用于钛合金叠层构件铰孔工艺参数持续优化的方法及装置

1.本技术涉及数控加工技术领域，具体涉及一种用于钛合金叠层构件铰孔工艺参数持续优化的方法、装置及计算机存储介质。


背景技术：

2.飞机装配过程需要大量的连接孔，以用于装配连接。例如，大型商用飞机的三个机身段之间的连接需要大约10000个连接孔，机翼之间连接需要大约8000个孔。与此同时，大量的铰孔次数也大大增加了由于铰孔质量不合格而引起的报废零件数量，大幅增加了生产成本。据统计，飞机装配作业中报废的零件约有60％是由于铰孔质量不合格而导致的。铰孔质量的高低也影响着飞机的可靠性和飞机寿命。据报道，70％的飞机机体疲劳失效发生在连接部位，其中约80％的疲劳裂纹发生于连接孔上。由此可见，飞机装配孔的加工质量直接影响到飞机生产成本、装配质量以及飞行可靠性。
3.随着钛合金叠层构件在飞机结构用量上的大幅提高，钛合金叠层构件的铰孔效率和质量逐渐成为了飞机装配过程中的研究热点。为保证连接孔的同轴度和加工效率，通常采用同一参数对钛合金叠层构件进行一体铰孔。在采用同一参数进行一体铰孔的过程中，会出现不同程度的入口撕裂、钛合金出口毛刺、孔径偏差等质量缺陷。加工孔的工艺参数对不同质量缺陷的影响不同，甚至存在矛盾，难以找到合适的参数使得各个质量缺陷均达到最小。


技术实现要素：

4.为了解决飞机装配过程中，钛合金叠层构件一体化铰孔中工艺参数选择主观性大、工艺控制粗糙，严重影响装配质量与效率等问题，本技术提供了一种用于钛合金叠层构件铰孔工艺参数持续优化的方法，包括：
5.对获得的工艺参数数据以及对应的质量指标数据进行预处理；
6.使用预处理后的所述工艺参数数据和对应的所述质量指标数据，对lstm模型进行训练和验证，从而获得目标函数模型；
7.根据设定的约束条件，通过遗传算法对所述目标函数模型进行求解，以获得优化的工艺参数。
8.根据本技术的一些实施例，所述预处理包括：数据清洗、数据缺失值处理、数据归一化处理。
9.根据本技术的一些实施例，所述对lstm模型进行训练和验证包括：
10.将预处理后的所述工艺参数数据和对应的所述质量指标数据进行分类，获得训练数据集和测试数据集；
11.利用所述训练集数据对所述lstm模型进行训练；
12.利用所述测试数据集对所述目标函数模型进行测试和验证。
13.根据本技术的一些实施例，所述对lstm模型进行训练和验证还包括：
14.根据训练过程中的误差指标来对所述目标函数模型进行优化。
15.根据本技术的一些实施例，所述对所述目标函数模型进行优化包括：对所述目标函数模型进行参数调整、学习率选择和/或正则化。
16.根据本技术的一些实施例，所述对lstm模型进行训练和验证还包括：
17.采用均方误差、平均绝对误差和/或相关系数指标来评估所述目标函数模型的预测效果。
18.根据本技术的一些实施例，所述工艺参数数据包括以下中的一种或多种：
19.刀具寿命、主轴转速、每转进给量、压力脚压力、铰刀直径公差、刀长、铰刀主偏角和后角、加工余量、冷却液和润滑液的种类。
20.根据本技术的一些实施例，所述质量指标数据包括以下中的一种或多种：孔径、出口毛刺高度和孔壁粗糙度。
21.根据本技术的一些实施例，所述的方法还包括：
22.根据工艺参数试验的结果，确定可进行优化的所述工艺参数数据；
23.获得不同的所述工艺参数数据对应的所述质量指标数据。
24.根据本技术的另一方面，还提供了一种用于钛合金叠层构件铰孔工艺参数持续优化的装置，包括：
25.数据预处理模块，用于对获得的工艺参数数据以及对应的质量指标数据进行预处理；
26.模型构建模块，用于使用预处理后的所述工艺参数数据和对应的所述质量指标数据，对lstm模型进行训练和验证，从而获得目标函数模型；
27.参数求解模块，用于根据设定的约束条件，通过遗传算法对所述目标函数模型进行求解，以获得优化的工艺参数。
28.本技术提供的用于钛合金叠层构件的铰孔工艺参数持续优化方法，通过对采集的工艺参数数据和质量指标数据，进行lstm模型训练，构建了工艺参数数据与质量指标数据之间的关联模型，能够准确、可靠地反应两者之间的关联关系，为工艺参数优化提供了高质量的模型基础。
附图说明
29.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图，而并不超出本技术要求保护的范围。
30.图1示出了根据本技术示例实施例的叠层构件铰孔工艺参数持续优化总体过程示意图；
31.图2示出了根据本技术示例实施例的叠层构件铰孔工艺参数持续优化方法流程图；
32.图3示出了根据本技术示例实施例的工艺参数持续优化求解过程示意图；
33.图4a示出了根据本技术另一示例实施例的叠层构件铰孔工艺参数持续优化方法流程图；
34.图4b示出了图4a中的叠层构件铰孔工艺参数持续优化方法执行过程示意图；
35.图5示出了根据本技术示例实施例的叠层构件铰孔工艺参数持续优化装置框图；
36.图6示出了根据本技术另一示例实施例的叠层构件铰孔工艺参数持续优化装置框图；
37.图7示出了根据本技术另一示例实施例的电子设备示意图。
具体实施方式
38.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
39.本技术的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述预定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
40.在本文中提及“实施例”意味着，结合实施例描述的预定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
41.叠层构件反应了不同材料的优异特性，在飞机制造工程中应用越来越广泛。但是叠层构件一体化铰孔存在质量差、缺陷种类多等问题，而且目前的工艺参数选择主观性大、工艺控制粗糙，严重影响装配质量与效率。此外，由于钛合金为强度高、热导率低的难切削材料，在加工过程中易出现毛刺、飞边、孔径不圆等缺陷，有必要针对钛合金叠层构件的铰孔工艺参数进行优化，避免孔撕裂、分层、孔壁粗糙度、孔径偏差、出口毛刺等质量缺陷，从而在保证铰孔效率和加工成本的前提下改善铰孔质量。
42.为改善铰孔(例如铰孔)质量，通常需要进行大量的工艺实验来寻求工艺参数和产品质量的关系，即，建立铰孔工艺参数与铰孔质量之间的关联模型。在数据处理和模型构建过程中，存在数据量巨大、模型结构复杂、适应性低等问题。例如，传统的经验建模技术中，采用二阶非线性响应面法求得主轴转速、进给速度和钻顶角与分层因子之间的关联模型，或是通过指数模型建立了孔壁表面粗糙度与切向力之间的模型，并利用切向力与工艺参数之间的关系，转化得到孔壁表面粗糙度与工艺参数(转速、进给、顶角)的指数模型。现有的关联模型在适用性和准确性上存在局限性；同时，在添加工艺参数时，模型改进上也并不方便。因此为了提高关联模型的实用性、准确性，并且简化优化过程的数据量，本技术提供了一种用于钛合金叠层构件铰孔工艺参数持续优化的方法，该方法采用改进的神经网络来拟合铰孔参数与铰孔质量之间的关联关系，从而建立关联模型，并作为铰孔工艺参数优化的目标函数，对铰孔工艺参数进行持续优化，从而提高铰孔工艺参数优化的准确性和可靠性。
43.下面将结合附图，详细介绍本技术的技术方案。
44.图1示出了根据本技术示例实施例的叠层构件铰孔工艺参数持续优化总体过程示
意图。
45.在本技术提供的钛合金叠层构件铰孔工艺参数持续优化方案中，首先根据工艺参数试验的结果，确定可进行优化的工艺参数。以铰孔为例，如图1所示，工艺参数试验的过程可以包括对工艺参数进行离散化、确定实验方案、实施铰孔实验等。
46.铰孔工艺参数试验中，实验参数可以在决策空间的范围内进行选择。例如，主轴转速s可在500r/min～1800r/min的范围内进行选择，每转进给量fr可以在0.01mm/r～0.2mm/r的范围内进行选择，钻顶角φ可以在90
°
～140
°
的范围内进行选择。在本技术的一些实施例中，铰孔工艺参数试验过程中选取三种不同型号的铰刀，并针对不同的冷却液和润滑液进行实验测试。每个工艺参数各自至少设置3个不同的水平，并且均匀分布在决策空间内。
47.根据本技术的示例实施例，经过工艺参数试验，所确定的可优化的工艺参数包括刀具寿命、主轴转速、每转进给量、压力脚压力、铰刀直径公差、刀长、铰刀主偏角和后角、加工余量、冷却液和润滑液的种类等。
48.确定可优化的工艺参数之后，可以采集不同工艺参数数据对应的质量结果，对铰孔质量进行评价。例如，可以测量多个铰孔质量指标，包括但不限于孔径、出口毛刺高度以及孔壁粗糙度等。
49.根据本技术的一些实施例，孔径测量可以通过三点式内径千分尺、单杆式内径千分尺、卡尺型内径千分尺和涨簧式内径千分表等进行测量。其中，涨簧式内径千分表适合测量统一规格的小孔直径，且一次调整后可测量多个基本尺寸相同的孔而中途无需调整；同时，涨簧测头的外形具有圆形截面，能够较精准地测到不同深度位置上的孔径。使用涨簧式内径千分表进行测量前，可以先利用环规对其进行校准；测量时，一手握住手柄，一手压缩测头，使其合拢，放入被测孔内一定深度后，摆动表架；最大读数就是被测孔径与环规孔径之差，在该深度下的孔径即为最大读数与环规孔径之和。
50.根据本技术的一些实施例，出口毛刺高度的测量可以采用数字式三维视频显微镜。数字式三维视频显微镜可实现360度全方位的观察和实时测量。数字式三维视频显微镜能够进行3d剖面测量，自动对待测工件进行三维建模，得到xyz三轴的数值信息并记录下来，进一步可进行剖面操作，从而测量出毛刺高度。数字式三维视频显微镜还可以进行任意点高度测量，能实时地在2d/3d图像上的任何地方测量出实时高度值，有助于快速测量毛刺高度。
51.根据本技术的一些实施例，关于孔壁粗糙度测量，可以采用干涉法、针描法、比较法和光切法等。其中，利用触针直接在被测表面上轻轻划过的针描法最为普遍。常用的针描法表面粗糙度测量仪适用于平面测量，不适合测量小孔径的孔壁粗糙度。便携式表面粗糙度测量仪的操作比较简单，且触针较小，可将触针伸入到孔内的不同深度，接触圆周最低处，适合测量小孔径的孔壁粗糙度。测量孔壁粗糙度后通常能获得轮廓算术平均偏差ra、微观不平度十点高度rz和轮廓最大高度ry等指标。
52.接下来，根据确定的可优化工艺参数以及测量获得的不同工艺参数下的铰孔质量指标，对采集到的数据进行处理后，通过对铰孔质量与工艺参数的关联性进行分析，建立两者之间的关联模型，并以该模型为目标函数，进行工艺参数优化，最终获得最优的工艺参数。
53.例如，可以对艺参数实验获取的工艺参数数据以及质量指标进行数据处理和分
析，并将其输入到长短时记忆网络(long short-term memory network,lstm)进行学习和分析，从而获得工艺参数与铰孔质量间的映射关系，即，构建出关联模型。lstm网络是一种从递归神经网络(recurrent neural network,rnn)改进而来的神经网络，具有长期记忆、避免梯度消失和梯度爆炸、处理不定长输入序列以及可解释性等优势，适于用于序列数据建模，能够学习序列中的长期依赖关系，尤其是在参数特征的提取和模型构建方面具有强大优势。采用lstm神经网络来拟合工艺参数和质量指标之间的关系，并作为后续优化的目标函数模型，能够获得更加准确和可靠的优化结果。采用lstm神经网络建立目标函数模型后，可以根据需求设定约束条件，从而获得参数优化模型。采用遗传算法对参数优化模型进行求解后，便可获得最后的工艺参数。
54.图2示出了根据本技术示例实施例的叠层构件铰孔工艺参数持续优化方法流程图。
55.根据本技术的一些实施例，提供了一种用于钛合金叠层构件的铰孔工艺参数持续优化方法。参见图2，该方法包括以下步骤。
56.在步骤s210，对获得的工艺参数数据以及对应的质量指标数据进行预处理。根据本技术的一些实施例，预处理可以包括：数据清洗、数据缺失值处理、数据归一化处理等。经过对数据进行预处理后，能够提高关联模型的稳定性和准确性，从而保证优化结果的准确性。
57.在步骤s220，使用预处理后的工艺参数数据和对应的质量指标数据，对lstm模型进行训练和验证，从而获得目标函数模型。
58.根据本技术的一些实施例，工艺参数可以包括刀具寿命、主轴转速、每转进给量、压力脚压力、铰刀直径公差、刀长、铰刀主偏角和后角、加工余量、冷却液和润滑液的种类等，质量指标数据可以包括孔径、毛刺以及粗糙度等性能指标。
59.根据本技术的一些实施例，在目标函数模型建立过程中，可以先将预处理后的工艺参数数据和对应的质量指标数据进行分类，获得训练数据集和测试数据集。根据本技术的一些实施例，可以利用训练集数据来对lstm模型进行训练；根据本技术的一些实施例，还可以根据训练过程中的误差指标来对目标函数模型进行优化。例如，目标函数模型优化可以包括超参数的调整、学习率的选择、正则化等，从而提高模型的泛化能力和准确性。在训练过程中，lstm可以学习到铰孔工艺参数与性能指标之间的复杂非线性关系，从而建立相应的模型。
60.根据本技术的一些实施例，可以利用测试数据集对构建的目标函数模型进行测试和验证，以确保该模型的性能。例如，可以采用均方误差、平均绝对误差、相关系数等指标来评估目标函数模型的预测效果。在预测过程中，可以将新的工艺参数输入到模型中，得到对应的性能指标预测结果，从而来优化铰孔工艺参数设计。
61.根据本技术的一些实施例，还可以根据数据采集的时间间隔和采样频率、数据异常值和噪声，对目标函数模型进行周期性的更新和维护，以提高模型的稳定性和可靠性，从而适应实际需求的变化。
62.在步骤s230，根据设定的约束条件，通过遗传算法对目标函数模型进行求解，以获得优化的工艺参数。通过步骤s210和s220建立了工艺参数与质量数据之间的函数模型，接下来，可以根据实际需求来设定约束条件并对函数模型求解，即可获得优化后的铰孔工艺
参数。根据本技术的实施例，采用遗传算法对目标函数模型进行求解。当铰孔刀具使用一段时间后，可以根据刀具寿命重新进行参数优化，以得到刀具磨损下的最优工艺参数，从而实现铰孔质量的持续优化。图3示出了根据本技术示例实施例的工艺参数持续优化求解过程示意图。参见图3，在获取目标函数模型和相关约束条件之后，首先可以进行初始化种群。例如，可以根据铰孔工艺参数优化的特点和要求，通过合适的编码方式，生成一定数量的初始个体，即初始种群。根据本技术的一些实施例，初始化种群的相关参数可以设置为：初始种群数量1000，迭代次数50次，交叉概率0.8，变异概率0.2，最优前端个体系数0.2等，但不申请不限于此。
63.接下来，可以对初始化种群进行选择操作。例如，可以利用构建的目标函数模型对初始种群中的每个个体进行适应度函数值进行计算，并根据适应度大小选择最优个体，以便获得最优目标函数值。在种群迭代的过程中，可以获得每一代的最优个体和最优目标函数值。
64.从选择的个体中，可以随机选择两个个体，并通过一定的方式对其进行交叉操作，以将其基因进行交叉，从而生成新的下一代个体。根据本技术的一些实施例，还可以对新生成的下一代个体进行一定概率的基因变异操作，以增加种群的多样性和探索新解的能力。
65.根据本技术的一些实施例，可以重复上述步骤，通过迭代生成新一代的种群，直到满足结束条件为例，即，满足工艺参数优化的约束条件。迭代过程结束后，可以从最后一代种群中选择适应度最高的个体作为最终的最优解进行输出，即，输出经过优化的工艺参数。
66.在本技术提供的用于钛合金叠层构件的铰孔工艺参数持续优化方法过程中，通过对目标函数模型进行求解，获得了钛合金叠层铰孔目标函数模型的解集。通过对相关铰孔工艺参数进行迭代、优化，基于获取的影响铰孔质量的工艺参数与铰孔质量的关联关系，通过遗传算法分析主轴转速、每转进给量、铰刀型号、加工余量、冷却液和润滑液的种类等工艺参数，实现了铰孔工艺参数的持续优化，得到最优的铰孔工艺参数组合。本技术提供的上述方法可以适用于不同材料以及不同的铰孔工艺。
67.图4a示出了根据本技术另一示例实施例的叠层构件铰孔工艺参数持续优化方法流程图，图4b示出了图4a中的叠层构件铰孔工艺参数持续优化方法执行过程示意图。
68.根据本技术的一些实施例，还提供了一种用于钛合金叠层构件的铰孔工艺参数持续优化方法。参见图4a和4b，该方法除了包括图2中所述的步骤之外，还包括以下步骤。
69.在步骤s410中，根据工艺参数试验的结果，确定可进行优化的工艺参数数据。例如，铰孔工艺参数试验中，实验参数可以在决策空间的范围内进行选择。例如，主轴转速s可在500r/min～1800r/min的范围内进行选择，每转进给量fr可以在0.01mm/r～0.2mm/r的范围内进行选择，钻顶角φ可以在90
°
～140
°
的范围内进行选择。在本技术的一些实施例中，铰孔工艺参数试验过程中选取三种不同型号的铰刀，并针对不同的冷却液和润滑液进行实验测试。每个工艺参数各自至少设置3个不同的水平，并且均匀分布在决策空间内。
70.根据本技术的示例实施例，经过工艺参数试验，所确定的可优化的工艺参数包括刀具寿命、主轴转速、每转进给量、压力脚压力、铰刀直径公差、刀长、铰刀主偏角和后角、加工余量、冷却液和润滑液的种类等。
71.在步骤s420中，获得不同的工艺参数数据对应的质量指标数据。例如，可以采集不同工艺参数影响下的质量结果，对铰孔质量进行评价。根据本技术的一些实施例，可以测量
多个铰孔质量指标，包括但不限于孔径、出口毛刺高度以及孔壁粗糙度等。孔径测量可以通过三点式内径千分尺、单杆式内径千分尺、卡尺型内径千分尺和涨簧式内径千分表等进行测量。出口毛刺高度的测量可以采用数字式三维视频显微镜。孔壁粗糙度可以采用干涉法、针描法、比较法和光切法等来进行测量。
72.图5示出了根据本技术示例实施例的叠层构件铰孔工艺参数持续优化装置框图。
73.根据本技术的一些实施例，提供了一种用于钛合金叠层构件的铰孔工艺参数持续优化装置500。参见图5，装置500包括数据预处理模块510、模型构建模块520、参数求解模块530。
74.预处理模块510主要用于对获得的工艺参数数据以及对应的质量指标数据进行预处理。根据本技术的一些实施例，预处理可以包括：数据清洗、数据缺失值处理、数据归一化处理等。经过对数据进行预处理后，能够提高关联模型的稳定性和准确性，从而保证优化结果的准确性。
75.模型构建模块520主要用于使用预处理后的工艺参数数据和对应的质量指标数据，对lstm模型进行训练和验证，从而获得目标函数模型。
76.根据本技术的一些实施例，工艺参数可以包括刀具寿命、主轴转速、每转进给量、压力脚压力、铰刀直径公差、刀长、铰刀主偏角和后角、加工余量、冷却液和润滑液的种类等，质量指标数据可以包括孔径、毛刺以及粗糙度等性能指标。
77.根据本技术的一些实施例，在目标函数模型建立过程中，可以先将预处理后的工艺参数数据和对应的质量指标数据进行分类，获得训练数据集和测试数据集。根据本技术的一些实施例，可以利用训练集数据来对lstm模型进行训练；根据本技术的一些实施例，还可以根据训练过程中的误差指标来对目标函数模型进行优化。例如，目标函数模型优化可以包括超参数的调整、学习率的选择、正则化等，从而提高模型的泛化能力和准确性。在训练过程中，lstm可以学习到铰孔工艺参数与性能指标之间的复杂非线性关系，从而建立相应的模型。
78.根据本技术的一些实施例，可以利用测试数据集对构建的目标函数模型进行测试和验证，以确保该模型的性能。例如，可以采用均方误差、平均绝对误差、相关系数等指标来评估目标函数模型的预测效果。在预测过程中，可以将新的工艺参数输入到模型中，得到对应的性能指标预测结果，从而来优化铰孔工艺参数设计。
79.根据本技术的一些实施例，还可以根据数据采集的时间间隔和采样频率、数据异常值和噪声，对目标函数模型进行周期性的更新和维护，以提高模型的稳定性和可靠性，从而适应实际需求的变化。
80.参数求解模块530主要用于根据设定的约束条件，通过遗传算法对目标函数模型进行求解，以获得优化的工艺参数。通过预处理模块510和模型构建模块520建立了工艺参数与质量数据之间的函数模型，接下来，可以根据实际需求来设定约束条件并对函数模型求解，即可获得优化后的铰孔工艺参数。根据本技术的实施例，采用遗传算法对目标函数模型进行求解。当铰孔刀具使用一段时间后，可以根据刀具寿命重新进行参数优化，以得到刀具磨损下的最优工艺参数，从而实现铰孔质量的持续优化。
81.图6示出了根据本技术另一示例实施例的叠层构件铰孔工艺参数持续优化装置框图。
82.根据本技术的一些实施例，还提供了一种用于钛合金叠层构件的铰孔工艺参数持续优化装置600。参见图6，装置600除了包括图5中所述的模块之外，还包括工艺参数获取模块610和质量指标获取模块620。
83.工艺参数获取模块610主要用于根据工艺参数试验的结果，确定可进行优化的工艺参数数据。例如，铰孔工艺参数试验中，实验参数可以在决策空间的范围内进行选择。例如，主轴转速s可在500r/min～1800r/min的范围内进行选择，每转进给量fr可以在0.01mm/r～0.2mm/r的范围内进行选择，钻顶角φ可以在90
°
～140
°
的范围内进行选择。在本技术的一些实施例中，铰孔工艺参数试验过程中选取三种不同型号的铰刀，并针对不同的冷却液和润滑液进行实验测试。每个工艺参数各自至少设置3个不同的水平，并且均匀分布在决策空间内。
84.根据本技术的示例实施例，经过工艺参数试验，所确定的可优化的工艺参数包括刀具寿命、主轴转速、每转进给量、压力脚压力、铰刀直径公差、刀长、铰刀主偏角和后角、加工余量、冷却液和润滑液的种类等。
85.质量指标获取模块620主要用于获得不同工艺参数数据对应的质量指标数据。例如，可以采集不同工艺参数影响下的质量结果，对铰孔质量进行评价。根据本技术的一些实施例，可以测量多个铰孔质量指标，包括但不限于孔径、出口毛刺高度以及孔壁粗糙度等。孔径测量可以通过三点式内径千分尺、单杆式内径千分尺、卡尺型内径千分尺和涨簧式内径千分表等进行测量。出口毛刺高度的测量可以采用数字式三维视频显微镜。孔壁粗糙度可以采用干涉法、针描法、比较法和光切法等来进行测量。
86.图7示出了根据本技术另一示例实施例的电子设备示意图。
87.本技术还提供一种钛合金叠层构件的铰孔工艺参数持续优化的电子设备700。图7所显示的电子设备700仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
88.如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730等。
89.存储单元720存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书描述的根据本技术上述各实施例的方法。
90.存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(rom)7203。
91.存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
92.总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
93.电子设备700也可以与一个或多个外部设备7001(例如触摸屏、键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调
制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
94.此外，本技术还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述用钛合金叠层构件的铰孔工艺参数持续优化方法。
95.本技术提供的用于钛合金叠层构件的铰孔工艺参数持续优化方法中，通过对采集的工艺参数数据和质量指标数据，进行lstm模型训练，构建了工艺参数数据与质量指标数据之间的关联模型，能够准确、可靠地反应两者之间的关联关系，为工艺参数优化提供了高质量的模型基础；进一步通过遗传算对模型进行迭代求解，从而获得持续优化的铰孔工艺参数。经过优化的工艺参数能够减小铰孔整体质量缺陷，提高叠层构件整体质量，为工艺决策提供准确可靠地依据。
96.以上对本技术实施例进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本技术的方法及其核心思想。同时，本领域技术人员依据本技术的思想，基于本技术的具体实施方式及应用范围上做出的改变或变形之处，都属于本技术保护的范围。综上所述，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种用于钛合金叠层构件铰孔工艺参数持续优化的方法，其特征在于，包括：对获得的工艺参数数据以及对应的质量指标数据进行预处理；使用预处理后的所述工艺参数数据和对应的所述质量指标数据，对lstm模型进行训练和验证，从而获得目标函数模型；根据设定的约束条件，通过遗传算法对所述目标函数模型进行求解，以获得优化的工艺参数。2.根据权利要求1所述的方法，其特征在于，所述预处理包括：数据清洗、数据缺失值处理、数据归一化处理。3.根据权利要求1所述的方法，其特征在于，所述对lstm模型进行训练和验证包括：将预处理后的所述工艺参数数据和对应的所述质量指标数据进行分类，获得训练数据集和测试数据集；利用所述训练集数据对所述lstm模型进行训练；利用所述测试数据集对所述目标函数模型进行测试和验证。4.根据权利要求3所述的方法，其特征在于，所述对lstm模型进行训练和验证还包括：根据训练过程中的误差指标来对所述目标函数模型进行优化。5.根据权利要求4所述的方法，其特征在于，所述对所述目标函数模型进行优化包括：对所述目标函数模型进行参数调整、学习率选择和/或正则化。6.根据权利要求3所述的方法，其特征在于，所述对lstm模型进行训练和验证还包括：采用均方误差、平均绝对误差和/或相关系数指标来评估所述目标函数模型的预测效果。7.根据权利要求1所述的方法，其特征在于，所述工艺参数数据包括以下中的一种或多种：刀具寿命、主轴转速、每转进给量、压力脚压力、铰刀直径公差、刀长、铰刀主偏角和后角、加工余量、冷却液和润滑液的种类。8.根据权利要求1所述的方法，其特征在于，所述质量指标数据包括以下中的一种或多种：孔径、出口毛刺高度和孔壁粗糙度。9.根据权利要求1-8中任一项所述的方法，其特征在于，还包括：根据工艺参数试验的结果，确定可进行优化的所述工艺参数数据；获得不同的所述工艺参数数据对应的所述质量指标数据。10.一种用于钛合金叠层构件铰孔工艺参数持续优化的装置，其特征在于，包括：数据预处理模块，用于对获得的工艺参数数据以及对应的质量指标数据进行预处理；模型构建模块，用于使用预处理后的所述工艺参数数据和对应的所述质量指标数据，对lstm模型进行训练和验证，从而获得目标函数模型；参数求解模块，用于根据设定的约束条件，通过遗传算法对所述目标函数模型进行求解，以获得优化的工艺参数。

技术总结
本申请提供一种用于钛合金叠层构件铰孔工艺参数持续优化的方法，包括：对获得的工艺参数数据以及对应的质量指标数据进行预处理；使用预处理后的所述工艺参数数据和对应的所述质量指标数据，对LSTM模型进行训练和验证，从而获得目标函数模型；根据设定的约束条件，通过遗传算法对所述目标函数模型进行求解，以获得优化的工艺参数。通过对采集的工艺参数数据和质量指标数据，进行LSTM模型训练，构建了工艺参数数据与质量指标数据之间的关联模型，能够准确、可靠地反应两者之间的关联关系，为工艺参数优化提供了高质量的模型基础。工艺参数优化提供了高质量的模型基础。工艺参数优化提供了高质量的模型基础。


技术研发人员：梁彪 赵子钊 肖君杰 刘雄英 张开富
受保护的技术使用者：西北工业大学
技术研发日：2023.06.01
技术公布日：2023/9/20