[发明专利]一种校直自适应优化方法、系统、存储介质及计算设备

说明书

本发明公开了一种校直自适应优化方法、系统、存储介质及计算设备，通过采集细长轴三点弯曲校直流程中的数据，择优选择细长轴形变量没有达到最佳期望值、但是弯曲量误差波动较大的潜力数据整合形成新数据库，开发BP神经网络并采用新数据库进行训练学习，使得三点弯曲智能校直机实现高效高精度的自主校直，具有自学习能力强，自适应水平高，性能优越的特点，充分考虑潜力数据，预测结果科学准确，在机器人、高端装备及电子电器等领域具有广泛的应用前景。

技术领域

本发明属于训练机器学习技术领域，具体涉及一种校直自适应优化方法、系统、存储介质及计算设备。

背景技术

细长轴零件是机械工业上使用最普遍的零件之一，广泛应用于汽车、轮船、航空、航天、石油等多个工业领域。随着工业的发展，对这些零件的精度要求也越来越高，如航空发动机主轴在某些工序后，要求直线度精度高于0.3mm·m^-1。这些零件从毛坯料到成品的过程中，经历了切削、热处理等多道复杂工序，极易产生弯曲变形，很多较小弯曲变形(弯曲量≤1mm)是肉眼难以分辨的，而这些弯曲形变如果不及时处理将会影响后续加工，甚至产生大量废品，造成极大损失。

对于细长轴零件直线度的校直，传统工厂完全依靠工人的经验确定，校直精度无法保证，这种依靠工人经验进行的直线度校直方法已不能满足工业迅速发展的要求。近年来，虽然国内市场上逐渐出现了一些自动化校直设备，但没有很好的解决直线度测量准确性和校直参数计算精度低的问题，而且存在设备不具备自学习能力，智能化程度低，价格普遍较高等缺点。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种校直自适应优化方法、系统、存储介质及计算设备，将神经网络回归算法引入三点弯曲校直过程，考虑具有足够不确定性及优化潜力的数据，使得整体仿真所需数据库最小，从而使得开发周期效率更高，可作为一种新型的工艺优化算法应用于机器人、特种设备、电子电气等重大行业中。

本发明采用以下技术方案：

一种校直自适应优化方法，包括以下步骤：

S1、对细长轴进行校直，测量并收集校直点在整个校直流程中产生的数据，并将数据存储在初始数据库中；

S2、对数据进行筛选，在满足预期校直量的数据中，保留细长轴校直后弯曲量误差波动范围最大的一组数据作为潜力数据，将筛选出的潜力数据整合成新数据库；

S3、对合成的新数据库使用BP神经网络优化算法预测下一轮校直流程所需的最佳下压量与跨距；

S4、根据预测的最佳下压量与跨距再次开展细长轴校直实验，得到一组新的校直数据，将实验数据纳入数据库，训练BP神经网络，调整算法学习率，对下一次校直预测量进行优化。

具体的，步骤S1中，数据包括三点弯曲智能校直机在校直过程中细长轴实际形变量、细长轴两支撑点之间的跨距以及细长轴单次校直后产生的弯曲量波动误差。

具体的，步骤S2中，细长轴校直后，使用激光位移传感器测得最大弯曲点的位置，将与最大弯曲点空间角度之差为±15°的点作为支撑点；取+15°与-15°两个支撑点当中距离压点小于500mm的点作为最终支撑点，确定最终支撑点后，设置另一支撑点与最终支撑点关于压点对称，两点之间的距离为支撑跨距。

具体的，步骤S2中，设预期校直距离为D_i，校直后细长轴实际的形变量为L_i，弯曲量波动误差为H_i，对于L_i相同的几组数据，当D_i＜L_i+H_i时，保留H_i最大的一组数据作为潜力数据。

具体的，步骤S3中，使用BP神经网络开展下压量与跨距预测前，先对新数据库中的数据进行归一化处理。