[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

说明书

本发明公开了一种基于深度学习的微铣削加工方法及加工系统，属于精密加工检测技术领域，包括以下步骤：S10、构建控制模块，为基于卷积神经网络的网络模型；S20、确定待加工件的理论加工余量、工件形态性能参数；30、使用训练样本对控制模块的网络模型进行训练；S40、将数据采集模块采集监测模块监测参数输入训练完成的控制模块的网络模型，由训练完成的控制模块的网络模型给出实时加工工艺参数；S50、训练完成的控制模块判断加工后的工件是否满足加工设计图纸的公差要求。本发明通过监测系统与卷积神经网络相结合，不需要取下工件即可实时判断加工精度，实时调整微铣削机床的加工工艺参数，自动化程度更高，适用于大批量生产。

技术领域

本发明属于精密加工技术领域，具体涉及一种基于深度学习的精密机床加工方法及加工系统。

背景技术

微铣削加工被认为是实现微型部件加工的最合适的加工方法,具有材料加工范围广，加工能力强,效率高,成本低,环保等优点。

在现有技术中，使用微铣削加工过程中，需要不断地对工件的加工精度检测，当检测不符合加工要求时还需要重新定位，有时需要数次反复操作，加工和检测周期长，效率低，无法适用在大批量生产应用中。

因此，急需一种能够适用于大批量生产且在加工过程中可以同步进行加工和检测的微铣削加工方法及加工系统。

发明内容

本发明的目的在于提供一种能够适用于大批量生产且在加工过程中可以同步进行加工和检测的微铣削加工方法及加工系统，本发明采取了如下技术方案：

一种基于深度学习的微铣削加工方法，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。

进一步地，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。

进一步地，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；