一种基于深度学习的减材制造实时刀具路径规划方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115859519A(43)申请公布日2023.03.28(21)申请号202211581673.1(22)申请日2022.12.09(71)申请人中国科学院大学地址100049北京市石景山区玉泉路19号（甲）(72)发明人冯毅飞马鸿宇申立勇袁春明(74)专利代理机构北京博尔赫知识产权代理事务所(普通合伙)16045专利代理师于武江(51)Int.Cl.G06F30/17(2020.01)G06F30/27(2020.01)G06N3/04(2023.01)G06N3/08(2023.01)G06F111/04(2020.01)权利要求书3页说明书9页附图9页(54)发明名称一种基于深度学习的减材制造实时刀具路径规划方法(57)摘要本发明提供了一种基于深度学习的减材制造实时刀具路径规划方法，用于刀具路径规划，包括：预获取B样条曲面与刀具路径关系；构建B样条重参数化网络；以所述B样条曲面与刀具路径关系作为训练样本，对所述B样条重参数化网络进行训练，并将具有不同权重的损失项，组合为最终损失；基于所述最终损失训练所述B样条重参数化网络，得到刀具路径生成网络；将B样条曲面输入所述刀具路径生成网络，输出重新参数化推断；基于所述重新参数化推断重建刀具路径。本发明采用神经网络根据残高约束对工件表面进行重新参数化；得到的等参数线可以直接作为满足残高约束的刀具路径，整个过程只需几微秒；该方法结构简单，计算量低，易于应用于CAD/CAM软件。CN115859519ACN115859519A权利要求书1/3页1.一种基于深度学习的减材制造实时刀具路径规划方法，其特征在于，包括：预获取B样条曲面与刀具路径关系；构建B样条重参数化网络；以所述B样条曲面与刀具路径关系作为训练样本，对所述B样条重参数化网络进行训练，并将具有不同权重的损失项，组合为最终损失；基于所述最终损失训练所述B样条重参数化网络，得到刀具路径生成网络；将B样条曲面输入所述刀具路径生成网络，输出重新参数化推断；基于所述重新参数化推断重建刀具路径。2.根据权利要求1所述的一种基于深度学习的减材制造实时刀具路径规划方法，其特征在于，所述重新参数化推断为重新参数化函数；所述重新参数化函数的约束表达式为：其中，(ui,j,vi,j)表示每两条刀具路径相交的交点；BR(s,t)表示控制点；表示与控制点相适配的基函数；表示在参数域上的采样位置。3.根据权利要求1所述的一种基于深度学习的减材制造实时刀具路径规划方法，其特征在于，预获取B样条曲面与刀具路径关系，具体包括：针对不同类型的表面，采用不同方法分别生成控制网格，并基于所述控制网格生成所述B样条曲面；利用自适应等残高方法在所述B样条曲面上生成所述刀具路径；基于生成的所述刀具路径获取所述B样条曲面和所述刀具路径关系。4.根据权利要求3所述的一种基于深度学习的减材制造实时刀具路径规划方法，其特征在于，针对不同类型的表面，采用不同方法分别生成控制网格，具体包括：对于随机表面，随机抽取四个点作为所述控制网格的角，并将4个点依次设置在四个象限中，采用迭代细分算法对四个点所处的面进行细分，生成随机控制网格；对于平坦边界表面，基于随机表面的生成控制网格方法，生成所述随机控制网格，并计算边界二邻域控制点高度的平均值，将所述随机控制网格中边界控制点高度均设为所述二邻域控制点的平均值，得到平坦控制网格；对于直纹表面，预构建移动曲线，并采用线性插值创建直线；基于所述移动曲线获得控制网格边界控制点，基于所述直线获得控制网格上剩余控制点，得到直纹控制网格。5.根据权利要求3所述的一种基于深度学习的减材制造实时刀具路径规划方法，其特征在于，利用自适应等残高方法在所述B样条曲面上生成所述刀具路径，具体包括：基于等参数法获取在所述B样条曲面上生成的初步刀具路径；对所述初步刀具路径上点进行重新采样，且采样点数为加工路径条数最大值，并使采样点残高保持不变；其中，重新采样的采样点满足以下条件：2CN115859519A权利要求书2/3页将所述初步刀具路径上点按Pchip插值器h(x)进行插值；基于插值结果，获得所述刀具路径；其中，表示重新采样的采样点残高；表示基于插值结果获得的函数。6.根据权利要求5所述的一种基于深度学习的减材制造实时刀具路径规划方法，其特征在于，所述基于等参数法获取在所述B样条曲面上生成的初步刀具路径，具体包括：对于一个给定参数曲面，在参数域中计算第i点P0,i沿轴v给定残高Δh内的最大步长Δv0,i；选择Δv0作为最小Δv0,i的值，并将所有点沿轴v方向移动Δv0，得到新点P1,i；重复对所有点移动的操作，直至所有点到达边界；将第k步中的所有点Pk,i构造成第k条线基于获取的原理，获取其中，P0,i