(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210678816.4 (22)申请日 2022.06.16 (65)同一申请的已公布的文献号 申请公布号 CN 114756977 A (43)申请公布日 2022.07.15 (73)专利权人 成都飞机工业 （集团） 有限责任公 司 地址 610092 四川省成 都市青羊区黄田坝 纬一路88号 (72)发明人 田长乐　谢颖　喻龙　蓝玉龙　 许亚鹏　刘春　宋金辉　赵光海　 郝龙　杨冬　郑和银　余立强　 薛广库　杨洪林　方超　(74)专利代理 机构 广州三环专利商标代理有限 公司 44202 专利代理师 杨子亮 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 110147875 A,2019.08.20 CN 111310965 A,2020.0 6.19 审查员 寇惠云 (54)发明名称 飞机交点孔镗削让刀量预测方法、 装置、 设 备及存储介质 (57)摘要 本申请公开了飞机交点孔镗削让刀量预测 方法、 装置、 设备及存储介质， 涉及飞机装配技术 领域。 所述飞机交点孔镗削让刀量预测方法， 包 括以下步骤： 构建镗削让刀量预测第一网络模 型； 基于飞机交点孔镗削过程中镗削参数、 镗削 力以及对应的让刀量信息， 获得训练样本库； 基 于所述训练样本库， 对所述镗削让刀量预测第一 网络模型进行训练， 获得镗削让刀量预测第二网 络模型； 将镗削参数输入所述镗削让刀量预测第 二网络模型， 获得飞机交点 孔镗削让刀量。 权利要求书3页 说明书9页 附图3页 CN 114756977 B 2022.10.25 CN 114756977 B 1.飞机交点 孔镗削让刀量预测方法， 其特 征在于， 包括以下步骤： 构建镗削让刀量预测第一网络模型； 通过正交试验， 获取飞机交点孔镗削过程中镗削参数、 镗削力以及对应的让刀量的时 序信息， 并将所述时序信息进 行归一化处理， 将经过标准化之后的训练样 本数据按照 8:2的 比例进行划分， 划分为训练样本集和 测试集； 将所述训练样本集中的时序信息数据批量输入到构建获得的镗削让刀量预测第一网 络模型进行正向传播， 采用Adam优化器进行优化更新网络权重和偏置参数； 并基于均方误 差RMSE计算损失， 根据基于时间的反向传播算法计算损失函数对参数的偏导数； 达到设置 的迭代次数或者预设准确 率后训练停止， 完成对网络模型 的训练， 获得镗削让刀量预测第 二网络模型； 将镗削参数输入所述镗削让刀量预测第二网络模型， 获得飞机交点 孔镗削让刀量； 其中， 所述镗削让刀量预测第一网络模型是基于LSTM神经网络进行构建的， 并基于所 述LSTM神经网络将飞机交点孔m步粗镗和n步精镗加工过程进 行映射； 所述镗削让刀量预测 第一网络模型为 Fr=Frc+Fre=KrcS+KreLc； 其中， 所述 Frc为由切屑引起的切削力， 所述 Fre为由摩 擦引起的切削力； 所述 Krc和所述Kre为切削系数； 所述 S为切屑层面积， 所述 Lc为刀‑屑接触长 度； 所述镗削让刀量预测第一网络模型基于LSTM循环神经网络构 建； 所述LSTM循环神经网 络包括输入层、 隐藏层和输出层； 其中， 所述隐藏层包括 LSTM循环神经网络神经 元； 所述LSTM循环神经网络的输入层包括4个输入通道， 4个所述输入通道分别用于输入镗 削深度特 征、 镗削进给量特 征、 机床主轴转速特 征和切削力特 征。 2.根据权利要求1所述飞机交点孔镗削让刀量预测方法， 其特征在于， 所述LSTM循环神 经网络神经 元包括： 遗忘门， 用于控制是否保留当前隐藏层节点存 储的飞机交点 孔镗削让刀量数据信息； 输入门， 用于控制是否允许飞机交点 孔镗削让刀量数据信息加入到当前隐藏层节点； 输出门， 用于控制是否将当前节点输出值输出到下一层； 单元状态更新 值， 基于t时刻的输入数据和t ‑1时刻的隐藏单 元输出数据获得； 单元状态值， 由单 元状态更新 值获得； 隐藏层单 元。 3.根据权利要求2所述飞机交点孔镗削让刀量预测方法， 其特征在于， 所述LSTM循环神 经网络神经元的遗忘门通过以t时刻的遗忘向量值ft为控制指标， 对是否保留当前隐藏层 节点存储的飞机交点孔镗削让刀量数据信息进行控制， 所述t时刻的遗忘向量值ft通过如 下关系式： 其中， ft为t时刻的遗忘向量值， 为1或0； 1表示门开， 则保留； 0为门关， 则清空当前节点 所存储的飞机交点 孔镗削让刀量数据信息； xt为t时刻的输入 值， 用于将遗忘向量值压缩到[0,1]范围内； ht‑1为t‑1时刻的隐藏单元 输出值；Wf为遗忘矩阵；bf为遗忘偏差值； σ 为逻辑sigmo id函数。 4.根据权利要求2所述飞机交点孔镗削让刀量预测方法， 其特征在于， 所述LSTM循环神权　利　要　求　书 1/3 页 2 CN 114756977 B 2经网络神经元 的输入门通过如下关系式对是否允许飞机交点孔镗削让刀量数据信息加入 到当前隐藏层节点进行控制： 其中，it为t时刻的输入向量 值， 为1或0； 1表示门开， 则允许加入； 0为门关， 则不允许； xt为t时刻的输入 值， 用于将输入向量值压缩到[0,1]范围内； ht‑1为t‑1时刻的隐藏单元 输出值；Wi为输入权 重矩阵；bi为输入偏差值； σ 为逻辑sigmo id函数。 5.根据权利要求2所述飞机交点孔镗削让刀量预测方法， 其特征在于， 所述LSTM循环神 经网络神经 元的输出门通过如下关系式对是否将当前节点输出值输出到下一层进行控制： 其中， ot为t时刻的输出 向量值， 为1或0； 1表示门开， 则允许输出； 0为门关， 则 不允许输 出； xt为t时刻的输入 值， 用于将输入向量值压缩到[0,1]范围内； ht‑1为t‑1时刻的隐藏单元 输出值；Wo为输出权 重矩阵；bo为输出偏差值； σ 为逻辑sigmo id函数。 6.根据权利要求2所述飞机交点孔镗削让刀量预测方法， 其特征在于， 所述单元状态更 新值通过如下关系式获得： 其中， 为t时刻的单元状态更新值； xt为t时刻的输入值， 用于将输入向量值压缩到[0, 1]范围内； ht‑1为t‑1时刻的隐藏单元输出值； Wc为单元状态更新权重矩阵； bc为单元状态更 新偏差值； tanh为激活函数。 7.根据权利要求2所述飞机交点孔镗削让刀量预测方法， 其特征在于， 所述单元状态值 通过如下关系式获得： 其中， Ct为t时刻的单元状态值； Ct‑1为t‑1时刻的单元状态值； 为t时刻的单元状态更 新值； ft为t时刻的遗忘向量值， 为1或0； 1表示门开， 则保留； 0为门关， 则清空当前节点所存储 的飞机交点 孔镗削让刀量数据信息； it为t时刻的输入向量 值， 为1或0； 1表示门开， 则允许加入； 0为门关， 则不允许。 8.根据权利要求1所述飞机交点孔镗削让刀量预测方法， 其特征在于， 所述输出层通过 如下关系式获得： 其中， ht为输出层所输出的飞机交点 孔的镗削让刀量； ot为t时刻的输出向量 值， 为1或0； 1表示门开， 则允许输出； 0为门关， 则不允许输出； Ct为t时刻的单 元状态值； tanh为激活函数。 9.根据权利要求1所述飞机交点孔镗削让刀量预测方法， 其特征在于， 所述基于飞机交 点孔镗削过程中镗削参数、 镗削力以及对应的让刀量信息， 获得训练样本库的步骤， 包括：权　利　要　求　书 2/3 页 3 CN 114756977 B 3