本發(fā)明屬于但不限于智能加工制造，尤其涉及一種包絡式打磨材料去除深度預測模型構建方法及系統(tǒng)。

背景技術：

1、在航空航天制造領域中，航空發(fā)動機葉片、葉盤等復雜曲面零件的制造為國內(nèi)外關注的重點與難點。此類零件的輪廓精度直接影響航空發(fā)動機的性能、使用壽命以及復雜機械性能和流體力學性能，因此實現(xiàn)其高輪廓精度的制造對保證航空發(fā)動機的高效、安全和可靠運行具有重要意義。

2、在葉片、葉盤類零件的加工過程中，磨拋加工作為最后一道工序，可以去掉由于銑削過程殘余下來的刀紋，進而提升表面質(zhì)量。目前對葉片的磨拋加工主要采用柔性輪加砂帶的方式，此類方法可保證葉身型面磨拋加工后的表面質(zhì)量和輪廓精度。但是，葉緣部分相比于葉身型面，其具有曲率急變、拐角尖銳(曲率半徑<2mm)的特點。因此，采用柔性輪磨拋的方式對葉緣進行磨拋加工時，極易產(chǎn)生過磨導致零件報廢，為此，葉緣磨拋多采用包絡式磨拋的加工方式，可以有效的緩解過磨從而增加產(chǎn)品的合格率。建立準確的材料去除深度模型可以為包絡式磨拋的工藝設計提供理論指導，而傳統(tǒng)的機理模型存在殘余誤差導致建模精度不準確，數(shù)據(jù)驅(qū)動模型由于材料去除標定實驗的數(shù)據(jù)呈現(xiàn)小樣本特性容易發(fā)生過擬合，因此建立一種小樣本實驗數(shù)據(jù)下的高精度材料去除深度預測模型對葉緣部分的包絡式磨拋加工工藝指導具有重要意義。

3、鑒于上述分析，現(xiàn)有技術存在的急需解決的技術問題為：采用柔性輪的方式對葉緣進行磨拋加工時，極易產(chǎn)生過磨導致零件報廢。而采用包絡式磨拋的方式缺少準確的材料去除模型以指導工藝規(guī)劃。

技術實現(xiàn)思路

1、針對現(xiàn)有技術存在的問題，本發(fā)明提供了一種包絡式打磨材料去除深度預測模型構建方法及系統(tǒng)，其針對磨拋材料去除深度標定實驗中數(shù)據(jù)呈現(xiàn)小樣本特性導致數(shù)據(jù)驅(qū)動模型容易發(fā)生過擬合以及機理模型存在建模殘差而導致建模不準的問題，研究了一種基于機理和小數(shù)據(jù)混合驅(qū)動的包絡式打磨材料去除深度預測模型。

2、本發(fā)明是這樣實現(xiàn)的，一種包絡式打磨材料去除深度預測方法，包括：

3、s1：首先在源域和目標域中進行磨拋實驗獲得不同磨拋參數(shù)組合下的材料去除深度，將獲得的數(shù)據(jù)集分為源域真實數(shù)據(jù)和目標域真實數(shù)據(jù)；

4、s2：建立包絡式磨拋材料去除深度機理模型，并采用最小二乘法擬合機理模型的參數(shù)；

5、s3：通過機理模型在源域中產(chǎn)生大量的虛擬仿真數(shù)據(jù)，并構建數(shù)據(jù)集用于后續(xù)的模型訓練；

6、s4：建立機理-數(shù)據(jù)域自適應對抗神經(jīng)網(wǎng)絡，其包括數(shù)據(jù)特征提取層、數(shù)據(jù)回歸層；網(wǎng)絡的損失函數(shù)包括源域真實數(shù)據(jù)回歸損失函數(shù)、源域虛擬仿真數(shù)據(jù)回歸損失函數(shù)、目標域真實數(shù)據(jù)回歸損失函數(shù)和域分類損失函數(shù)；

7、s5：采用adam優(yōu)化器進行模型的訓練和參數(shù)更新。

8、進一步，步驟s1中磨拋參數(shù)為工具與工件之間的接觸力f，工具的進給速度vt，砂帶與工件的接觸速度vc，以及工件的曲率半徑rw。通過上述不同的參數(shù)組合x＝[f,vt,vc,rw]在不同半徑進行磨拋實驗，并測量得到對應的磨拋參數(shù)下的磨拋深度h。將獲得的數(shù)據(jù)分為源域真實數(shù)據(jù)和目標域真實數(shù)據(jù)其中的磨拋參數(shù)滿足如下條件：

9、

10、其中，和為源域中f的最小值與最大值，和為源域中vc的最小值與最大值，和為源域中vt的最小值與最大值，和為源域中rw的最小值與最大值。

11、滿足的磨拋參數(shù)滿足如下條件：

12、

13、其中，和為目標域中f的最小值與最大值，和為目標域中vc的最小值與最大值，和為目標域中vt的最小值與最大值，和為目標域中rw的最小值與最大值。

14、進一步，步驟s2中的包絡式磨拋材料去除深度機理模型建立了磨拋參數(shù)f，vt，vc，rw與材料去除深度h之間的關系，其具體表達式如下所示：

15、

16、其中，u為材料去除系數(shù)，其受到工件、工具的自身物理特性影響，在磨拋過程中為定值。在實際的實驗過程中由于測量誤差ε的存在，上述公式可表示為：

17、

18、通過步驟s1中獲得的源域真實數(shù)據(jù)結合最小二乘法對u和ε的值進行擬合，具體方法為：

19、其中，

20、其中，分別為第i組源域真實數(shù)據(jù)中的工具與工件之間的接觸力，砂帶與工件的接觸速度，工具的進給速度，工件半徑和材料去除深度。為源域中m組真實材料去除深度的平均值。為ci的平均值。m為源域中真實數(shù)據(jù)的個數(shù)。

21、進一步，步驟s3中大量機理數(shù)據(jù)通過步驟s2中擬合的機理模型生成。首先，在源域中生成s組磨拋參數(shù)組合其中為第i組源域虛擬仿真數(shù)據(jù)中的工具與工件之間的接觸力，砂帶與工件的接觸速度，工具的進給速度，工件半徑和材料去除深度。的計算方式如下：

22、

23、進一步，s3中數(shù)據(jù)集包含源域真實數(shù)據(jù)源域虛擬仿真數(shù)據(jù)和目標域真實數(shù)據(jù)三部分構成，其具體組成如下：

24、

25、其中，參數(shù)s，m，n為源域虛擬數(shù)據(jù)、數(shù)據(jù)源域真實數(shù)據(jù)和目標域真實數(shù)據(jù)的個數(shù)，其滿足s＞＞m,n，m≈n，其中符號＞＞代表遠大于，符號≈表示約等于。為源域真實數(shù)據(jù)的磨拋參數(shù)組合，為源域虛擬仿真數(shù)據(jù)的磨拋參數(shù)組合和為目標域真實數(shù)據(jù)的磨拋參數(shù)組合。其具體可表示為：

26、

27、為對應的源域虛擬仿真材料去除深度，為對應的源域真實材料去除深度，為對應的目標域真實材料去除深度。其具體可以表示為：

28、

29、其中di為第i組數(shù)據(jù)的數(shù)據(jù)標簽，其可以用獨熱編碼的形式定義，其具體可以表示為：

30、

31、進一步，步驟s4中的機理-數(shù)據(jù)域自適應對抗神經(jīng)網(wǎng)絡由特征提取層和數(shù)據(jù)回歸層構成，特征提取層中有一個特征提取器gf(x；θf)，數(shù)據(jù)回歸層中有三個數(shù)據(jù)回歸器和一個域分類器：源域虛擬仿真數(shù)據(jù)回歸器gs,v(z；θs,v)，源域真實數(shù)據(jù)回歸器gs,a(z；θs,a)，目標域真實數(shù)據(jù)回歸器gt(z；θt)和域分類器gd(z；θd)。其中x為網(wǎng)絡的輸入，z為特征提取層的輸出結果，并作為數(shù)據(jù)回歸層的輸入，θf為特征提取器的網(wǎng)絡參數(shù)，θs,v為源域虛擬仿真數(shù)據(jù)回歸器的網(wǎng)絡參數(shù)，θs,a為源域真實數(shù)據(jù)回歸器的網(wǎng)絡參數(shù)，θt為目標域真實數(shù)據(jù)回歸器的網(wǎng)絡參數(shù)，θd為域分類器的網(wǎng)絡參數(shù)。網(wǎng)絡的輸出數(shù)據(jù)有兩部分，其中為材料去除深度的預測值，為數(shù)據(jù)標簽的概率預測值。具體表示如下：

32、

33、進一步，步驟s3中網(wǎng)絡的損失函數(shù)由四個部分構成：源域虛擬仿真數(shù)據(jù)損失函數(shù)源域真實數(shù)據(jù)損失函數(shù)目標域真實數(shù)據(jù)仿真函數(shù)和域分類損失函數(shù)和采用均方差損失函數(shù)來計算，其定義如下：

34、

35、

36、進一步，域分類損失函數(shù)采用交叉熵損失函數(shù)來計算，其計算方式如下：

37、

38、其中，為源域虛擬仿真數(shù)據(jù)的域分類損失函數(shù)，為源域真實數(shù)據(jù)的域分類損失函數(shù)，為目標域真實數(shù)據(jù)的損失函數(shù)。為第i個數(shù)據(jù)的數(shù)據(jù)標簽預測概率，其表達為p1，p2，p3分別為第i個數(shù)據(jù)[x,y]i為源域虛擬仿真數(shù)據(jù)的概率、源域真實數(shù)據(jù)的概率和目標域真實數(shù)據(jù)的概率，其滿足p1+p2+p3＝1。運算l(·)定義為：

39、

40、最終，整個網(wǎng)絡的損失函數(shù)可以由如下計算：

41、

42、其中，λs,a，λt和μ為和的權重參數(shù)。其具體表示為：

43、

44、其中，ρl為訓練的進程，l為當前訓練的輪數(shù)，l為最大的訓練輪數(shù)。γs,a為λs,a的變化率系數(shù)，γt為λt的變化率系數(shù)，γd為μ的變化率系數(shù)。

45、進一步，步驟s5中模型的訓練具體實施方法如下：

46、(1)首先設置模型的訓練參數(shù)，包括最大訓練輪數(shù)l，學習率η，并以此初始化adam優(yōu)化器，adam優(yōu)化器通過計算梯度的一階矩估計和二階矩估計來調(diào)整每個參數(shù)的學習率，從而實現(xiàn)給高效率的網(wǎng)絡訓練。初始化網(wǎng)絡的參數(shù)θf，θs,v，θs,a，θt和θd。

47、(2)通過公式前向傳播計算所對應的材料去除預測深度和數(shù)據(jù)標簽的概率預測值。然后通過公式(13)-(18)計算網(wǎng)絡的損失函數(shù)。

48、(3)通過adam優(yōu)化器進行反向傳播并更新網(wǎng)絡參數(shù)θf，θs,v，θs,a，θt和θd。

49、(4)重復步驟(2)-(3)直到訓練輪數(shù)達到最大訓練輪數(shù)。

50、本發(fā)明的另一目的在于提供一種實現(xiàn)所述包絡式打磨材料去除深度預測方法的包絡式打磨材料去除深度預測系統(tǒng)，包括：

51、數(shù)據(jù)集劃分模塊：在源域和目標域中進行磨拋實驗獲得不同磨拋參數(shù)組合下的材料去除深度，將獲得的數(shù)據(jù)集分為源域真實數(shù)據(jù)和目標域真實數(shù)據(jù)；

52、機理模型建立模塊：用于建立包絡式磨拋材料去除深度機理模型，并采用最小二乘法擬合機理模型的參數(shù)；

53、虛擬仿真數(shù)據(jù)生成模塊：用于通過機理模型在源域中產(chǎn)生大量的虛擬仿真數(shù)據(jù)，并構建數(shù)據(jù)集用于后續(xù)的模型訓練；

54、對抗神經(jīng)網(wǎng)絡建立模塊：建立機理-數(shù)據(jù)域自適應對抗神經(jīng)網(wǎng)絡，其包括數(shù)據(jù)特征提取層、數(shù)據(jù)回歸層；網(wǎng)絡的損失函數(shù)包括源域真實數(shù)據(jù)回歸損失函數(shù)、源域虛擬仿真數(shù)據(jù)回歸損失函數(shù)、目標域真實數(shù)據(jù)回歸損失函數(shù)和域分類損失函數(shù)；

55、模型訓練及參數(shù)更新模塊：采用adam優(yōu)化器進行模型的訓練和參數(shù)更新。

56、本發(fā)明的另一目的在于提供一種計算機設備，計算機設備包括存儲器和處理器，存儲器存儲有計算機程序，計算機程序被處理器執(zhí)行時，使得處理器執(zhí)行所述的包絡式打磨材料去除深度預測方法的步驟。

57、本發(fā)明的另一目的在于提供一種計算機可讀存儲介質(zhì)，存儲有計算機程序，計算機程序被處理器執(zhí)行時，使得處理器執(zhí)行所述的包絡式打磨材料去除深度預測方法的步驟。

58、本發(fā)明的另一目的在于提供一種信息數(shù)據(jù)處理終端，信息數(shù)據(jù)處理終端包括所述的包絡式打磨材料去除深度預測系統(tǒng)。

59、結合上述的技術方案和解決的技術問題，本發(fā)明所要保護的技術方案所具備的優(yōu)點及積極效果為：

60、第一、本發(fā)明通過大量的虛擬仿真數(shù)據(jù)和少量的實驗數(shù)據(jù)可以實現(xiàn)小樣本下的包絡式磨拋材料去除深度的準確預測。

61、本發(fā)明通過建立的包絡式材料去除機理模型生成，所建立的材料去除機理模型建立了材料去除深度與接觸力、工件與工具之間的接觸速度、工具的進給速度和工件的半徑直接的關系，且為大量的虛擬仿真數(shù)據(jù)的生成提供了理論支持。

62、本發(fā)明通過機理-數(shù)據(jù)域自適應對抗神經(jīng)網(wǎng)絡實現(xiàn)，在網(wǎng)絡的訓練過程中可以根據(jù)訓練進度自適應的更新?lián)p失函數(shù)的權重參數(shù)，使得在訓練初期由大量的虛擬數(shù)據(jù)快速地實現(xiàn)網(wǎng)絡大致結構的更新，之后在訓練的過程中增大真實數(shù)據(jù)的損失函數(shù)的權重，從而提高對真實數(shù)據(jù)的預測精度。

63、機理-數(shù)據(jù)域自適應對抗神經(jīng)網(wǎng)絡的數(shù)據(jù)集由源域虛擬仿真數(shù)據(jù)、源域真實數(shù)據(jù)和目標域真實數(shù)據(jù)構成，可以同時保障所建立的預測模型在源域和目標域中預測精度。

64、第二，本發(fā)明的技術方案轉化后的預期收益和商業(yè)價值為：

65、本發(fā)明主要針對航空航天中復雜曲面零件葉緣部分的包絡式材料去除建模問題，葉緣的包絡式磨拋方法可以緩解工具與葉緣接觸部分的應力集中，增大接觸面積從而減小過磨，減少廢品率。同時提出的包絡式材料去除深度預測方法可以準確的預測確定參數(shù)小的去除深度，以指導磨拋工藝的規(guī)劃。本發(fā)明的技術可應用于航空航天等制造企業(yè)中復雜曲面零件的葉緣打磨工藝規(guī)劃指導，可以提升相關產(chǎn)品的良品率和生產(chǎn)效率。本發(fā)明的技術方案解決了人們一直渴望解決、但始終未能獲得成功的技術難題：

66、目前針對葉片、葉盤類零件的葉緣部分打磨通常使用人工打磨或者磨拋輪磨拋的方式進行打磨，人工打磨的方式往往取決于工人的經(jīng)驗，難以保障磨拋后質(zhì)量的一致性，而接觸輪式打磨方法由于工具與工件之間接觸部分的應力很大，極其容易發(fā)生過磨從而導致工藝規(guī)劃困難。因此，針對此類零件的葉緣部分可采用包絡式的打磨方式，但是目前在包絡式打磨材料去除深度預測模型方面的理論研究相對較少，機理模型由于存在假設導致模型的精度差，而數(shù)據(jù)驅(qū)動模型往往需要大量的訓練數(shù)據(jù)來擬合模型參數(shù)，磨拋標定實驗的數(shù)據(jù)往往呈現(xiàn)小樣本的特點，導致數(shù)據(jù)模型容易產(chǎn)生過擬合，因此目前的材料去除建模方法均難以精確實現(xiàn)包絡式打磨材料去除的深度預測。因此，本發(fā)明對包絡式打磨過程中的材料去除深度提供了一種基于機理和小數(shù)據(jù)混合驅(qū)動預測模型，采用機理-數(shù)據(jù)自適應域?qū)股窠?jīng)網(wǎng)絡來實現(xiàn)對不同磨拋工藝參數(shù)下的材料去除深度進行預測，其中數(shù)據(jù)集由源域真實數(shù)據(jù)、源域虛擬仿真數(shù)據(jù)和目標域真實數(shù)據(jù)構成。所述的源域虛擬仿真數(shù)據(jù)由機理模型生成。所述的機理-數(shù)據(jù)自適應域?qū)股窠?jīng)網(wǎng)絡的損失函數(shù)由源域真實數(shù)據(jù)損失函數(shù)、源域虛擬仿真數(shù)據(jù)損失函數(shù)、目標域真實數(shù)據(jù)仿真函數(shù)和域分類損失函數(shù)構成，同時在訓練的過程中各部分的損失函數(shù)權重可以自適應更新，在訓練初期通過大量的虛擬仿真數(shù)據(jù)得到網(wǎng)絡的大致結構，然后在訓練的后期通過提高真實數(shù)據(jù)的權重來實現(xiàn)在少量數(shù)據(jù)下對真實數(shù)據(jù)的準確預測。該發(fā)明解決了對包絡式磨拋打磨的材料去除預測不精準的難題。

67、第三，本發(fā)明獲取的顯著的技術進步。

68、1.精確預測材料去除深度：

69、通過建立機理模型和自適應對抗神經(jīng)網(wǎng)絡，本發(fā)明可以精確預測不同磨拋參數(shù)組合下的材料去除深度，提高了磨拋工藝的控制精度。

70、2.數(shù)據(jù)域自適應能力：

71、通過在源域中生成大量虛擬數(shù)據(jù)，并結合自適應對抗神經(jīng)網(wǎng)絡，本發(fā)明解決了源域和目標域數(shù)據(jù)分布不同的問題，提高了模型的泛化能力和預測準確性。

72、3.高效的網(wǎng)絡訓練：

73、采用adam優(yōu)化器，通過計算梯度的一階矩估計和二階矩估計來調(diào)整學習率，實現(xiàn)了高效的網(wǎng)絡訓練，縮短了模型訓練時間，提升了整體效率。

74、4.綜合考慮多種磨拋參數(shù)：

75、本發(fā)明通過機理模型系統(tǒng)地處理了接觸力、進給速度、接觸速度和工件曲率半徑等多種磨拋參數(shù)的影響，實現(xiàn)了對復雜磨拋工藝的精確控制。

76、5.創(chuàng)新性的數(shù)據(jù)構建和模型設計：

77、通過機理模型生成虛擬數(shù)據(jù)并結合對抗神經(jīng)網(wǎng)絡，本發(fā)明提出了一種創(chuàng)新性的數(shù)據(jù)構建和模型設計方法，解決了傳統(tǒng)方法在數(shù)據(jù)不足和模型不穩(wěn)定方面的問題。

78、具體應用場景

79、1.航空航天工業(yè)：

80、高精度零件的加工要求極高的表面質(zhì)量和材料去除精度，本發(fā)明的方法可以顯著提高加工質(zhì)量和一致性。

81、2.汽車制造：

82、對發(fā)動機零件等復雜幾何形狀部件的加工，本發(fā)明的方法可以優(yōu)化磨拋力，保證材料去除的均勻性，提高零件的可靠性和使用壽命。

83、3.船舶工業(yè)：

84、通過精確控制磨拋力和材料去除深度，可以顯著提升船用輪機葉片類零件葉緣部分的表面輪廓制造精度，減少后續(xù)加工步驟，降低成本。

85、本發(fā)明通過引入精確的曲率半徑計算、材料去除機理模型、概率密度函數(shù)、蒙特卡洛模擬和貝葉斯定理等技術手段，系統(tǒng)性地解決了磨拋力規(guī)劃中的諸多技術問題，大幅提升了工業(yè)磨拋加工的精度、效率和一致性，實現(xiàn)了顯著的技術進步。這些進步在航空航天、汽車制造、和船舶工業(yè)等高精度要求的行業(yè)中具有廣泛的應用前景和巨大的經(jīng)濟效益。

86、第四，本發(fā)明的技術方案的參數(shù)、算法、數(shù)學模型及其顯著進步。

87、1.技術問題

88、(1)材料去除深度預測精度不足：

89、傳統(tǒng)方法難以精確預測材料去除深度，導致工件加工質(zhì)量不穩(wěn)定。

90、(2)數(shù)據(jù)不均衡和域間差異：

91、源域和目標域數(shù)據(jù)分布不同，導致模型泛化能力不足。

92、(3)多參數(shù)綜合影響處理難：

93、磨拋過程涉及多個參數(shù)，傳統(tǒng)方法難以系統(tǒng)處理其綜合影響。

94、(4)網(wǎng)絡訓練效率低：

95、高維數(shù)據(jù)和復雜模型導致訓練效率低，時間成本高。

96、2.顯著進步

97、(1)高精度預測：

98、通過建立精確的磨拋參數(shù)與材料去除深度的關系模型，并采用最小二乘法擬合參數(shù)，實現(xiàn)了高精度的材料去除深度預測。

99、(2)自適應對抗神經(jīng)網(wǎng)絡：

100、通過機理-數(shù)據(jù)域自適應對抗神經(jīng)網(wǎng)絡，解決了源域和目標域數(shù)據(jù)分布不同的問題，提高了模型的泛化能力。

101、(3)多參數(shù)綜合處理：

102、通過建立包絡式磨拋材料去除深度機理模型，系統(tǒng)處理了多種磨拋參數(shù)的綜合影響，實現(xiàn)了精確的磨拋力規(guī)劃。

103、(4)高效網(wǎng)絡訓練：

104、采用adam優(yōu)化器，提高了網(wǎng)絡訓練效率，縮短了訓練時間，實現(xiàn)了高效的模型訓練和參數(shù)優(yōu)化。

105、本發(fā)明通過精確計算磨拋參數(shù)、建立材料去除機理模型、生成虛擬數(shù)據(jù)并結合自適應對抗神經(jīng)網(wǎng)絡，系統(tǒng)性地解決了磨拋力規(guī)劃中的諸多技術問題，顯著提高了工業(yè)磨拋加工的精度、效率和一致性。這些技術進步在航空航天、汽車制造、和船舶工業(yè)等高精度要求的行業(yè)中具有廣泛應用前景和巨大的經(jīng)濟效益。