融合机床精度与工艺参数的铣削误差预测模型

doi:10.7527/S1000-6893.2018.21713

材料工程与机械制造

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

融合机床精度与工艺参数的铣削误差预测模型

熊青春^1,2, 王家序¹, 周青华¹

1. 四川大学空天科学与工程学院, 成都 610065;
2. 成都飞机工业(集团)有限责任公司, 成都 610092

收稿日期:2017-09-01 修回日期:2018-05-28 出版日期:2018-08-15 发布日期:2018-05-28
通讯作者: 王家序 E-mail:wjx@scu.edu.cn
基金资助:
国家科技重大专项（2015ZX04001-002）；航空工业产学研专项（CXY2013CD36）

Prediction model of machining errors based on precision and process parameters of machine tools

XIONG Qingchun^1,2, WANG Jiaxu¹, ZHOU Qinghua¹

1. School of Aeronautics and Astronautics, Sichuan University, Chengdu 610065, China;
2. Chengdu Aircraft Industry(Group) Co., Ltd., Chengdu 610092, China

Received:2017-09-01 Revised:2018-05-28 Online:2018-08-15 Published:2018-05-28
Supported by:
National Science and Technology Major Project (2015ZX04001-002);Innovation Fund of AVIC (CXY2013CD36)

摘要/Abstract

摘要： 为弥补现有五轴联动数控铣床加工飞机结构件的加工精度评估系统的不足，提出利用机床精度检测数据和零件特征及其工艺参数来构建评估指标体系，基于BP神经网络建立了飞机结构件加工误差预测模型。通过完成训练的网络权值分布，计算出各输入指标对最后评估结果的影响，并通过实例分析检验了模型的可靠性。结果表明，经BP神经网络模型训练得到的结果和样本零件的三坐标测量机测量数据基本吻合，选取的评价指标具有有效性。该评估模型能够有效地融合机床精度检测数据和零件特征及其加工工艺参数，对飞机结构件的铣削加工误差进行预测。

关键词: 数控铣床, 飞机结构件, 加工误差预测, BP神经网络, 工艺参数

Abstract: To overcome the deficiency of machining accuracy evaluation system of five-axis NC milling machine in processing aircraft structural parts, an evaluation system is constructed using machine tool precision detection data, characteristics structural parts and their machining parameters. Based on the BP neural network, a prediction model for machining errors of five-axis NC milling machine is built up. The influence of each input index on the evaluation result is calculated through weight distribution of the trained network, and effectiveness of the model is verified by an example. It is shown that the results obtained by the BP neural network model are in good agreements with those by the coordinate measuring machine, demonstrating the effectiveness of those selected evaluation indexes. The prediction model can effectively evaluate the processing accuracy of the five-axis NC milling machine by combining the machine tool precision detection data, characteristics of the parts and process parameters.

Key words: CNC milling machine, aircraft structural part, prediction of machining error, BP neural network, process parameter

中图分类号:

V261.2

熊青春, 王家序, 周青华. 融合机床精度与工艺参数的铣削误差预测模型[J]. 航空学报, 2018, 39(8): 421713-421713.

XIONG Qingchun, WANG Jiaxu, ZHOU Qinghua. Prediction model of machining errors based on precision and process parameters of machine tools[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2018, 39(8): 421713-421713.

参考文献

[1] 帅朝林. 飞机结构件数字化设计与制造技术[J]. 航空制造技术, 2016(1):48-52. SHUAI C L. Digital design and manufacturing technology for aircraft structural parts[J]. Aeronautical Manufacturing Technology, 2016(1):48-52(in Chinese).
[2] 李杰, 谢福贵, 刘辛军, 等. 五轴数控机床空间定位精度改善方法研究现状[J]. 机械工程学报, 2017, 53(7):113-128. LI J, XIE F G, LIU X J, et al. Analysis on the research status of volumetric positioning accuracy improvement methods for five-axis NC machine tools[J]. Journal of Mechanical Engineering, 2017, 53(7):113-128(in Chinese).
[3] 卢碧红, 葛研军, 王启义, 等. 虚拟数控车削加工精度预测研究[J]. 机械工程学报, 2002, 38(2):82-85. LU B H, GE Y J, WANG Q Y, et al. Study on the precision prediction for virtual NC turning[J]. Journal of Mechanical Engineering, 2002, 38(2):82-85(in Chinese).
[4] 党建卫, 张卫红, 万敏,等. 周铣过程中加工误差预测新模型[J]. 机械工程学报, 2011, 47(17):150-155. DANG J W, ZHANG W H, WAN M, et al. A novel model for predicting machining error in peripheral milling process[J]. Journal of Mechanical Engineering, 2011, 47(17):150-155(in Chinese).
[5] 李逢春, 王海同, 李铁民. 重型数控机床热误差建模及预测方法的研究[J].机械工程学报, 2016, 52(11):154-160. LI F C, WANG H T, LI T M. Research on thermal error modeling and prediction of heavy CNC machine tools[J]. Journal of Mechanical Engineering, 2016, 52(11):154-160(in Chinese).
[6] 宋戈, 李剑峰, 孙杰. 基于铣削力精确建模的工件表面让刀误差预测分析[J]. 机械工程学报, 2013, 49(21):168-175. SONG G, LI J F, SUN J. Analysis on prediction of surface error based on precision milling cutting force model[J]. Journal of Mechanical Engineering, 2013, 49(21):168-175(in Chinese).
[7] 王福林, 董志贵, 吴志辉,等. 基于BP神经网络的玉米种植密度和施肥量优化[J]. 农业工程学报, 2017, 33(6):92-99. WANG F L, DONG Z G, WU Z H, et al. Optimization of maize planting density and fertilizer application rate based on BP neural network[J].Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(6):92-99(in Chinese).
[8] 徐黎明, 王清, 陈剑平, 等. 基于BP神经网络的泥石流平均流速预测[J]. 吉林大学学报(地球科学版), 2013, 43(1):186-191. XU L M, WANG Q, CHEN J P, et al. Forecast for average velocity of debris flow based on BP neural network[J].Journal of Jilin University (Earth Science Edition), 2013, 43(1):186-191(in Chinese).
[9] 邓青, 马晔风, 刘艺, 等. 基于BP神经网络的微博转发量的预测[J]. 清华大学学报(自然科学版), 2015, 55(12):1342-1347. DENG Q, MA Y F, LIU Y, et al. Prediction of retweet counts by a back propagation neural network[J]. Journal of Tsinghua University (Science and Technology), 2015, 55(12):1342-1347(in Chinese).
[10] 呙润华, 苏婷婷, 马晓伟. BP神经网络联合模板匹配的车牌识别系统[J]. 清华大学学报(自然科学版), 2013, 53(9):1221-1226. GUO R H, SU T T, MA X W. License plate recognition system using a BP neural network and template matching[J]. Journal of Tsinghua University (Science and Technology), 2013, 53(9):1221-1226(in Chinese).
[11] 姚裕盛, 徐开俊.基于BP神经网络的飞行训练品质评估[J].航空学报, 2017, 38(S1):721513. YAO Y S, XU K J. Quality assessment of flight training based on BP neural network[J]. Acta Aeronautica et Astronautica Sinica, 2017, 38(S1):721513(in Chinese).
[12] 方平, 谭义民, 吴禄, 等.人工神经网络技术在点焊质量控制中的应用研究[J]. 航空学报, 2000, 21(1):94-105. FANG P, TAN Y M, WU L, et al. Artificial neural network applied to the quality control in alternating-current resistance spot welding[J]. Acta Aeronautica et Astronautica Sinica, 2000, 21(1):94-105(in Chinese).
[13] 陈勇刚, 罗晓莉. 航空公司机队设备可靠性非线性动态评估模型[J]. 航空学报, 2013, 34(1):104-111. CHEN Y G, LUO X L. Nonlinear dynamic assessment model of airline fleet equipment reliability[J]. Acta Aeronautica et Astronautica Sinica, 2013, 34(1):104-111(in Chinese).
[14] JI T J, AN J F, HE S M, et al. Depth prediction of rain water on road surface based on artificial neural network[J]. Transaction of Nanjing University of Aeronautics & Astronautics, 2006, 23(2):115-119.
[15] 孙春华, 朱荻, 李志勇, 等. 基于BP神经网络的电解加工精度预测模型[J]. 华南理工大学学报(自然科学版), 2004, 32(10):24-27. SUN C H, ZHU D, LI Z Y, et al. Prediction of the workpiece accuracy during the electrochemical machining based on BP neural network[J]. Journal of South China University of Technology (Natural Science Edition), 2004, 32(10):24-27(in Chinese).
[16] 徐雪梅, 涂源钊, 范守文, 等. 基于BP神经网络的虚拟轴机床的实时误差补偿控制[J]. 四川大学学报(工程科学版), 2003, 35(1):81-84. XU X M, TU Y Z, FAN S W, et al. Real time error compensation control scheme for virtual axis machine tools based on BP neural network[J]. Journal of Sichuan University (Engineering Science Edition), 2003, 35(1):81-84(in Chinese).
[17] HORNIK K, STINCHCOMBE M, WHITE H. Multilayer feedforward networks are universal approximators[J]. Neural Networks, 1989, 2(5):359-366.
[18] FAUSETT L V. Fundamentals of neural networks:Architectures, algorithms, and applications[M]. Englewood Cliffs:Prentice-Hall, 1994.
[19] ZHANG Y W, QI J Y, FANG B X, et al. The indicator system based on BP neural network model for net-mediated public opinion on unexpected emergency[J]. China Communications, 2011, 8(2):42-51.
[20] 何长虹, 黄全义, 申世飞, 等. 基于BP神经网络的森林可燃物负荷量估测[J]. 清华大学学报(自然科学版), 2011, 51(2):230-233. HE C H, HUANG Q Y, SHEN S F, et al. Forest fuel loading estimates based on a back propagation neural network[J]. Journal of Tsinghua University (Science and Technology), 2011, 51(2):230-233(in Chinese).

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

融合机床精度与工艺参数的铣削误差预测模型

Prediction model of machining errors based on precision and process parameters of machine tools

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘振东, 郑锡涛, 范雯静, 张东健. 固化残余应力对无人机复合材料机翼强度的影响[J]. 航空学报, 2022, 43(6): 526117-526117.
[2]	董珍一, 林莉, 雷明凯, 马志远. 基于BPNN的封严涂层孔隙分布均匀性超声表征[J]. 航空学报, 2022, 43(5): 425294-425294.
[3]	杨光, 刘雪东, 王琮玮, 王琮瑜, 刘大志. 基于温度场模拟的镁合金SLM元素烧损行为[J]. 航空学报, 2022, 43(4): 525639-525639.
[4]	高鑫, 李仁政, 王斌利, 李卫东, 赵中刚. 飞机结构件轮廓特征加工自动分区算法[J]. 航空学报, 2021, 42(7): 625346-625346.
[5]	蔡立成, 钱诗梦, 汪海晋, 丁会明, 徐强. 铺放参数对复合材料厚度方向力学行为影响[J]. 航空学报, 2021, 42(2): 423821-423821.
[6]	骆俊廷, 赵静启, 杨哲懿, 刘卫鹏, 张春祥. 基于Deform软件二次开发和BP神经网络的TA15多向锻造微观组织预报[J]. 航空学报, 2021, 42(12): 424693-424693.
[7]	徐勇, 尹阔, 夏亮亮, 门向南, 曾一畔, 张士宏. 面向航空铝合金薄壁深腔构件的冲击液压成形工艺优化[J]. 航空学报, 2021, 42(10): 524831-524831.
[8]	陈向明, 姚辽军, 果立成, 孙毅. 3D打印连续纤维增强复合材料研究现状综述[J]. 航空学报, 2021, 42(10): 524787-524787.
[9]	谢林杉, 陈浩然, 王浩宇. 面向复杂回转体的T700级碳纤维/双马树脂材料铺放适应性[J]. 航空学报, 2020, 41(4): 423279-423279.
[10]	张禹, 董小野, 李东升, 曾奇峰, 杨树华, 巩亚东. 基于STEP和改进神经网络的STEP-NC制造特征识别方法[J]. 航空学报, 2019, 40(7): 422687-422687.
[11]	姚裕盛, 徐开俊. 基于BP神经网络的飞行训练品质评估[J]. 航空学报, 2017, 38(S1): 721513-721513.
[12]	赵聪, 肖军, 王显峰, 李俊斐, 黄威. 丝束张力对自动铺丝成型工艺的影响[J]. 航空学报, 2016, 37(4): 1384-1392.
[13]	毛育青, 柯黎明, 刘奋成, 陈玉华. 铝合金厚板FSW焊缝成形及金属流动行为分析[J]. 航空学报, 2016, 37(11): 3546-3553.
[14]	高鑫, 李迎光, 张臣, 刘长青, 郝小忠. 飞机结构件内型转角一体加工刀轨生成方法[J]. 航空学报, 2014, 35(9): 2660-2671.
[15]	黄江涛, 高正红, 白俊强, 赵轲, 李静, 许放. 基于任意空间属性FFD技术的融合式翼稍小翼稳健型气动优化设计[J]. 航空学报, 2013, 34(1): 37-45.