本发明属于机械加工检测的，具体来说，涉及一种考虑几何-工艺-物理量的残余应力在线预测方法。
背景技术：
1、薄壁类零件因其具有质量轻、结构紧凑等优点在航空航天领域有着广泛应用，如蒙皮、壁板和航空发动机叶片等，其加工方式多数是铣削加工为主。由于薄壁零件加工过程中材料去除率高，工件刚度低，使其容易发生加工变形。这会严重影响后续装配过程，进一步会影响其性能、疲劳寿命和安全性。相关研究表明，初始残余应力和加工残余应力是影响薄壁件加工变形的重要因素。在加工过程中，材料去除导致初始残余应力平衡状态被打破，材料内部应力重平衡过程导致了零件产生变形。同时，由于切削过程高的热力载荷造成不均匀的塑性变形，也引入了新的残余应力，最终导致残余应力变形。因此，预测和控制加工变形的关键是预测残余应力场分布状态。
2、目前针对残余应力预测或定量评价方法主要包括试验法、解析法、有限元法和机器学习方法。然而，试验法的设备成本和时间成本较高。解析法中涉及的参数仅适用于特定的加工条件，还对加工过程物理状态进行了过多的假设和简化，使得模型精度难以保证。铣削加工过程中残余应力场的演化是时变的，有限元仿真结果只能基于离线数据计算。随着智能制造的发展，上述预测方法的实时性和准确性都难以满足需求。
3、近年来，随着计算机技术、大数据和云计算的发展，通过数据挖掘的机器学习方法在制造业的应用日益广泛。机器学习方法在处理复杂数据关系的建模非常强大，因此用于建立制造过程与质量之间的关系的研究也很多。同时，机器学习具有的时效性和准确性能够满足智能制造需求。但是，现多数机器学习模型预测残余应力时仅建立了加工过程物理量与残余应力的关系，并未体现零件不同几何结构的应力场分布状态以及加工过程工艺信息。
技术实现思路
1、针对现有技术中存在的问题，本发明提供了一种考虑几何-工艺-物理量的残余应力在线预测方法。
2、为实现上述技术目的，本发明采用的技术方案是：
3、一种考虑几何-工艺-物理量的残余应力在线预测方法，包括以下步骤：
4、步骤1：开展工件铣削加工试验，测量零件加工前初始残余应力场，采集加工过程中切削力数据，所述的切削力数据包括切削力和加工轨迹数据；
5、步骤2：建立工件铣削加工有限元仿真模型，向工件铣削加工有限元仿真模型中输入加工前初始残余应力场、切削力和加工轨迹数据，获得加工后残余应力场；
6、步骤3：提取加工前残余应力场、切削力、切削层和加工后残余应力场，建立多通道一维向量数据集；
7、步骤4：建立深度学习网络模型，并使用多通道一维向量数据集训练深度学习网络模型，得到应力场预测模型；
8、步骤5：在线采集加工过程切削力数据输入应力场预测模型，应力场预测模型输出加工后残余应力场预测结果。
9、为优化技术方案，采取的进一步改进包括：
10、步骤1中，工件铣削加工时材料以层去除方式加工；测量的零件加工前初始残余应力场包含了零件的不同位置和不同深度的残余应力场数据。
11、步骤2中，工件铣削加工有限元仿真模型的网格在深度方向上与工件实际切削深度一致，即深度方向上网格的层数等于切削加工工件去除层的层数。
12、步骤2的具体方法为：采用abaqus仿真软件建立工件铣削加工有限元仿真模型，设定工件去除层的层数l和每层有限元网格结点数量m，将输入的切削力数据按照去除层的网格结点数量求平均，得到该去除层每个网格结点的切削力数据，将切削力数据空间方向分解为三向切削力数据，采用生死单元技术在当前分析步下将三向切削力数据按照刀具轨迹施加至各网格节点，并在下一个分析步中对施加的切削力取消激活，以此类推；最终在静力学分析步中实现动态铣削加工过程仿真，最终获得每层网格的残余应力数值，将网格残余应力值映射至各网格节点，获得加工后残余应力场。
13、步骤3中，采用python语言编程提取每个去除层的网格单元并建立多通道一维向量数据集的单元集合eseti，i＝1～l；遍历单元集合，提取单元集合中每个节点的加工前残余应力值，加工仿真时施加的三向切削力值、当前切削层数和加工后残余应力值数据；将提取的数据保存为n×m的数据集，其中n为通道数量，所述的通道包含：加工前残余应力值通道sj，j＝1～l，三向切削力通道fk，k＝1～3，当前切削层信息通道cl，加工后残余应力值通道msx，x＝1～l，总通道数n＝j+k+1+x，sj的每个通道中都包含了m个数据，sj体现了加工前零件的几何信息和应力场信息；fk的每个通道中包含了m个数据，fk体现了加工过程中每层网格每个网格节点受到的切削力信息；cl通道中包含了m个数据，体现了当前的切削层信息；msx的每个通道中包含了m个数据，msx体现了在几何-工艺-物理量共同作用下残余应力场的预测结果。
14、步骤4中，深度学习网络模型是以u-net网络模型为基础，将其中的卷积层替换成更深层特征提取的inception模块，形成incepu-net网络，incepu-net网络对输入的数据集的处理过程如下：输入数据-两个inception模块-池化层-两个inception模块-池化层-两个inception模块-池化层-两个inception模块-池化层，到此完成数据的编码阶段；再经过卷积层-两个转置inception模块-转置池化层-两个转置inception模块-转置池化层-两个转置inception模块-转置池化层-两个转置inception模块-转置池化层-两个转置inception模块-全连接层，到此完成数据解码阶段，输出预测数据。
15、inception模块的结构为：
16、inception(x)＝concat(conv1×1(x),conv3×3(x),conv5×5(x),maxpool3×3(x))
17、其中，conv1×1(x)可以表示为：
18、
19、conv3×3(x)可以表示为：
20、
21、conv5×5(x)可以表示为：
22、
23、maxpool3×3(x)可以表示为：
24、maxpool3x3(x)(i,j,k)＝fm(maxm,nx(3i+m,3j+n,k)+b(k))
25、其中，fc和fm分别是卷积激活函数和最大池化激活函数，b(k)为偏置项。incepu-net网络的训练步骤为：(1)读取数据集数据，将其按照比例划分为训练集和测试集；(2)初始化模型超参数，模型超参数包括：学习率、批量大小、初始学习率和训练期数；(3)读取训练集数据，经过编码阶段深度提取数据特征，经过解码阶段还原并计算预测值，然后计算训练损失；(4)采用adam优化器调整参数，然后通过反向传播算法更新网络中的参数；(5)读取测试集数据，正向传播计算预测值，然后计算模型测试损失；(6)重复(3)-(4)直至迭代次数满足预设的最大迭代次数。
26、深度学习网络模型基于pytorch中的cnn内核，采用均方差作为整个网络的损失函数：
27、
28、其中，mse是均方误差，bs是批量大小，ds为真实应力值，ps为模型预测应力值。通过下述评价函数对预测模型进行评价：
29、
30、其中，eva为绝对平均误差，n为样本集数量，dpredictedi表示预测值，dmeasuredi是真实值。
31、与现有技术相比，本发明具有以下有益效果：
32、本发明提出一种考虑几何-工艺-物理量的残余应力在线预测方法，该方法不同于现有的残余应力预测模型，本发明通过预测数据集提供了工件加工过程几何状态和工艺信息的精确表征，实现了加工过程中三维残余应力场的在线预测。
33、本发明可以在虚拟环境实时可视化加工工件，并预测加工过程中工件的三维残余应力场，实现加工过程几何-物理量的数字孪生。
1.一种考虑几何-工艺-物理量的残余应力在线预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种考虑几何-工艺-物理量的残余应力在线预测方法，其特征在于，步骤1中，工件铣削加工时材料以层去除方式加工；测量的零件加工前初始残余应力场包含了零件的不同位置和不同深度的残余应力场数据。
3.根据权利要求2所述的一种考虑几何-工艺-物理量的残余应力在线预测方法，其特征在于，步骤2中，工件铣削加工有限元仿真模型的网格在深度方向上与工件实际切削深度一致，即深度方向上网格的层数等于切削加工工件去除层的层数。
4.根据权利要求3所述的一种考虑几何-工艺-物理量的残余应力在线预测方法，其特征在于，步骤2的具体方法为：采用abaqus仿真软件建立工件铣削加工有限元仿真模型，设定工件去除层的层数l和每层有限元网格结点数量m，将输入的切削力数据按照去除层的网格结点数量求平均，得到该去除层每个网格结点的切削力数据，将切削力数据空间方向分解为三向切削力数据，采用生死单元技术在当前分析步下将三向切削力数据按照刀具轨迹施加至各网格节点，并在下一个分析步中对施加的切削力取消激活，以此类推；最终在静力学分析步中实现动态铣削加工过程仿真，最终获得每层网格的残余应力数值，将网格残余应力值映射至各网格节点，获得加工后残余应力场。
5.根据权利要求4所述的一种考虑几何-工艺-物理量的残余应力在线预测方法，其特征在于，步骤3中，采用python语言编程提取每个去除层的网格单元并建立多通道一维向量数据集的单元集合eseti，i＝1～l；遍历单元集合，提取单元集合中每个节点的加工前残余应力值，加工仿真时施加的三向切削力值、当前切削层数和加工后残余应力值数据；将提取的数据保存为n×m的数据集，其中n为通道数量，所述的通道包含：加工前残余应力值通道sj，j＝1～l，三向切削力通道fk，k＝1～3，当前切削层信息通道cl，加工后残余应力值通道msx，x＝1～l，总通道数n＝j+k+1+x，sj的每个通道中都包含了m个数据，sj体现了加工前零件的几何信息和应力场信息；fk的每个通道中包含了m个数据，fk体现了加工过程中每层网格每个网格节点受到的切削力信息；cl通道中包含了m个数据，体现了当前的切削层信息；msx的每个通道中包含了m个数据，msx体现了在几何-工艺-物理量共同作用下残余应力场的预测结果。
6.根据权利要求5所述的一种考虑几何-工艺-物理量的残余应力在线预测方法，其特征在于，步骤4中，深度学习网络模型是以u-net网络模型为基础，将其中的卷积层替换成更深层特征提取的inception模块，形成incepu-net网络，incepu-net网络对输入的数据集的处理过程如下：输入数据-两个inception模块-池化层-两个inception模块-池化层-两个inception模块-池化层-两个inception模块-池化层，到此完成数据的编码阶段；再经过卷积层-两个转置inception模块-转置池化层-两个转置inception模块-转置池化层-两个转置inception模块-转置池化层-两个转置inception模块-转置池化层-两个转置inception模块-全连接层，到此完成数据解码阶段，输出预测数据。
7.根据权利要求6所述的一种考虑几何-工艺-物理量的残余应力在线预测方法，其特征在于，
8.根据权利要求7所述的一种考虑几何-工艺-物理量的残余应力在线预测方法，其特征在于，incepu-net网络的训练步骤为：(1)读取数据集数据，将其按照比例划分为训练集和测试集；(2)初始化模型超参数，模型超参数包括：学习率、批量大小、初始学习率和训练期数；(3)读取训练集数据，经过编码阶段深度提取数据特征，经过解码阶段还原并计算预测值，然后计算训练损失；(4)采用adam优化器调整参数，然后通过反向传播算法更新网络中的参数；(5)读取测试集数据，正向传播计算预测值，然后计算模型测试损失；(6)重复(3)-(4)直至迭代次数满足预设的最大迭代次数。
9.根据权利要求8所述的一种考虑几何-工艺-物理量的残余应力在线预测方法，其特征在于，
