一种结合数据与物理约束的GH4169低温铣削力预测方法与流程

专利检索2025-07-29  1


本发明涉及航空工程制造,具体为一种结合数据与物理约束的gh4169低温铣削力预测方法。


背景技术:

1、镍基高温合金gh4169干切削存在切削温度高,切削效率低等问题,限制了高效加工的发展。应用以液氮等为冷却介质的低温切削技术,可加速切削区与外部环境的换热过程,强化刀具与工件的散热,延长刀具寿命,抑制加工缺陷,提高加工表面质量,降低加工成本。

2、铣削力作为一个重要过程物理参数,研究铣削力预测方法对于优化零件铣削加工工艺、提高加工质量具有重要指导作用。目前,铣削力建模方法主要有力学解析法、经验模型法、人工神经网络模型等,力学解析法建模过程复杂,常常需要做出假设,做出的假设及简化会使得预测精度降低。经验模型法预测精度低,应用范围有限。人工神经网络模型属于黑箱模型,它直接利用采集的传感器信号预测铣削力,无法对模型进行物理解释并存在物理不一致性。其次,为了保证模型预测的准确性,需要大量完整铣削力实验数据用于模型训练,这不仅需要花费昂贵的成本还产生大量的浪费。


技术实现思路

1、为了解决上述技术问题,本发明提出了一种结合数据与物理约束的gh4169低温铣削力预测方法。以期能在铣削力的数据模型中添加物理约束,实现gh4169镍基高温合金低温铣削力精确预测,提高鲁棒性,为gh4169低温铣削提供技术支撑。

2、本发明所要解决的技术问题采用以下技术方案来实现:

3、一种结合数据与物理约束的gh4169低温铣削力预测方法,包括以下步骤:

4、步骤一:设计加工参数单因素试验和正交试验,通过测力仪测量铣削过程的铣削力,加工参数单因素试验获得加工参数对铣削力的影响趋势,获取物理信息并总结成物理约束,正交试验获得训练集及测试集;

5、步骤二:根据步骤一中得到的物理约束、训练集及测试集,建立包含物理约束的神经网络模型;

6、步骤三:构建神经网络损失函数,基于神经网络损失函数和训练集及测试数据集训练包含物理约束的神经网络模型;

7、步骤四:利用训练完毕的包含物理约束的神经网络模型,预测gh4169镍基高温合金低温铣削力。

8、优选的,步骤一中加工参数为冷却温度t0、主轴转速n、铣削深度ap、每齿进给量fz。

9、优选的,物理约束方程以铣削力相对于冷却温度t0、主轴转速n、铣削深度ap、每齿进给量fz的导数的形式表示:

10、

11、优选的,步骤一中基于单因素试验得到的影响趋势,通过在权重添加约束:每一项约束为正或为负,使铣削力相对于冷却温度t0、主轴转速n、铣削深度ap、每齿进给量fz的导数为正或为负;

12、权重约束为:

13、

14、

15、优选的,步骤二中包含物理约束的神经网络模型包括输入层、隐含层、输出层及激活函数。

16、优选的,输入层包括四个神经元,隐含层包括二十个神经元,输出层包括一个神经元,激活函数为s型正切函数tansig(x)。

17、优选的,四个输入层神经元分别为冷却温度、主轴转速、铣削深度、每齿进给量。

18、优选的,s型正切函数tansig(x)的表达式如下:

19、

20、优选的,步骤三中神经网络损失函数的表达式如下:

21、

22、式中,si是预测数据,sit是测试数据,n是样本数量。

23、优选的,步骤三中包含物理约束的神经网络模型训练过程包括网络初始化、隐含层计算、输出计算、误差计算、权值更新、阈值更新和迭代的判断。

24、本发明的有益效果是:

25、本发明结合了机理模型与数据模型的优势,克服了依赖于单一模型而存在的泛化能力弱、模型不确定性大、解释能力差等问题,很好的提高了gh4169低温铣削力预测精度;通过在铣削力预测模块中添加单调性约束,使得本发明模型的预测过程具有一定的物理解释并提高模型物理一致性。



技术特征:

1.一种结合数据与物理约束的gh4169低温铣削力预测方法,其特征在于:包括以下步骤:

2.根据权利要求1所述的一种结合数据与物理约束的gh4169低温铣削力预测方法,其特征在于:步骤一中加工参数为冷却温度t0、主轴转速n、铣削深度ap、每齿进给量fz。

3.根据权利要求2所述的一种结合数据与物理约束的gh4169低温铣削力预测方法,其特征在于:物理约束方程以铣削力相对于冷却温度t0、主轴转速n、铣削深度ap、每齿进给量fz的导数的形式表示:

4.根据权利要求2所述的一种结合数据与物理约束的gh4169低温铣削力预测方法,其特征在于:步骤一中基于单因素试验得到的影响趋势,通过在权重添加约束:每一项约束为正或为负,使铣削力相对于冷却温度t0、主轴转速n、铣削深度ap、每齿进给量fz的导数为正或为负;

5.根据权利要求1所述的一种结合数据与物理约束的gh4169低温铣削力预测方法,其特征在于:步骤二中包含物理约束的神经网络模型包括输入层、隐含层、输出层及激活函数。

6.根据权利要求5所述的一种结合数据与物理约束的gh4169低温铣削力预测方法,其特征在于:输入层包括四个神经元,隐含层包括二十个神经元,输出层包括一个神经元,激活函数为s型正切函数tansig(x)。

7.根据权利要求6所述的一种结合数据与物理约束的gh4169低温铣削力预测方法,其特征在于:四个输入层神经元分别为冷却温度、主轴转速、铣削深度、每齿进给量。

8.根据权利要求6所述的一种结合数据与物理约束的gh4169低温铣削力预测方法,其特征在于:s型正切函数tansig(x)的表达式如下:

9.根据权利要求1所述的一种结合数据与物理约束的gh4169低温铣削力预测方法,其特征在于:步骤三中神经网络损失函数的表达式如下:

10.根据权利要求1所述的一种结合数据与物理约束的gh4169低温铣削力预测方法,其特征在于:步骤三中包含物理约束的神经网络模型训练过程包括网络初始化、隐含层计算、输出计算、误差计算、权值更新、阈值更新和迭代的判断。


技术总结
本发明涉及航空工程制造技术领域,具体为一种结合数据与物理约束的GH4169低温铣削力预测方法,包括:设计加工参数单因素试验和正交试验,通过测力仪测量铣削过程的铣削力,加工参数单因素试验获得加工参数对铣削力的影响趋势,获取物理信息并总结成物理约束,正交试验获得训练集及测试集;根据得到的物理约束、训练集及测试集,建立包含物理约束的神经网络模型;构建神经网络损失函数,基于神经网络损失函数和训练集及测试数据集训练包含物理约束的神经网络模型;利用训练完毕的包含物理约束的神经网络模型,预测GH4169镍基高温合金低温铣削力。本发明克服了依赖于单一模型而存在的泛化能力弱、模型不确定性大、解释能力差等问题。

技术研发人员:杨德玉,于家祥,高茂洋,袁让兵,张书豪
受保护的技术使用者:安徽天航机电有限公司
技术研发日:
技术公布日:2024/5/29
转载请注明原文地址:https://win.8miu.com/read-1157056.html

最新回复(0)