[发明专利]外圆磨削工艺优化方法及装置有效
| 申请号: | 202210589477.2 | 申请日: | 2022-05-26 |
| 公开(公告)号: | CN114936525B | 公开(公告)日: | 2022-12-09 |
| 发明(设计)人: | 李学崑;王立平;王冬;张超 | 申请(专利权)人: | 清华大学 |
| 主分类号: | G06F30/27 | 分类号: | G06F30/27;G06Q10/06;G06Q50/04;G06F119/02 |
| 代理公司: | 北京清亦华知识产权代理事务所(普通合伙) 11201 | 代理人: | 黄德海 |
| 地址: | 100084*** | 国省代码: | 北京;11 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 磨削 工艺 优化 方法 装置 | ||
1.一种外圆磨削工艺优化方法,其特征在于,包括以下步骤:
确定外圆磨削工艺的优化变量和约束条件,其中,所述确定外圆磨削工艺的优化变量和约束条件包括,以粗磨阶段、半精磨阶段、精磨阶段、光磨阶段的磨深、磨削速度、工件转速、拖板速度及道次确定所述优化变量,建立表面粗糙度和光泽度的表达式,以基于表面粗糙度和光泽度确定所述约束条件,其中,所述表面粗糙度的表达式为:
Ra-final=Ra-initial+dif1-rough+dif1-semi-finish+dif1-finish+dif2,
其中,Ra-final为最终的磨削表面粗糙度,Ra-initial为初始表面粗糙度,dif1-rough为粗磨阶段表面粗糙度变化量,dif1-semi-finish为半精磨阶段表面粗糙度变化量,dif1-finish为精磨阶段表面粗糙度变化量,dif2为光磨阶段表面粗糙度变化量,
并且,所述光泽度的表达式为:
Gfinal=Ginitial+G1-rough+G1-semi-finish+G1-finish+G2,
其中,Gfinal为最终的磨削表面光泽度,Ginitial为初始表面光泽度,G1-rough为粗磨阶段表面光泽度变化量,G1-semi-finish为半精磨阶段表面光泽度变化量,G1-finish为精磨阶段表面光泽度变化量,G2为光磨阶段表面光泽度变化量;
基于所述约束条件,以材料去除量和磨削加工时间为优化目标,将所述优化变量输入改进粒子群优化算法,输出帕累托解集;
将所述帕累托解集中均衡区域的粒子输入预先训练的改进Elman神经网络,预测磨削圆度和轮廓误差;以及
通过对比磨削圆度和轮廓误差,并综合考虑磨削加工时间,获得最优的外圆磨削工艺。
2.根据权利要求1所述的方法,其特征在于,所述材料去除量和磨削加工时间的计算公式为:
R=drough×nrough+dsemi-finish×nsemi-finish+dfinish×nfinish,
其中,R为材料去除量,T为磨削加工时间,drough为粗磨阶段的磨深,nrough为粗磨阶段的道次,fa-rough为粗磨阶段的拖板速度,dsemi-finish为半精磨阶段的磨深、nsemi-finish为半精磨阶段的道次,fa-semi-finish为半精磨阶段的拖板速度,dfinish为精磨阶段的磨深,nfinish为精磨阶段的道次,fa-finish为精磨阶段的拖板速度,nspark-out为光磨阶段的道次,fa-spark-out为光磨阶段的拖板速度,L为工件长度。
3.根据权利要求1所述的方法,其特征在于,在将所述帕累托解集中均衡区域的粒子输入所述预先训练的改进Elman神经网络之前,还包括:
获取已有的精磨阶段工艺参数及对应的磨削圆度和轮廓误差,生成样本集;
利用所述样本集的训练集和测试集训练预设的改进Elman神经网络,生成所述预先训练的改进Elman神经网络。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于清华大学,未经清华大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210589477.2/1.html,转载请声明来源钻瓜专利网。
- 上一篇:轨道板真空吸盘以及轨道板运输装置
- 下一篇:涂层、涂塑纸基及照相相纸





