本发明属于航空发动机叶片机器人砂带磨削加工领域，更具体地，涉及一种航空发动机叶片机器人磨削烧伤预测方法及装置。
背景技术：
叶片是航空发动机动力装置的核心动力部件，其加工表面质量和轮廓精度直接影响发动机的工作效率和使用寿命。航空发动机叶片通常在高压、高温、高速环境下运行，所以新一代航空发动机叶片采用合金化程度很高的钛合金和镍基高温合金等难加工材料为原料，经过锻造工艺制造成毛坯，再经铣削工艺制造成叶片，此时的叶片表面精度仍不能满足使用要求，普遍需要再进行磨削加工工序以达到制造精度要求。
磨削加工工艺按加工工具的类型主要分为砂轮磨削和砂带磨削，相较于砂轮磨削而言，砂带磨削具有磨削效率高，系统振动小、磨削温度较低和弹性接触等优点，因此被广泛应用于航空发动机叶片加工领域；按加工方式主要分为：人工磨抛、数控机床磨抛、机器人磨抛。相较于前两种加工方式，机器人磨抛具有柔性好、操作空间大、可拓展性强等特点，非常适合对于复杂曲面的磨抛加工。综上所述，机器人砂带磨抛成为目前航空发动机磨削加工领域热门的研究方向之一，有望解决传统手工磨抛在加工精度、产品一致性、加工效率以及多轴数控机床磨抛在加工柔性等方面的弊端。然而，由于航空发动机叶片具有的独特功能和工作特性，决定了其结构通常为薄壁、弯扭曲零件，其形状复杂、加工跨度大、应力复杂。这加剧了机器人加工的复杂性，进而导致加工叶片的表面质量无法得到很好的控制，尤其是对于磨削烧伤的抑制方面。磨削烧伤会严重影响叶片的使用寿命，对磨削烧伤的预测和抑制一直是航空发动机叶片磨削领域亟待解决的问题之一。
目前，磨削烧伤的预测和抑制方法主要有统计特征法、人工神经网络模式识别和支持向量机等多种磨削烧伤的预测和抑制方法。而这些方法在叶片类复杂零件机器人砂带磨抛中应用较少。统计特征法是从已知类别的样本特征中选取有助于分类的特征，分类学习不同类别的统计特征值，以此来实现对磨削烧伤的预测，该方法依赖于特征选取的质量，受人的主观因素影响较大，分类效果不稳定；支持向量机svm以统计学习理论与结构风险最小原理为基础，在训练样本识别误差最小的前提下，尽可能提高其分类能力。svm擅长于解决小样本，不适合航空发动机叶片这种大样本大批次的生产加工；传统的神经网络通过对系统输入输出样本的学习，建立输入输出之间的映射关系，其已在磨削烧伤预测领域取得了一些应用，但是其存在对加工环境的依赖性强、学习算法收敛慢、训练过程易陷入局部最优等缺点。
技术实现要素：
针对现有技术的以上缺陷或改进需求，本发明提供一种航空发动机叶片磨削烧伤预测方法。该方法以磨削加工参数为输入量，磨削烧伤特征值为状态量，磨削烧伤程度为输出量，建立一种磨削烧伤模型，实现磨削烧伤状态精准预测；根据磨削烧伤预测模型得到不同加工参数组合下的磨削烧伤程度，得到磨削烧伤临界域，将磨削加工参数与磨削烧伤临界阈值进行比较，调整磨削加工参数，从而降低工件的磨削烧伤概率。
为了实现上述目的，按照本发明的一个方面，提供一种航空发动机叶片机器人磨削烧伤预测方法，包括：
建立磨削烧伤预测模型；
所述磨削烧伤预测模型被配置为将磨削加工参数作为输入量，将磨削烧伤特征值作为状态量，将磨削烧伤程度为输出量；
将工件的磨削加工参数输入所述磨削烧伤预测模型，得到工件的磨削烧伤程度；判断所述工件的磨削烧伤程度，并根据判断结果，将所述工件的磨削加工参数与磨削烧伤临界阈值进行比较，根据比较结果调整所述工件的磨削加工参数。
进一步地，建立磨削烧伤预测模型包括如下步骤：
安装用于测量的多个传感器，建立叶片机器人砂带磨削加工过程多传感器监控系统；
进行不同加工参数下的叶片磨削加工实验，每次实验均检测磨削烧伤程度，并通过多传感器监控系统采集磨削力及声发射信号之类的多传感信息；
对每次实验采集的所述多传感信息采用融合算法进行融合，得到相应的多传感融合信息；使用特征提取算法对每次实验对应的所述多传感融合信息进行分析处理，得到多传感信息的磨削烧伤特征向量，其包含多个特征值；
从实验的结果中抽取若干烧伤和未烧伤样本和其对应的特征向量，构成磨削烧伤预测模型的训练集；
以磨削加工参数为输入量，磨削烧伤特征值为状态量，磨削烧伤程度为输出量，建立基于深度学习的所述磨削烧伤预测模型，并用训练集训练该模型；
利用训练好的磨削烧伤预测模型预测尽可能多的磨削加工参数组合下的磨削烧伤程度，得到磨削烧伤临界阈值。
进一步地，所述工件的磨削烧伤程度分为高、中、低三档，若判断工件的烧伤程度处于高或中档，则将工件的磨削加工参数与磨削烧伤临界阈值进行比较，根据比较结果调整工件的磨削加工参数，若所述工件的磨削加工参数大于所述磨削烧伤临界阈值，则修改所述工件的磨削加工参数。
进一步地，还包括，获取工件加工过程中的磨削力信号、振动信号和声发射信号，对所述磨削力信号、所述振动信号和所述声发射信号进行处理得到工件的多传感融合信息；
对所述工件的多传感融合信息进行分析处理，得到工件的磨削烧伤特征值。
进一步地，还包括，根据所述磨削烧伤预测模型，判断工件在不同加工参数下的磨削烧伤程度，得到磨削烧伤临界参数。
进一步地，根据所述工件的磨削加工参数输入所述磨削烧伤预测模型得到的烧伤程度判断结果，得到恰好未烧伤的所述工件的磨削加工参数，即为所述磨削烧伤临界阈值。
按照本发明的另一个方面，提供一种航空发动机叶片机器人磨削烧伤预测装置，包括：
获取单元：获取工件的磨削加工参数；
处理单元：将所述工件的磨削加工参数输入到磨削烧伤预测模型，得到工件的磨削烧伤程度；判断所述工件的磨削烧伤程度，并根据判断结果，将所述工件的磨削加工参数与磨削烧伤临界阈值进行比较；
确定单元：根据所述工件的磨削加工参数与磨削烧伤临界阈值的比较结果，确定所述工件的最优磨削加工参数。
进一步地，所述磨削烧伤预测模型被配置为将磨削加工参数作为输入量，将磨削烧伤特征值作为状态量，将磨削烧伤程度作为输出量。
进一步地，若所述工件的磨削加工参数大于所述磨削烧伤临界阈值，则修改所述工件的磨削加工参数。
进一步地，获取工件加工过程中的磨削力信号、振动信号、声发射信号，对所述磨削力信号、所述振动信号和所述声发射信号进行处理得到工件的多传感融合信息，对所述工件的多传感融合信息进行分析处理，得到工件的磨削烧伤特征值。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1.本发明的叶片机器人磨削烧伤预测方法，用声发射传感器、力传感器、加速度传感器、温度传感器、电流电压传感器等多传感器组成了叶片机器人砂带磨削多传感器监控系统，能够在线实时采集声发射、力、振动等信号，实现对于复杂曲面机器人加工的全面监控，从而有效保证叶片机器人加工的质量。
2.本发明的叶片机器人磨削烧伤预测方法，对多传感信息进行高效融合，能够剔除其中的冗余信息，提高了信息的质量，节省了数据存储上的开支。
3.本发明的叶片机器人磨削烧伤预测方法，能够有效的提取多传感融合信息中的磨削烧伤不变性特征，为之后叶片烧伤预测模型对磨削烧伤的精准识别提供了有力保障。
4.本发明的叶片机器人磨削烧伤预测方法，基于深度学习建立的叶片磨削烧伤预测模型，具有实时性强，能够对大规模数据进行快速的分析处理，同时，模型的泛化能力强，提高了系统的鲁棒性，提升叶片前后缘机器人磨削烧伤预测的准确性与适应性。
5.本发明的叶片机器人磨削烧伤预测方法，采用雷达图的形式直观的展现叶片的磨削烧伤临界域，便于快速的辨识磨削加工参数的合理性，实现了在保证加工效率的同时有效抑制了叶片加工过程中的磨削烧伤现象。
附图说明
图1为本发明实施例中的多传感器信息融合和特征提取结构示意图；
图2为本发明实施例中的航空发动机叶片机器人磨削烧伤预测方法的流程示意图；
图3为本发明实施例中的叶片磨削烧伤抑制方法的流程图；
图4为本发明实施例中的磨削烧伤临界域示意图；
图5为本发明实施例提供的一种航空发动机叶片机器人磨削烧伤预测装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
为了实现上述目的，本发明实施例1，提供一种航空发动机叶片磨削烧伤预测方法，包括：
建立磨削烧伤预测模型；
磨削烧伤预测模型被配置为将磨削加工参数作为输入量，将磨削烧伤特征值作为状态量，将磨削烧伤程度为输出量；
将工件的磨削加工参数输入磨削烧伤预测模型，得到工件的磨削烧伤程度；将工件的磨削加工参数输入磨削烧伤预测模型，得到工件的磨削烧伤程度；判断工件的磨削烧伤程度，并根据判断结果，将工件的磨削加工参数与磨削烧伤临界阈值进行比较，根据比较结果调整工件的磨削加工参数。
进一步地，工件的烧伤程度分为高、中、低三档，将工件的磨削加工参数输入磨削烧伤预测模型，得到工件的磨削烧伤程度，若判断工件的烧伤程度处于高或中档，则需要将工件的磨削加工参数与磨削烧伤临界阈值进行比较，根据比较结果调整工件的磨削加工参数，这样能有效预测并抑制加工过程中发动机叶片的烧伤。
进一步地，若工件的磨削加工参数大于磨削烧伤临界阈值，则修改所述工件的磨削加工参数。
进一步地，获取工件加工过程中的磨削力信号、振动信号、声发射信号，对磨削力信号、振动信号和声发射信号进行处理得到工件的多传感融合信息。
进一步地，对工件的多传感融合信息进行分析处理，得到工件的磨削烧伤特征值。
进一步地，根据磨削烧伤预测模型，判断工件在不同加工参数下的磨削烧伤程度，得到磨削烧伤临界参数。
进一步地，根据工件的磨削加工参数和所述磨削烧伤临界参数，得到磨削烧伤临界阈值。
实施例2
本发明实施例2提供一种航空发动机叶片磨削烧伤预测装置，包括：
获取单元：获取工件的磨削加工参数；
处理单元：将工件的磨削加工参数输入磨削烧伤预测模型，得到工件的磨削烧伤程度；判断工件的磨削烧伤程度，并根据判断结果，将工件的磨削加工参数与磨削烧伤临界阈值进行比较；
确定单元：根据工件的磨削加工参数与磨削烧伤临界阈值的比较结果，确定工件的磨削加工参数。
进一步地，磨削烧伤预测模型被配置为将磨削加工参数作为输入量，将磨削烧伤特征值作为状态量，将磨削烧伤程度为输出量。
进一步地，若工件的磨削加工参数大于所述磨削烧伤临界阈值，则修改工件的磨削加工参数。
进一步地，获取工件加工过程中的磨削力信号、振动信号、声发射信号，对磨削力信号、振动信号和声发射信号进行处理得到工件的多传感融合信息，对工件的多传感融合信息进行分析处理，得到工件的磨削烧伤特征值。
实施例3
如图2所示本发明实施例中的航空发动机叶片机器人磨削烧伤预测方法的流程示意图，该模型预测方法包括以下的步骤：
进行不同加工参数下(如砂带线速度、机器人进给速度和磨削力等)的叶片磨削烧伤实验，每次实验均使用多传感器采集叶片加工过程中的磨削力、振动、声发射等信号；
进一步地，对采集到的信号使用特定的信息融合算法得到多传感融合信息。
进一步地，对多传感融合信息使用相应的特征提取方法进行分析处理，得到多传感融合信息的磨削烧伤特征值。
进一步地，从磨削实验结果中抽取若干烧伤和未烧伤样本构成磨削烧伤预测模型的训练集；
进一步地，以加工参数为输入量，磨削烧伤特征值为状态量，磨削烧伤程度为输出量，建立基于深度学习的磨削烧伤预测模型，并用训练集训练模型。
进一步地，通过磨削烧伤预测模型判断不同加工参数下的叶片烧伤程度，得到磨削烧伤临界参数。
进一步地，绘制多磨削加工参数雷达图，并依据磨削烧伤临界参数在所述雷达图上绘制出磨削烧伤临界域。
如图1所示为本发明实施例中的多传感器信息融合和特征提取结构图，其中的叶片机器人砂带磨削多传感器监控系统，由六维力传感器、声发射传感器、温度传感器、加速度传感器、电流电压传感器等多个传感器构成，它们均通过数据采集卡与电脑端相连，采集到的信息均在电脑端完成处理，采用的特定的信息融合算法对多传感信息进行融合。采用结合小波变换和希尔伯特黄变换的联合特征分析方法对融合后的信息进行分析处理得到磨削烧伤特征向量(包含多个特征值)。
如图3所示为本发明实施例中的叶片磨削烧伤抑制方法的流程图，叶片磨削烧伤抑制的具体实施步骤包括以下的步骤：
输入待使用的叶片磨削加工参数(如砂带线速度、机器人进给速度和磨削力等)。
进一步地，根据所述磨削烧伤临界域，判断待使用的叶片磨削加工参数是否在临界域内；若叶片磨削加工参数在临界域内，则修改加工参数；若不在，可继续进行磨削加工。
如图4所示为本发明实施例中的多磨削加工参数雷达图，其中，图上折线所围成的区域为磨削烧伤临界域。位于临界域中的加工参数组合不会使叶片加工过程产生磨削烧伤现象，边界上的加工参数组合代表磨削烧伤临界参数。
实施例4
本发明实施例4提供一种航空发动机叶片磨削烧伤预测方法，包括：
安装用于测量的多类型的传感器，建立叶片机器人砂带磨削加工过程多传感器监控系统；
进一步地，进行不同加工参数下的叶片磨削加工实验，每次实验均需要检测磨削烧伤程度，并通过多传感器监控系统采集磨削力、声发射信号等多传感信息；
进一步地，对每次实验采集的所述多传感信息使用特定的融合算法进行融合，得到相应的多传感融合信息；使用特定的特征提取算法对每次实验对应的所述多传感融合信息进行分析处理，得到多传感信息的磨削烧伤特征向量，其包含多个特征值；
进一步地，从实验的结果中抽取若干烧伤和未烧伤样本和其对应的特征向量，构成磨削烧伤预测模型的训练集；
进一步地，以磨削加工参数为输入量，磨削烧伤特征值为状态量，磨削烧伤程度为输出量，建立基于深度学习的所述磨削烧伤预测模型，并用训练集训练该模型；
进一步地，利用训练好的磨削烧伤预测模型预测尽可能多的磨削加工参数组合下的磨削烧伤程度，得到磨削烧伤临界阈值；
进一步地，绘制多磨削加工参数雷达图，并依据磨削烧伤临界阈值在雷达图上绘制出磨削烧伤临界域；
进一步地，根据磨削烧伤临界域，来降低实际叶片加工过程中的磨削烧伤；
优选地，叶片机器人砂带磨削加工过程多传感器监控系统包括但不限于如下传感器：六维力传感器、声发射传感器、温度传感器、加速度传感器、电流电压传感器。
优选地，特定的融合算法，包括主流的信息融合算法，如：核主元分析法。
优选地，特定的特征提取算法，采用的是结合小波变换和希尔伯特黄变换的联合特征分析方法。
优选地，抑制实际叶片加工过程中的磨削烧伤的具体步骤为，判断当前使用的磨削加工参数，是否在临界域内，若不在，则需修改加工参数，避免磨削烧伤发生，反之则可继续加工。
1.本发明实施例提供的叶片机器人磨削烧伤预测方法，用声发射传感器、力传感器、加速度传感器、温度传感器、电流电压传感器等多传感器组成了叶片机器人砂带磨削多传感器监控系统，能够在线实时采集声发射、力、振动和温度等信号，实现对于复杂曲面机器人加工的全面监控，从而有效保证叶片机器人加工的质量。
2.本发明实施例提供的叶片机器人磨削烧伤预测方法，采用的信息融合算法能够对多传感信息进行高效融合，能够剔除其中的冗余信息，提高了信息的质量，节省了数据存储上的开支。
3.本发明实施例提供的叶片机器人磨削烧伤预测方法，采用的特征提取算法，能够有效的提取多传感融合信息中的磨削烧伤不变性特征，为之后叶片烧伤预测模型对磨削烧伤的精准识别提供了有力保障。
4.本发明实施例提供叶片机器人磨削烧伤预测方法，基于深度学习建立的叶片磨削烧伤预测模型，具有实时性强，能够对大规模数据进行快速的分析处理，同时，模型的泛化能力强，提高了系统的鲁棒性，提升叶片前后缘机器人磨削烧伤预测的准确性与适应性。
5.本发明实施例提供的叶片机器人磨削烧伤抑制方法，采用雷达图的形式直观的展现叶片的磨削烧伤临界域，便于快速的辨识磨削加工参数的合理性，实现了在保证加工效率的同时有效抑制了叶片加工过程中的磨削烧伤现象。
6.本发明实施例提供的叶片机器人磨削烧伤预测方法，具有应用成本低、自动化程度高和可扩展性强等优点，可根据实际的加工需要，增添或删减传感器以及模型的输入，增强了叶片机器人砂带磨削加工系统的柔性。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
1.一种航空发动机叶片机器人磨削烧伤预测方法，其特征在于，包括：
建立磨削烧伤预测模型；
所述磨削烧伤预测模型被配置为将磨削加工参数作为输入量，将磨削烧伤特征值作为状态量，将磨削烧伤程度为输出量；
将工件的磨削加工参数输入所述磨削烧伤预测模型，得到工件的磨削烧伤程度；判断所述工件的磨削烧伤程度，并根据判断结果，将所述工件的磨削加工参数与磨削烧伤临界阈值进行比较，根据比较结果调整所述工件的磨削加工参数。
2.根据权利要求1所述的一种航空发动机叶片机器人磨削烧伤预测方法，其特征在于：建立磨削烧伤预测模型包括如下步骤：
安装用于测量的多个传感器，建立叶片机器人砂带磨削加工过程多传感器监控系统；
进行不同加工参数下的叶片磨削加工实验，每次实验均检测磨削烧伤程度，并通过多传感器监控系统采集磨削力及声发射信号之类的多传感信息；
对每次实验采集的所述多传感信息采用融合算法进行融合，得到相应的多传感融合信息；使用特征提取算法对每次实验对应的所述多传感融合信息进行分析处理，得到多传感信息的磨削烧伤特征向量，其包含多个特征值；
从实验的结果中抽取若干烧伤和未烧伤样本和其对应的特征向量，构成磨削烧伤预测模型的训练集；
以磨削加工参数为输入量，磨削烧伤特征值为状态量，磨削烧伤程度为输出量，建立基于深度学习的所述磨削烧伤预测模型，并用训练集训练该模型；
利用训练好的磨削烧伤预测模型预测尽可能多的磨削加工参数组合下的磨削烧伤程度，得到磨削烧伤临界阈值。
3.根据权利要求1所述的一种航空发动机叶片机器人磨削烧伤预测方法，其特征在于：所述工件的磨削烧伤程度分为高、中、低三档，若判断工件的烧伤程度处于高或中档，则将工件的磨削加工参数与磨削烧伤临界阈值进行比较，根据比较结果调整工件的磨削加工参数，若所述工件的磨削加工参数大于所述磨削烧伤临界阈值，则修改所述工件的磨削加工参数。
4.根据权利要求2所述的一种航空发动机叶片机器人磨削烧伤预测方法，其特征在于：还包括，获取工件加工过程中的磨削力信号、振动信号和声发射信号，对所述磨削力信号、所述振动信号和所述声发射信号进行处理得到工件的多传感融合信息；
对所述工件的多传感融合信息进行分析处理，得到工件的磨削烧伤特征值。
5.根据权利要求4所述的一种航空发动机叶片机器人磨削烧伤预测方法，其特征在于：还包括，根据所述磨削烧伤预测模型，判断工件在不同加工参数下的磨削烧伤程度，得到磨削烧伤临界参数。
6.根据权利要求5所述的一种航空发动机叶片机器人磨削烧伤预测方法，其特征在于：根据所述工件的磨削加工参数输入所述磨削烧伤预测模型得到的烧伤程度判断结果，得到恰好未烧伤的所述工件的磨削加工参数，即为所述磨削烧伤临界阈值。
7.一种航空发动机叶片机器人磨削烧伤预测装置，其特征在于，包括：
获取单元：获取工件的磨削加工参数；
处理单元：将所述工件的磨削加工参数输入到磨削烧伤预测模型，得到工件的磨削烧伤程度；判断所述工件的磨削烧伤程度，并根据判断结果，将所述工件的磨削加工参数与磨削烧伤临界阈值进行比较；
确定单元：根据所述工件的磨削加工参数与磨削烧伤临界阈值的比较结果，确定所述工件的最优磨削加工参数。
8.根据权利要求7所述的一种航空发动机叶片机器人磨削烧伤预测装置，其特征在于：所述磨削烧伤预测模型被配置为将磨削加工参数作为输入量，将磨削烧伤特征值作为状态量，将磨削烧伤程度作为输出量。
9.根据权利要求8所述的一种航空发动机叶片机器人磨削烧伤预测装置，其特征在于：若所述工件的磨削加工参数大于所述磨削烧伤临界阈值，则修改所述工件的磨削加工参数。
10.根据权利要求9所述的一种航空发动机叶片机器人磨削烧伤预测装置，其特征在于：获取工件加工过程中的磨削力信号、振动信号、声发射信号，对所述磨削力信号、所述振动信号和所述声发射信号进行处理得到工件的多传感融合信息，对所述工件的多传感融合信息进行分析处理，得到工件的磨削烧伤特征值。
技术总结