[发明专利]基于特征样本的飞机结构件神经网络加工时间预测方法

说明书

技术领域

本发明涉及一种工时预测方法，尤其涉及一种飞机结构件加工工时预测方法，属于CAD(计算机辅助设计)/CAPP(计算机辅助工艺过程设计)/CAM(计算机辅助制造)技术领域。

背景技术

在企业发展战略中，成本控制是成本管理的重要手段，是推动改善企业经营管理的动力。航空产品工时是产品成本控制的关键因素之一。航空产品生产制造工时是产品生产制造过程中企业人力资源和物质资源投入多少的具体体现，是企业生产产品、生产规模、生产水平的一种反映，也是企业进行生产条件建设、生产管理、成本核算、计划控制等的重要依据，更是企业进行科学管理、优化加工结构、提高劳动生产效率的基础和重要前提。此外产品加工成本为企业在转包生产中与外方技术谈判时提供重要依据，而产品工时是产品报价的重要基础数据，航空制造企业只有准确地把握产品工时信息，合理地制定产品工时，才能合理地组织生产、适时地挖掘企业潜力、提高企业生产效率、降低企业成本、最终加强企业市场竞争力。

传统的工时预测手段主要是以经验值进行衡量，处在一个初级阶段，水平较低，预测结果具有较强的随意性，精度难以保证。而随着计算机技术的发展，计算机辅助预测工时成为重要研究方向。目前已知的工时预测方法主要有：查表法、数学模型法、成组技术法、人工智能法、数控加工程序仿真法。这些方法在精度或效率其中的一方面具有优势，但都难以兼顾精度和效率。

对现有技术文献检索发现，朱历新等在学术期刊《机械科学与技术》2004，6(23)，P702-704上发表的论文“基于神经网络的工时定额技术研究”，通过构建BP神经网络结构，收集训练样本，并对样本进行训练得到网络的各个单元的链接权值，采用神经网络算法确定工时定额。该方法的不足之处在于：(1)只考虑了较为简单规则的平面加工面，因而只能用于结构较为简单规则的零件，对于飞机复杂结构件等含有大量的自由曲面的零件不能适用；(2)输入因素的选择上没有考虑切削参数和相关的加工资源，而切削参数和加工资源如机床等对零件加工工时有很大的影响；(3)收集的样本不具有可持续性，依赖企业的生产工艺、制造装备、生产管理水平，因而不能与企业平行发展，样本的收集滞后于企业的发展水平，不能适用企业的实时生产状况，使其实用性不强。

本发明创造的发明人刘长青等在学术期刊《计算机集成制造系统》2011，17(10)，P2156-2162上发表的论文“基于特征的飞机结构件数控加工工时预测模型”，以零件作为神经网络训练样本，通过提取零件的特征，以总体特征和各类型特征的数量作为神经网络输入预测工时，效率高且误差在10％以内，但是该方法以零件作为样本，在解决由于工艺变化而带来样本老化的问题方面还有一定的不足。

发明内容

本发明所要解决的技术问题在于克服现有零件加工时间预测方法的不足，提供一种基于特征样本零件加工时间预测方法。

本发明的基于特征样本的飞机结构件神经网络加工时间预测方法包括如下步骤：

步骤1、建立典型加工特征库；

步骤2、提炼典型加工特征参数；

步骤3、提炼影响加工时间的切削参数；

步骤4、基于典型工艺方案、提炼的典型加工特征参数和切削参数，在数控系统仿真平台上进行加工时间仿真；

步骤5、基于加工时间仿真数据建立典型特征样本库；

步骤6、基于典型特征样本库中的样本构建BP神经网络；

步骤7、提取待预测加工时间零件实例的加工特征；

步骤8、基于BP网络预测零件加工时间。

本发明方法的预测准确率高，预测速度快，相对目前已有的工时预测方法同时兼顾了精度和效率，具有较高的实际应用价值。

附图说明

图1基于特征样本的飞机结构件神经网络加工时间预测方法流程图；

图2为本发明的筋顶特征示意图，其中图2a中的f_r1、f_r3为弧筋顶，弧筋顶f_r1的加工驱动线为e_r1、e_r2、e_r3，图2a中的f_r2为水平筋顶，水平筋顶f_r2的加工驱动线为e_r4，图2b中的f_r’2为斜筋顶，其加工驱动线为e_r’1，图中α_R为斜筋顶的倾角；