(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210574445.5 (22)申请日 2022.05.25 (71)申请人 沈阳工业大 学 地址 110870 辽宁省沈阳市经济技 术开发 区沈辽西路1 11号 (72)发明人 姜兴宇　李家振　徐思迪　刘同明　 陈克强　邓建超　杨国哲　刘伟军　 (74)专利代理 机构 北京展翅星 辰知识产权代理 有限公司 1 1693 专利代理师 王文生 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种基于机理与数据驱动的发动机缸盖铣 削表面质量预测方法 (57)摘要 本发明涉及一种基于机理与数据驱动 的发 动机缸盖铣 削表面质量预测方法， 属于自动化预 测技术领域。 包括如下步骤： 确定缸盖铣削表面 质量关键评价指标及影 响因素； 采集工艺参数及 表面粗糙度值， 结合缸盖铣削力学状态构建基于 半解析法、 热源法的铣削力与热机理模型， 获取 状态变量数据， 预处理后存储至历史数据库； 构 建基于ADE算法优化SVR的表面粗糙度预测模型， 将工艺参数与机理模型输出状态变量数据作数 据驱动模型输入， 表面粗糙度值作输出， 利用历 史数据训练得到SVR最优参数组合； 利用实时工 艺参数及机理模型输出状态变量数据预测铣削 表面粗糙度。 具有模型状态表征能力强、 状态变 量数据获取成本低的优点， 可实现缸盖铣削表面 质量精准预测。 权利要求书2页 说明书11页 附图8页 CN 114818201 A 2022.07.29 CN 114818201 A 1.一种基于机理与数据驱动的发动机缸盖铣削表面质量预测方法， 其特征在于， 包括 以下步骤： (1)根据缸盖生产条件确定表面粗糙度为铣削表面质量关键评价指标， 利用表面粗糙 度仪测得缸盖铣削表面粗糙度， 并基于金属 铣削表面形成机理识别铣削三要素铣削速度、 每齿进给量、 背吃刀量及过程状态变量 铣削力、 铣削热为关键影响因素； (2)考虑到缸盖生产中利用传感器收集铣削力及铣削热数据成本高的特点， 构建基于 半解析法的铣削力机理模型和基于热源法的铣削热机理模型， 探究缸盖铣削机理， 机理模 型输出为根据当前工艺参数下的瞬时铣削力及铣削热数据， 并将铣削过程所收集工艺参 数、 机理模型输出过程状态变量数据及测得表面粗糙度值构建数据集存储至历史数据库 中； (3)将机理模型输出的铣削力及铣削热数据 结合当前对应铣削三要素作为数据驱动模 型输入， 测量得到缸盖铣削表面粗糙度值为模型输出， 构建基于自适应差分进化算法优化 SVR的铣削表面 粗糙度预测模型， 并初步确定预测模型参数 范围； (4)利用铣削过程获取实时数据预测缸盖铣削表面粗糙度值， 比较模型输出表面粗糙 度值与实际测量值间误差是否符合要求， 若不符合精度要求， 则 返回步骤(2)， 重新构建机 理模型及数据驱动模型； 若符合精度要求， 则进一步判断表面粗糙度值是否符合生产质量 需求， 并对预测结果不佳的工艺参数 组合及时调整， 同时， 将实时状态数据集导入至历史数 据库中， 用作预测模型训练。 2.如权利要求1所述的基于机理与数据驱动的发动机缸盖铣削表面质量预测方法， 其 特征在于： 步骤(1)中确定表 面粗糙度为缸盖铣削表 面质量评价指标， 原因是缸盖表面粗糙 度测量成本低、 状态表征能力强， 且属于可量化性指标， 同时， 基于金属表面形成机理识别 铣削三要素及铣削力、 铣削热 数据为铣削表面质量关键影响因素。 3.如权利要求1所述的基于机理与数据驱动的发动机缸盖铣削表面质量预测方法， 其 特征在于： 步骤(2)包括如下子步骤： (21)综合考虑铣削的剪切机制和犁切机制， 将N个刀片的切削刃沿轴线方向微分并离 散为M个微元， 求得刀片坐标系上第j个切削刃上第k个切削微元的瞬时切削力表达式； (22)将铣刀刀片坐标系内的微元铣削力转换到刀具坐标系内， 并沿轴线方向积分， 对N 个铣削刃上铣削力求和， 得到作用在铣刀上三个方向的瞬时铣削力； (23)基于快速标定法辨识铣削力系数， 通过若干次铣削实验测得三向铣削力的平均值 反求铣削力系数； (24)在已知铣削加工中的每齿进给量、 背吃刀量等参数情况下， 可快速计算工件表面 所受三向瞬时铣削力及铣削合力； (25)通过导热微分方程求解瞬时点热源所产生温度场， 并计算将线热源微分离散为无 数个微元点时产生的温度场； (26)推导移动有限大面热源所产生温度场， 并迭加各个面热源温度场， 采用镜像法获 得温度场边界条件解， 求得铣削表面温度场任意 点的瞬时温度。 4.如权利要求1所述的基于机理与数据驱动的发动机缸盖铣削表面质量预测方法， 其 特征在于： 步骤(3)包括如下子步骤： (31)将机理模型输出的铣削力及铣削热数据结合当前对应铣削三要素数据采用最大权　利　要　求　书 1/2 页 2 CN 114818201 A 2最小法归一 化处理， 处理后的变量数据分布在[0,1]范围内； (32)选取SVR用作回归预测， 并初步确定支持 向量回归机内部三个参数范围， 缩小搜索 空间； (33)DE算法内部参数缩放因子F和交叉概率CR分别按照下式自适应变化， 并利用自适 应差分进化 算法对支持向量回归 模型寻优； 式中， 函数定义域为( ‑∞， +∞)， 值域为( ‑1,1)， 式中， CRmax为最大交叉概率， CRmin为最 小交叉概 率， 交叉概 率CR在CRmax和CRmin范围内变化， (34)将训练数据寻优得到的SVR模型内部参数确定为最佳参数组合， 通过输入实时工 艺参数及状态变量数据预测缸盖铣削表面 粗糙度值。 5.如权利要求1所述的基于机理与数据驱动的发动机缸盖铣削表面质量预测方法， 其 特征在于： 利用缸盖生产实际样本数据验证预测模型输出精度， 并通过分析算法运算时间 及实际值与预测值间的残差以评估预测模型 的性能， 若预测模型精度未达到误差要求， 则 返回步骤(2)、 (3)， 重新计算 铣削机理模型， 并训练数据驱动模型， 寻找最佳模型参数组合。权　利　要　求　书 2/2 页 3 CN 114818201 A 3