加工工艺模型的优化学习方法

在实际的零件加工现场，有经验的操作人员可以根据自己观测到的加工状态信息如加工中产生的噪声、工件表面的纹理等判断加工过程是否合理，进而对工件的加工顺序、工艺参数或装夹方式等进行优化，同时，还可以对是否需要进行补偿加工或修正等进行判断。在新的零件批产之前，通过上述试切过程，不断改进工艺与参数，最终实现固化。

工艺模型的学习优化即参考了上述人工试切的方法，将人工的观测改为由传感器进行监测，将根据人工经验的优化改为由机器实现优化。如图4.1所示，在智能加工系统中，对于一个新的零件，一般首先结合经验数据和仿真优化方法给出较优的工艺参数。然后，采用传感器进行实际加工过程的监测，并建立监测数据与零件的加工时序和位置的映射，从而准确分析加工中存在的问题。在此基础上，采用设定的优化模型对加工过程进行优化，并将优化结果用于下一件产品的加工中。在接下来的一件产品的加工过程中，继续应用上述方法进行优化。最终，通过上述过程的反复应用，获得逐渐趋于稳定的、可以较为准确描述特定工件加工过程的工艺模型和工艺参数。

图4.1　工艺模型学习优化方法的一般流程(www.xing528.com)

上述学习优化方法可以应用于加工中的多个场景，包括加工工艺参数的优化、工艺系统模型参数的确定、变形误差补偿系数的确定等。上述过程的迭代，可以使工艺模型越用越好用，越用越准确。