(19)中华 人民共和国 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 202111330537.0 (22)申请日 2021.11.11 (71)申请人 江苏科技大学 地址 212008 江苏省镇江市丹徒区长晖路 666号 (72)发明人 李国超　陆洁　刘志刚　陈建志　 孙丽　史肖娜　周宏根　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 张婧 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/10(2020.01) (54)发明名称 一种基于机器学习及大数据的整体刀具刃 磨工艺求解方法 (57)摘要 本发明公开了一种基于机器学习及大数据 的整体刀具刃磨工艺求解方法， 建立砂轮固连和 刀具棒料固连坐标系； 确定容屑槽加工工艺参数 取值范围， 建立容屑槽刃磨工艺大数据， 对所有 数据根据特征进行归一化处理， 建立容屑槽加工 工艺多输 出回归模型， 求解整体刀槽刃磨工艺参 数， 输入所设计的容屑槽轮廓端截面线的容屑槽 特征参数即可 获得刃磨工艺参数。 本发明具有良 好的求解精度、 求解效率以及适用性， 适合不同 形状容屑槽刃磨工艺参数的快速求解， 并且实现 砂轮位姿以及砂轮形状的组合求解， 有效提升整 体式刀具的制造效率和精度。 权利要求书1页 说明书4页 附图2页 CN 114048565 A 2022.02.15 CN 114048565 A 1.一种基于机器学习及大数据的整体刀具刃磨工艺求解方法， 其特征在于， 包括如下 步骤： 步骤(1)： 建立砂轮固连坐标系OW‑XWYWZW和刀具棒料固连坐标系OT‑XTYTZT， 其中OW为砂 轮端面原点， XW、 YW位于砂轮端面上， ZW与砂轮轴线重合， XW、 YW、 ZW三者之间构成笛卡尔坐标 系； OT为刀具端面原点， XT、 YT位于刀具端面上， ZW与刀具轴线重合， XT、 YT、 ZT三者之间构成笛 卡尔坐标系； 步骤(2)： 确定容屑槽加工工艺参数取值范围， 加工工艺参数包括砂轮轴线向量ZW与刀 具棒料轴线向量ZT之间的角度Δαx、 砂轮坐标系原点OW到YT轴之间的距离Δx、 砂轮坐标系 原点OW到XT轴之间的距离 Δy、 砂轮半径gr、 砂轮锥角 θW和砂轮厚度BW； 步骤(3)： 建立容屑槽刃磨工艺大数据， 对加工工艺参数在取值范围内进行均匀离散为 n个值， 获得具有n6条数据的大数据集， 每条数据包括6个已知加工工艺参数以及求解所得 的至少m个容屑槽特 征参数， m＞20； 步骤(4)： 对所有数据根据特 征进行归一 化处理； 步骤(5)： 建立 容屑槽加工 工艺多输出回归 模型； 步骤(6)： 求解整体刀槽刃磨工艺参数， 输入所设计的容屑槽轮廓端截面线， 并将该容 屑槽轮廓端截面线均匀离散为2m个点， m为容屑槽特征参数的个数， 每2个点之间的欧式距 离构成一个特征， 形成m个容屑槽特征参数， 将m个容屑槽特征参数输入到步骤(5)建立的容 屑槽加工 工艺多输出回归 模型， 即可获得6个刃磨工艺 参数。 2.根据权利要求1所述的一种基于机器学习及大数据的整体刀具刃磨工艺求解方法， 其特征在于： 所述步骤(3)中容屑槽特征参数指将容屑槽端截面线均匀离散为68个点， 每2 个点之间的欧式距离构成一个特 征。 3.根据权利要求1所述的一种基于机器学习及大数据的整体刀具刃磨工艺求解方法， 其特征在于： 所述步骤(4)中归一化处理函数为 其中x代表一个特征， xmax代 表该特征对应的n6条数据中的最大值， xmin代表该特征对应的n6条数据中的最小值。 4.根据权利要求1所述的一种基于机器学习及大数据的整体刀具刃磨工艺求解方法， 其特征在于： 所述步骤(5)中建立容屑槽加工工艺多输出回归模型采用神经网络算法， 网络 输入层为m个容屑槽特征， 输出层为6个加工工艺参数， 隐藏层包括6层， 各层之间为全连接 层， 第一隐藏层包括384个神经元， 第二隐藏层 包括192个神经元， 第三隐藏层包括96个神经 元， 第四隐藏层包括48个神经元， 第五隐藏层包括24个神经元， 第六隐藏层包括12个神经 元， 激活函数为Sigmo id函数。 5.根据权利要求1所述的一种基于机器学习及大数据的整体刀具刃磨工艺求解方法， 其特征在于： 所述 步骤(3)中容屑槽特 征参数的数量m为34。权　利　要　求　书 1/1 页 2 CN 114048565 A 2一种基于机 器学习及大数据的整体刀具刃磨工艺求 解方法 技术领域 [0001]本发明涉及整体刀具容屑槽的刃磨工艺求解方法， 尤其涉及一种基于机器学习及 大数据的整体刀具刃磨工艺 求解方法。 背景技术 [0002]容屑槽是立铣刀、 钻头、 铰刀等整体刀具的重要结构之一， 容屑槽决定了切削刃的 强度和锐度， 以及切屑去除能力。 容屑槽空间表面复杂， 毛坯硬度大， 需要用五轴磨床进行 加工。 随着各种容屑槽几何形状的出现， 如何通过设置砂轮位置和几何形状等关键加工参 数来获得理想的容屑槽几何形状， 已成为容屑槽加工和刀具加工中迫切需要解决的问题。 根据容屑槽设计形状求解砂轮形状、 砂轮相对刀具棒料位置等工艺参数， 是实现整体式刀 具高效生产的必要条件， 但目前传统通过迭代求解或试错的方式具有超越方程无法求解、 迭代算法求解时间长、 精度低、 适应性差等缺点， 已经无法满足现代刀具容屑槽的加工需 求。 [0003]因此， 亟待解决上述问题。 发明内容 [0004]发明目的： 本发明的目的提供一种基于机器学习及大数据的整体刀具刃磨工艺求 解方法， 可满足整体刀具容屑槽形状多样化、 复杂化、 精确化 等加工要求。 [0005]本发明公开了一种基于机器学习及大数据的整体刀具刃磨工艺求解方法， 包括如 下步骤： [0006]步骤(1)： 建立砂轮固连坐标系OW‑XWYWZW和刀具棒料固连坐标系OT‑XTYTZT， 其中OW 为砂轮端面原点， XW、 YW位于砂轮端面上， ZW与砂轮轴线重合， XW、 YW、 ZW三者之间构成笛卡尔 坐标系； OT为刀具端面原点， XT、 YT位于刀具端面上， ZW与刀具轴线重合， XT、 YT、 ZT三者之间构 成笛卡尔坐标系； [0007]步骤(2)： 确定容屑槽加工工艺参数取值范围， 加工工艺参数包括砂轮轴线向量   ZW与刀具棒料轴线向量ZT之间的角度Δαx、 砂轮坐标系原点OW到YT轴之间的距离Δx、 砂轮 坐标系原点OW到XT轴之间的距离 Δy、 砂轮半径gr、 砂轮锥角 θW和砂轮厚度BW； [0008]步骤(3)： 建立容屑槽刃磨工艺大数据， 对加工工艺参数在取值范围内进行均匀离 散为n个值， 获得具有n6条数据的大数据集， 每条数据包括6个已知加工工艺参数以及求解 所得的至少m个容屑槽特 征参数， m＞20； [0009]步骤(4)： 对所有数据根据特 征进行归一 化处理； [0010]步骤(5)： 建立 容屑槽加工 工艺多输出回归 模型； [0011]步骤(6)： 求解整体刀槽刃磨工艺参数， 输入所设计 的容屑槽轮廓端截面线， 并将 该容屑槽轮廓端截面线均匀离散为2m个点， m为容屑槽特征参数的个数， 每2个点之间的欧 式距离构成一个特征， 形成m个容屑槽特征参数， 将m个容屑槽特征参数输入到步骤(5)建立 的容屑槽加工 工艺多输出回归 模型， 即可获得6个刃磨工艺 参数。说　明　书 1/4 页 3 CN 114048565 A 3