用于机床焊接床身的主频叠振时效处理方法与流程

本发明涉及焊接结构件接内应力时效处理方法，尤其是涉及用于机床焊接床身的主频叠振时效处理方法。

背景技术：

时效处理是降低机床焊接结构件内应力、提高机床精度保持性的关键环节之一。对于高精度保持性的机床焊接床身，研究制定优质、节能、环保、安全可靠的热时效工艺、主频振动时效工艺及各种时效技术的组合，对降低焊接床身残余应力和提高精度保持性是必要的。例如，在床身焊接完成之后先进行振动时效，消除高的应力峰值，使焊接床身里的应力分布更加均匀化，保证焊接床身的尺寸稳定性，使得在实际工况条件下不会发生变化，最后再对焊接床身进行精加工。通过实际测量，对比研究不同时效工艺处理前后床身的内应力和尺寸精度的变化规律，充分发挥振动时效增加尺寸稳定性，提高床身精度保持性，形成高精度保持性铸焊结构床身组合时效技术方法，选择最佳振动时效参数对高档数控机床具有重要的指导意义。

目前，传统的振动时效仪的工艺参数主要有激励力、激振频率、激振时间以及支撑点、激振点，对该工艺参数的制定还存在着较大的盲目性，主要是靠经验以及振动现场的扫频实验。例如以亚共振区的频率作为激振频率、根据工件重量的大小来确定激振时间、支撑点一般设置在振幅较小的位置、在振幅最大的地方设置激振点等等。由此可见，振动时效参数的选取都具有一定的经验性，实际应用难度大，故对设备操作者就提出了严格要求，操作者必须是经验丰富的专业人员。在振动时效应用中，经常会发生残余应力消除效果不理想，究其原因，振动时效参数制定不当是其主要原因。

技术实现要素：

本发明目的在于提供一种用于机床焊接床身的主频叠振时效处理方法。

为实现上述目的，本发明采取下述技术方案：

本发明所述用于机床焊接床身的主频叠振时效处理方法，建立所述焊接床身振动时效工艺数据库，形成时效处理参数、时效质量、残余应力大小、焊接床身结构尺寸参数的生产过程数据库记录表，构建专家数据库；然后基于所述专家数据库的振动时效工艺参数，对焊接床身进行主频叠振时效处理，具体步骤为：

第一步，建立工件（焊接床身）特征、振动时效的工艺参数与残余应力质量评测指标的关系型数据库；

第二步，从所述关系型数据库中逐条提取数据写入计算机内存中的结构化表格中，形成所述工件信息、工艺参数和应力数据的“模型训练样本表”；

第三步，根据所述“模型训练样本表”对振动频率的筛选进行主频预测模型训练；在进行振动时效处理时，用户可选择让系统根据新的经验数据重新训练主频预测模型，或选择使用原有的主频预测模型；当用户选择所述重新训练主频预测模型时，系统首先从关系型数据库依次读取经验数据，然后将数据根据“输入”、“输出”进行分类，在计算机内存中生成“输入”、“输出”数据表，生成主频筛选模型，以文件的形式保存所述主频筛选模型数据；

第四步，当用户设置好待振动时效处理工件的基本数据后，系统调用主频筛选模型数据文件，将基本数据作为参数，根据主频筛选模型生成最佳的主振频率和振动时间工艺参数；

第五步，筛选出主振频率后，启动振动直流电机，并结合振动传感器，不断调整所述振动直流电机调速器的电压输出，使得振动频率达到目标值；对工件进行振动时效处理；在振动时效过程中，工控一体机通过与安装在工件上的无线应变传感器实时数据交互，将获取到的实时动应力数据输入到应力评测模型中，该应力评测模型对主频频率进行实时修正，使得振动时效与动应力在线测试构成闭环反馈，从而有效消除工件的残余应力。

第一步中建立的所述专家数据库内容包括工件重量、尺寸、材质、结构特征、激振力、主振频率、支撑位置、夹持位置、振动时间工艺参数以及振动前后的残余应力测试数据。

第三步中，在生成所述主频筛选模型时，需要对输入、输出数据进行预处理，剔除异常的数据，并对不连续数据或文本描述数据进行数字化，然后将处理后的数据进行归一化处理，即采用min-max标准化对原始数据进行线性变换，线性变换公式为：x’=（x-min(x)）/(max(x)-min(x))，使得数据的量纲保持一致。

第三步中，所述主频筛选模型是指根据采用数据集的不同，结合决策树逐层递归建立二叉树链表结构，每一棵二叉树代表这一个历史试样的主振频率，在每棵主频频率二叉树产生的过程中，在每个节点进行分支时都随机地抽取部分特征参与二叉树的分支，然后递归分支，递归分支的过程中，每次都是从剩余的特征中随机抽取部分特征参与分支，最后生成多棵主频预测二叉树；对新输入的振动时效基本参数进行主频预测时，主频筛选模型中的每一棵树都会产生一个预测结果，最终通过少数服从多数的原则确定新输入样本的最优主振频率。

本发明优点在于无需对焊接床身进行振动现场扫频实验，系统即可根据工件的基本特征和时效处理基本工艺需求产生主振频率和振动时长；结合在线实时获取时效工件的动应变拟合评测静态应力，并根据时效处理工艺目标，动态修正振动频率，提高振动时效去除残余应力一次成功率。同时实现在线评测振动时效的效果，从而避免了二次振动时效的工序过程，节约振动时效的功耗。采用基于数据库的工艺过程数据管理，使得历史经验数据可以自动写入系统数据库，不但解决了数据归档问题，也使得智能主频筛选模型、静态应力评测模型可以在线自动训练。

附图说明

图1是实施本发明的硬件布置示意图。

图2是本发明的智能学习算法流程图。

图3是本发明基于动应力在线测试的主频频率修正流程图。

图4是本发明智能模型训练中的数据归一化算法流程图。

图5是本发明所述主频筛选模型算法流程图。

具体实施方式

下面结合附图对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。

如图1-5所示，本发明所述用于机床焊接床身的主频叠振时效处理方法，建立所述焊接床身振动时效工艺数据库，形成时效处理参数、时效质量、残余应力大小、焊接床身结构尺寸参数的生产过程数据库记录表，构建专家数据库；然后基于所述专家数据库的振动时效工艺参数，对焊接床身进行主频叠振时效处理，具体步骤为：

第一步，建立工件（焊接床身）特征、振动时效的工艺参数与残余应力质量评测指标的关系型数据库；

第二步，从所述关系型数据库中逐条提取数据写入计算机内存中的结构化表格中，形成所述工件信息、工艺参数和应力数据的“模型训练样本表”；

第三步，根据所述“模型训练样本表”对振动频率的筛选进行主频预测模型训练；在进行振动时效处理时，用户可选择让系统根据新的经验数据重新训练主频预测模型，或选择使用原有的主频预测模型；当用户选择所述重新训练主频预测模型时，系统首先从关系型数据库依次读取经验数据，然后将数据根据“输入”、“输出”进行分类，在计算机内存中生成“输入”、“输出”数据表，如表1所示；

表1

并生成主频筛选模型，以文件的形式保存所述主频筛选模型数据；

第四步，当用户设置好待振动时效处理工件的基本数据后，系统调用主频筛选模型数据文件，将基本数据作为参数，根据主频筛选模型生成最佳的主振频率和振动时间工艺参数；

第五步，筛选出主振频率后，启动振动直流电机，并结合振动传感器，不断调整所述振动直流电机调速器的电压输出，使得振动频率达到目标值；对工件进行振动时效处理；在振动时效过程中，工控一体机通过与安装在工件上的无线应变传感器实时数据交互，将获取到的实时动应力数据输入到应力评测模型中，该应力评测模型对主频频率进行实时修正，使得振动时效与动应力在线测试构成闭环反馈，从而有效消除工件的残余应力。

第一步中建立的所述专家数据库内容包括工件重量、尺寸、材质、结构特征、激振力、主振频率、支撑位置、夹持位置、振动时间工艺参数以及振动前后的残余应力测试数据。

第三步中，在生成所述主频筛选模型时，需要对输入、输出数据进行预处理，剔除异常的数据，并对不连续数据或文本描述数据进行数字化，然后将处理后的数据进行归一化处理，即采用min-max标准化对原始数据进行线性变换，线性变换公式为：x’=（x-min(x)）/(max(x)-min(x))，使得数据的量纲保持一致；对输入、输出数据进行预处理后，为了保证训主频筛选模型的普遍性和重复性，对输入、输出数据记录进行随机打乱处理，然后取80%数据记录作为训练数据，另外20%数据用于验证主频筛选模型预测的准确性。

第三步中，所述主频筛选模型是指根据采用数据集的不同，结合决策树逐层递归建立二叉树链表结构，每一棵二叉树代表这一个历史试样的主振频率，在每棵主频频率二叉树产生的过程中，在每个节点进行分支时都随机地抽取部分特征参与二叉树的分支，然后递归分支，递归分支的过程中，每次都是从剩余的特征中随机抽取部分特征参与分支，最后生成多棵主频预测二叉树；对新输入的振动时效基本参数进行主频预测时，主频筛选模型中的每一棵树都会产生一个预测结果，最终通过少数服从多数的原则确定新输入样本的最优主振频率。