[发明专利]一种基于深度学习的微铣削加工方法及加工系统

权利要求书

1.一种基于深度学习的微铣削加工方法，其特征在于，包括以下步骤：

S10、构建控制模块，所述控制模块为基于卷积神经网络的网络模型；

S20、通过加工设计图纸，确定待加工件的理论加工余量、工件形态性能参数；

S30、使用训练样本对所述控制模块的网络模型进行训练，使所述控制模块根据加工余量、工件形态性能参数给出加工工艺参数配置，并将加工工艺参数输出至加工设备进行微铣削加工；所述训练样本为已有数据库中的历史参数；

S40、将数据采集模块采集监测模块实时监测的工件形态性能参数、加工余量输入训练完成的控制模块的网络模型，由所述训练完成的控制模块的网络模型给出实时加工工艺参数，所述实时加工工艺参数为所述微铣削机床运行的依据；

S50、所述训练完成的控制模块的网络模型根据监测模块实时监测的工件形态性能参数、加工余量，判断加工后的工件是否满足所述加工设计图纸中的公差要求，若判断为“是”，则视为加工完成；否则回到步骤S40，重新计算修正加工余量并将所述修正加工余量传送至所述控制模块以重新给出所述工件的加工工艺参数，直至所述工件的尺寸满足公差为止。

2.根据权利要求1所述的基于深度学习的微铣削加工方法，其特征在于，所述已有数据库中的历史参数包括：由所述监测模块监测得到的工件形态性能参数、微铣削机床的主轴转速、加工进给量、加工工作台的位置；所述工件形态性能参数包括：工件的表面形貌轮廓、加工表面的粗糙度。

3.根据权利要求1所述的基于深度学习的微铣削加工方法，其特征在于，步骤S30中所述控制模块的网络模型的训练过程包括以下步骤：

S31、将待加工工件置于加工工作台上，由所述加工工作台带动所述工件进行二维扫描运动，利用所述监测模块对工件的表面轮廓进行扫描测量，并将测量结果输入给所述控制模块的网络模型；

S32、将加工设计图纸中的工件形态性能参数、理论加工余量输入所述控制模块的网络模型；

S33、将所述监测模块得到的工件形态性能参数、微铣削机床的主轴转速、加工进给量、加工工作台的位置进行一一对应的输入到所述控制模块的网络模型中；

S34、所述控制模块的网络模型根据所述监测模块对加工监测结果实时调整所述加工工作台的位置和加工设备的加工参数；

S35、加工完成后，利用所述监测模块对加工完成后的工件结构进行测量，得到加工后工件形态参数检测结果，并输入所述控制模块的网络模型。

4.根据权利要求3所述的基于深度学习的微铣削加工方法，其特征在于，所述监测模块包括CCD图像传感器和激光测距传感器，所述CCD图像传感器设置在所述加工工作台的上方，用于实时检测工件的表面形貌轮廓、加工表面的粗糙度；激光测距传感器对应加工工件进行设置，用于实时检测加工工件的加工余量。

5.根据权利要求1所述的基于深度学习的微铣削加工方法，其特征在于，所述训练样本包括80％的训练样本集和20％的测试训练样本集。

6.根据权利要求1所述的基于深度学习的微铣削加工方法，其特征在于，所述卷积神经网络包括输入层、卷积层、池化层，所述卷积层的层数为16、卷积核大小为3*3、最大池化层的层数为5。

7.一种基于深度学习的微铣削加工系统，其特征在于，包括：

一微铣削机床，用于工件的加工；

一监测模块，用于实时监测工件的表面形貌轮廓、加工表面的粗糙度、加工后所述工件形态性能参数以及加工余量；

一加工工作台，用于承载待加工工件；

一数据采集模块，与所述监测模块连接，用于采集所述监测模块实时监测加工中的工件表面形貌轮廓、加工表面的粗糙度以及加工余量；

一控制模块，所述控制模块为基于卷积神经网络的网络模型，与所述数据采集模块连接；所述控制模块用于根据所述数据采集模块采集的所述工件形态性能参数、加工余量判断所述工件的加工精度，并及时调整加工工艺参数配置，以满足所述工件的加工要求；

一训练模块，与所述控制模块连接，用于对所述控制模块进行训练。

8.根据权利要求7所述的基于深度学习的微铣削加工系统，其特征在于，所述监测模块包括：

一CCD图像传感器，设置在所述加工工作台的上方；所述CCD图像传感器与所述控制模块电连接，用于实时检测工件的表面形貌轮廓、加工表面的粗糙度；

一激光测距传感器，对应加工工件进行设置，用于实时检测加工工件的加工余量。