削力下的让刀量进行预测，进而实现预测网络模型对不同镗削条件下的让刀量进行精准预测。
附图说明
[0021]
图1为本技术实施例所述硬件运行环境的电子设备结构示意图；图2为本技术实施例所述飞机交点孔镗削让刀量预测方法的流程示意图；图3为本技术实施例所述飞机交点孔镗削让刀量预测装置的功能模块示意图。
具体实施方式
[0022]
应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0023]
参照图1，图1为本技术的实施例涉及的硬件运行环境的电子设备结构示意图。
[0024]
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器（central processing unit，cpu），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（display）、输入单元比如键盘（keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（wireless-fidelity，wi-fi）接口）。存储器1005可以是高速的随机存取存储器（random access memory，ram）存储器，也可以是稳定的非易失性存储器（non-volatile memory，nvm），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0025]
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0026]
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
[0027]
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本技术电子设备中的处理器1001、存储器1005可以设置在电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的飞机交点孔镗削让刀量预测装置，并执行本技术实施例提供的飞机交点孔镗削让刀量预测方法。
[0028]
随着新一代信息技术、网络技术、人工智能等技术的不断发展及与制造业的交叉融合，推动着飞机装配制造业由传统手工装配向数字化装配方向发展。分布在飞机结构上的关键连接特征孔，又称交点孔，对于飞机的质量发挥着重要作用，其加工质量、公差、位置精度等要求非常高。数控镗孔加工方式因其具有自动化、效率高的特点被广泛应用于飞机交点孔加工过程。在飞机交点孔加工过程中，需要多次粗精镗，由镗削参数、镗削力、难加工材料、变形等因素引起的镗削让刀误差是影响交点孔加工精度的主要因素。传统飞机交点孔镗削主要采用人工经验及补偿误差的方式，需要很多次调刀，效率低下，工作量大，易出错，亟需一种能精确预测让刀量的方法。
[0029]
目前，国内外相关研究人员在让刀量补偿方面做了一定的研究工作，如插齿机定量调节让刀量的装置、飞机交点孔精镗加工装置、镗刀修复方法等；然而，镗削让刀量受多种因素影响，且当次镗削过程让刀量影响下一次镗削让刀量，时序数据先后关联，缺乏从数据模型方面研究飞机交点孔让刀量的预测方法，尤其基于 lstm 网络预测飞机交点孔镗削
过程让刀量的研究几乎没有。
[0030]
基于此，参照图2，本技术实施例的主要解决方案是：飞机交点孔镗削让刀量预测方法，包括以下步骤：步骤s1、构建镗削让刀量预测第一网络模型；本技术所述的镗削让刀量预测第一网络模型是基于lstm（long short-term memory, 长短期记忆网络）神经网络进行构建的，并基于所述lstm神经网络将飞机交点孔m步粗镗和n步精镗加工过程进行映射。进一步地，所述镗削让刀量预测第一网络模型为。其中，f
rc
和f
re
分别由切屑引起的切削力和由摩擦引起的切削力；k
rc
和k
re
为切削系数，取决于刀具材料、切削条件和工件；s为切屑层面积，lc为刀-屑接触长度。
[0031]
作为本技术一些可选实施方式，所述镗削让刀量预测第一网络模型基于lstm循环神经网络构建；所述lstm循环神经网络包括输入层、隐藏层和输出层；其中，所述隐藏层包括lstm循环神经网络神经元。即所述镗削让刀量预测第一网络模型，包括：输入层：包含4个输入通道，用于输入特征；即，在t时刻的输入4个特征向量={x1, x2, x3, x4}；其中，x1表示镗削深度特征向量，x2表示镗削进给量特征向量，x3表示机床主轴转速特征向量，x4表示切削力特征向量。
[0032]
隐藏层：所述隐藏层由10个lstm循环神经网络神经元组成，所述隐藏层为两层网络结构；在本技术所述镗削让刀量预测第一网络模型中的隐藏层中设置丢弃概率防止过拟合。这里的丢弃概率为人为设定，根据实际需要进行限定，这里不做特殊要求。
[0033]
lstm循环神经网络神经元是一种称作记忆细胞的特殊单元，类似于累加器和门控神经元，它在下一时间步长将拥有一个权值并连接到自身，拷贝自身状态的真实值和累积的外部信号，因此lstm循环神经网络神经元的结构弥补了传统rnn结构上的不足，即后面的时间节点对前面的时间节点感知力下降的缺陷。但这种自联接是由另一个单元学习并决定何时清除记忆内容的乘法门控制的，由此作为本技术一些可选实施方式，所述lstm循环神经网络神经元包括：遗忘门，用于控制是否保留当前隐藏层节点存储的飞机交点孔镗削让刀量数据信息；所述lstm循环神经网络神经元的遗忘门通过以t时刻的遗忘向量值f
t
为控制指标，对是否保留当前隐藏层节点存储的飞机交点孔镗削让刀量数据信息进行控制，所述t时刻的遗忘向量值f
t
通过如下关系式：其中，f
t
为t时刻的遗忘向量值，为1或0；1表示门开，则保留；0为门关，则清空当前节点所存储的飞机交点孔镗削让刀量数据信息；x
t
为t时刻的输入值，用于将遗忘向量值压缩到[0,1]范围内；h
t-1
为t-1时刻的隐藏单元输出值；wf为遗忘矩阵；bf为遗忘偏差值；σ为逻辑sigmoid函数。
[0034]
输入门，用于控制是否允许飞机交点孔镗削让刀量数据信息加入到当前隐藏层节点；
所述lstm循环神经网络神经元的输入门通过如下关系式对是否允许飞机交点孔镗削让刀量数据信息加入到当前隐藏层节点进行控制：其中，i
t
为t时刻的输入向量值，为1或0；1表示门开，则允许加入；0为门关，则不允许；x
t
为t时刻的输入值，用于将输入向量值压缩到[0,1]范围内；h
t-1
为t-1时刻的隐藏单元输出值；wi为输入权重矩阵；bi为输入偏差值；σ为逻辑sigmoid函数。
[0035]
输出门，用于控制是否将当前节点输出值输出到下一层；所述lstm循环神经网络神经元的输出门通过如下关系式对是否将当前节点输出值输出到下一层进行控制：其中，o
t
为t时刻的输出向量值，为1或0；1表示门开，则允许输出；0为门关，则不允许输出；x
t
为t时刻的输入值，用于将输入向量值压缩到[0,1]范围内；h
t-1
为t-1时刻的隐藏单元输出值；wo为输出权重矩阵；bo为输出偏差值；σ为逻辑sigmoid函数。
[0036]
单元状态更新值，基于t时刻的输入数据和t-1时刻的隐藏单元输出数据获得；所述单元状态更新值通过如下关系式获得：其中，为t时刻的单元状态更新值；x
t
为t时刻的输入值，用于将输入向量值压缩到[0,1]范围内；h
t-1
为t-1时刻的隐藏单元输出值；wc为单元状态更新权重矩阵；bc为单元状态更新偏差值；tanh为激活函数。
[0037]
单元状态值，由单元状态更新值获得；所述单元状态值通过如下关系式获得：其中，c
t
为t时刻的单元状态值；c
t-1
为t-1时刻的单元状态值；为t时刻的单元状态更新值；f
t
为t时刻的遗忘向量值，为1或0；1表示门开，则保留；0为门关，则清空当前节点所存储的飞机交点孔镗削让刀量数据信息；i
t
为t时刻的输入向量值，为1或0；1表示门开，则允许加入；0为门关，则不允许。
[0038]
隐藏层单元。
[0039]
输出层：用于预测飞机交点孔的镗削让刀量，所述输出层包括一个节点数，输出，y表示当前时刻的让刀量预测值；所述输出层通过如下关系式获得：
其中，h
t
为输出层所输出的飞机交点孔的镗削让刀量；o
t
为t时刻的输出向量值，为1或0；1表示门开，则允许输出；0为门关，则不允许输出；c
t
为t时刻的单元状态值；tanh为激活函数。
[0040]
作为优选方案，本技术还对所构建的镗削让刀量预测第一网络模型进行了超参数的设置，所述超参数包括时间步、学习率lr、批量样本大小batch_size、权重衰减系数λ。设置这些参数的目的是为了加快训练速度，收敛到全局最优解。这些参数影响训练过程中算法的收敛速度、算法的性能，设置不合理会增加训练时间。学习率过小，会降低收敛速度；学习率过大，可能导致不收敛。所以在刚开始训练时采用大的学习率，加快速度，在快训练结束时，采用较小学习率，保证稳定收敛到全局最优值。迭代次数的设置不合理会导致过拟合，测试错误率和训练错误率接近，认为迭代次数设置合理；批量样本大小batch size影响算法的收敛，设置不合理会导致网络不收敛或者收敛到局部最优解。
[0041]
步骤s2、基于飞机交点孔镗削过程中镗削参数、镗削力以及对应的让刀量信息，获得训练样本库；本技术通过正交试验，获取飞机交点孔镗削过程中镗削参数、镗削力以及对应的让刀量的时序信息，并将所述时序信息进行归一化处理，将经过标准化之后的训练样本数据按照8:2的比例进行划分，划分为训练集和测试集。
[0042]
将所述训练集中的时序信息数据批量输入到构建获得的镗削让刀量预测第一网络模型进行正向传播，采用adam优化器进行优化更新网络权重和偏置参数；并基于均方误差rmse计算损失，根据基于时间的反向传播算法计算损失函数对参数的偏导数；设置迭代次数或者预设的准确率后训练停止，完成对网络的训练。即下述步骤s3所述方法：步骤s3、基于所述训练样本库，对所述镗削让刀量预测第一网络模型进行训练，获得镗削让刀量预测第二网络模型。
[0043]
在训练过程中，基于所述训练样本库，对所述镗削让刀量预测第一网络模型进行逐层训练，即将上一层lstm网络的隐藏层每一个lstm神经元的输出作为输入到下一层lstm网络的隐藏层对应的lstm神经元进行计算，并在经过所有计算后，把lstm网络的最后输出序列的最后个数放入softmax分类器作为输出层，softmax分类器输出结果y，y表示当前时刻的让刀量预测值。
[0044]
所述镗削让刀量预测第二网络模型已通过训练建立了镗削参数、镗削力以及对应的让刀量的映射关系，进而对不同切削参数及切削力下的让刀量进行预测，进而实现预测网络模型对不同镗削条件下的让刀量进行精准预测。
[0045]
步骤s4、将镗削参数输入所述镗削让刀量预测第二网络模型，获得飞机交点孔镗削让刀量。
[0046]
由此可见，本技术所述镗削让刀量预测方法是基于传统飞机交点孔镗削过程受多种因素影响且多次镗削过程相互耦合关联具有时序的特点，采用lstm长短期记忆循环神经网络擅长处理先后关联数据特征的优点，提出了基于lstm的飞机交点孔加工过程让刀量预测方法，能够精确预测镗削过程让刀量，提高飞机交点孔加工及效率，减少工人工作量，降低由人工经验调刀导致的孔超差风险。并由于传统多元线性回归的方法忽略了飞机交点孔
镗削过程中的m*n次镗削的内在关联，而lstm在时序数据处理中具有较大优势，能对先后关联的数据进行动态特征提取，因此提出的预测方法预测精度较高。
[0047]
参照图3，基于同样的发明思路，本技术还提出了：一种飞机交点孔镗削让刀量预测装置，包括：构建模型模块，构建镗削让刀量预测第一网络模型；第一获取模块，基于飞机交点孔镗削过程中镗削参数、镗削力以及对应的让刀量信息，获得训练样本库；第二获取模块，基于所述训练样本库，对所述镗削让刀量预测第一网络模型进行训练，获得镗削让刀量预测第二网络模型；预测模块，将镗削参数输入所述镗削让刀量预测第二网络模型，获得飞机交点孔镗削让刀量。
[0048]
需要说明的是，本实施例飞机交点孔镗削让刀量预测装置中各模块是与前述实施例中飞机交点孔镗削让刀量预测方法中的各步骤一一对应，因此，本实施例的具体实施方式和达到的技术效果可参照前述预测方法的实施方式，这里不再赘述。
[0049]
此外，在一种实施例中，本技术的实施例还提供了一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如上所述的方法。
[0050]
此外，在一种实施例中，本技术的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如上所述的方法。
[0051]
在一些实施例中，计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、闪存、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
[0052]
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
[0053]
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（html，hyper text markup language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
[0054]
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
[0055]
需要说明的是，在本文中，术语“包括”、“包含”或者其他任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0056]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0057]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台多媒体终端设备（可以是手机，计算机，电视接收机，或者网络设备等）执行本技术各个实施例所述的方法。
[0058]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。