基于UG仿真的農機曲軸件數控加工曲線插補技術

聶榮臻

（常州劉國鈞高等職業技術學校，江蘇 常州 213025）

復雜結構的加工與生產，多使用聯動數控技術，確保加工準確。在實際加工生產時，借助數學模型進行參數分析，精確梳理零件曲面外觀，給出可行的加工方案，保證工藝使用準確。在農機驅動程序中，曲軸具有一定加工難度。此部件外觀具有不對稱性，整體外觀具有細長性。然而，曲軸作為驅動程序的關鍵組成，對其加工精確度提出了較高要求。因此，以仿真分析方式，獲取精密加工方案。

1 曲軸建模

1.1 仿真加工流程

使用建模軟件，進行曲軸外觀結構的模型構建，在模型中體現出曲線、曲面等結構特征[1]。一般情況下，使用Pro/E軟件，完成曲軸模型搭建。在數控加工分析中，具有使用廣泛性的軟件為UG。此軟件能夠順利模擬刀具加工流程，比如系列生產工藝、生產單元等，為智能生產提供編程模塊。與此同時，生產加工操作人員，可結合自身加工生產的實際需求，進行生產模塊編程，比如凸凹面、多曲面等結構。依據各類加工操作方案、生產流程、刀具類型等內容，逐一完成生產模塊的編程。零件加工模擬流程包括：1）零件功能分析；2）加工程序編輯；3）獲取刀具生產方案；4）精準確定加工方式；5）優化刀具軌跡；6）生產仿真；7）參數優化。借助模擬流程，有效提升生產精確性。

為確保加工精準性，在生產前期，全面梳理零部件的功能與加工要求，繼而制定可行的生產方案，給出工藝流程。在確定加工流程與生產方案后，依據生產目標進行數據程序編輯，形成生產程序，獲取初期的刀具加工流程。在各類加工方式中，優化與調整刀具的生產流程，調整完成時仿真生產。仿真生產的最優結果，用于優化切削參數。

1.2 曲面加工仿真流程

應對零部件的多重結構、凹凸不規律的曲面，需使用曲線插補技術完成加工[2]。插補技術的生產流程為：1）零件功能分析；2）獲取零件曲面特征；3）使用多組曲線細分曲面；4）離散、擬合處理各曲線；5）獲得生產控制節點；6）判斷誤差；7）如果誤差結果為最小值，進行零件加工，如果誤差結果并非最小值，返回流程1重新進行參數優化。

在插補模擬流程中，各控制節點均由擬合操作獲得，需要進行誤差控制。判斷控制節點、曲線坐標方位之間的誤差值，如果誤差結果較大，需要進行再次優化。如果誤差結果最小，可在脈沖增量的幫助下，形成驅動作用，開啟數控加工流程。相比一般仿真流程，曲面加工難度在于細化若干個曲線，減少直線生產形成的誤差問題。因此，參數設計、曲線插補工藝，均成為精細生產的關鍵工藝。

1.3 曲線插補技術

1.3.1 工藝流程

模擬數控加工流程時，刀具生產運作，通常是借助脈沖增量，以各節點控制方式，完成生產任務。因此，在實際生產中，刀具無法自主完成曲度生產。在曲面零件生產時，需要設定多個密集節點，以曲線擬合方式，在曲線上劃分若干個密集的直線，完成曲線生產，獲取曲面零件結構。一般情況下，曲線擬合處理時，采取最小二乘法，確保擬合精確性。借助擬合點、曲線坐標方位之間的誤差結果，將此結果進行平方和，獲取最小取值，獲取精密生產方案。可使用最小二乘法的生產數據，對比曲線插補工藝參數，以驗證曲線插補在農機生產體系中使用的可行性。

1.3.2 擬合過程

在此計算過程中，存有一定誤差問題。為進一步提升參數精密性，可借助曲線插補技術，進行參數優化，提升曲線擬合處理的精準性，確保自由曲線獲取全面擬合處理。使用插補技術能夠優化擬合流程，增強曲線處理靈活性。曲線插補處理時，借助多項式進行細化分解，使用的參數有：控制節點坐標、權重參數等。其中各控制節點對應的向量為U=[u0，u1，u2，…，un]。數控生產程序中，加工驅動程序通常為伺服電機。為有效落實曲線插補加工程序，數控加工程序中應添加數據采集與離散處理的模塊。在真實加工生產時，假設生產速度為V，以此生產速度獲取下時段刀具加工的目標方位，繼而啟動伺服電機，給予刀具加工動力。在曲線加工時，保證參數與控制節點之間的有效匹配，確保生產順利進行。

1.3.3 誤差精度控制

在插補加工時，同樣是節點向量u的輸出過程，曲線微分處理結果為：V（t）=ds×dt-1=（ds×du-1）×（du×dt-1），則有du×dt-1=V（t）×（du×dt-1）-1。在關系式中V（t）是小段曲線長度與加工時間之比結果，稱為曲線加工速度，此參數時間值越小，參數值更為精準。如果設定加工時間為最小值，可認定曲線加工速度結果均等，則有ds×du-1=，對公式進行處理后，能夠獲取插補周期t值，有關系式ui+1=ui+（ti+1-ti），獲取向量ui+1結果，得出電機驅動的各項結果，完成曲線插補加工。

2 加工仿真測試

2.1 曲軸精密生產必要性

在農機驅動程序中，曲軸作為關鍵部件，如果部件結構有缺陷，將會使得驅動程序無法有序運行，削弱馬力輸出效果。曲軸生產時，需保證對應角度的精準性[3]。如果對應角度存有位置誤差問題，會降低農機驅動程序氣缸運行的有序性，甚至出現爆震問題。因此，以仿真分析流程，獲取曲軸精密性生產方案，較為關鍵。

2.2 零件分析

農機選擇拖拉機，此農機驅動程序中的曲軸，具有加工難度。曲軸表現出結構非對稱性、細長外觀，增加了零件生產困難性。如果生產期間，參數精密性不足，將會降低生產質量。

2.3 建模前期加工

使用Pro/E進行曲軸結構模型搭建，模擬生產刀具加工流程，采取預加工方式，獲取大致生產方案，為參數優化、精密加工奠定基礎條件。在模型搭建完成時，將其導入UG軟件中，模擬刀具生產過程。模擬前期，添加切削參數：運行程序為“刀具生產”；刀具類型選擇；設定生產幾何體；選用生產方法。添加完成切削參數后，獲取刀具生產軌跡。結合刀具實際加工情況，判斷加工誤差問題，相應調整切削參數，提升加工精密性。

2.4 誤差分析

以最小二乘為參照，判斷插補算法的可行性。假設最小二乘誤差結果為a，插補算法生產偏差結果為b，各組生產結果為：一組生產結果，a=1.22，b=0.83；二組，a=1.55，b=0.77；三組，a=1.33，b=0.66；四組，a=1.22，b=0.88；五組，a=1.63，b=0.73。由5組生產加工數據發現：插補算法更具生產精密性，相比最小二乘法更能保證生產方案的優化性[4]。

3 聯動生產模塊中插補算法的應用

3.1 聯動生產模塊

此模塊是用于各類復雜結構零件的生產工具，在生產期間可使用編程程序，進行生產參數調整與優化。以UG程序為仿真平臺，積極使用CAD、CAE等程序，確保生產方案可行。UG程序中，含有5個生產單元，分別為：參數嵌入、刀具流程、方案優化、仿真生產等。UG程序能夠完成生產數據的導入，進行人機交互生產過程，參數類型包括刀具型號、夾具種類等。借助刀具走線、加工軌跡等生產方案，整合成車削、線切等工藝模塊。利用刀具軌跡參數優化過程，能夠排查生產期間刀具存在的流線問題，比如軌跡碰撞、重復生產等。在綜合處理模塊中，進行軌跡優化處理，為用戶提供多種生產方案，比如機床大小、插補工藝等。

3.2 使用神經網絡優化工藝

3.2.1 神經網絡優化思想

為保證曲線插補生產精密性，使用神經網絡進行工藝優化，以此減少曲線插補操作形成的誤差問題，切實提升生產精確性。現階段，BP神經網絡使用光反應，含有參數添加層、數據存儲層、資料輸出層3個部分。采取樣本資料訓練方式，選出最優參數，降低誤差大小[5]。結合曲線插補工藝的數據輸出方式，假設參數添加層為1，數據存儲層h取值20，資料輸出層取值1，訓練速度設為u。依據添加參數x、各層連接權值wij、存儲層閾值設為t，獲取輸出的參數q，則有關系式其中wij中的j取值為常數，比如1，2，…，l等。

關系式中，n表示參數添加層的控制節點個數，l表示存儲層中控制點位數量，f對應存儲層中的函數。函數可依據計算需求，進行計算方式調整，此次函數計算方法為f（x）=（1+dx）-1。依據存儲層中輸出資料q，各層連接權值vk、存儲層閾值輸出結果t，獲取神經網絡測定的Q值。Q的計算方法k取值為常數，最小取1，最大取m。m對應輸出層控制節點的個數。依據預測值Q與期望輸出結果y，獲取網絡偏差d值，則有dk=yk-Qk。

3.2.2 誤差判斷

在參數訓練期間，識別誤差率的范圍：如果能夠達到預期誤差控制效果，可結束參數訓練；如果誤差控制并未達到目標，需要持續進行優化與訓練，直至誤差結果達到預期。曲線插補操作時，會使用擬合方式給予處理，具有曲線解析、自由曲線的處理優勢，獲得廣泛應用。擬合處理時，各節點向量為U=[u0，u1，u2，…，un]。在插補加工時，能夠獲取向量在曲線表面對應的控制節點。比如，在加工ui點時，即可獲取ui+1的控制方位。

在插補加工前期，優先獲取加工曲面的參數特征，進行曲面細分，以曲線形式進行擬合處理。曲線處理完成時，進行神經網絡訓練，獲取最優解。在訓練期間，設計偏差范圍。當給出的誤差結果處于偏差范圍內時，即可停止參數訓練。如果誤差結果大于偏差范圍，需要繼續進行算法迭代，直至獲得最小誤差結果。

3.3 仿真測試

在農機各類設備中，選擇拖拉機進行仿真測試。在機械智能生產背景下，拖拉機生產能力有所增強，具體表現在驅動、自主生產兩個方面，各程序使用的零部件具有緊密性，相應增加了農機生產成本。其中，曲面零件具有生產的困難性、設備組裝的重要性。以UG平臺、神經網絡優化為技術視角，進行曲面插補模擬訓練，嘗試獲取最優的生產方案，縮短曲面插補方案的模擬時間，提升生產效率，控制農機生產成本。

3.3.1 參數設置

仿真模擬的參數設置：樣式“J”；手“右視圖”；柄類型“方柄”；長度150 mm；寬度35 mm；柄寬度25 mm；柄線長30 mm；夾持器角度為270°。參數設計完成時，在UG軟件中搭建零件生產的初期模型。UG程序配置的接口，具有較強兼容性，能夠進行外部模型導入，節省仿真生產時間。在測試中，對模具、刀具均進行了模型導入，與實際生產存在的誤差較小。

3.3.2 優化工序

在仿真生產期間，獲取了刀具生產的流程圖。在UG程序中，添加了刀具流程生成功能，以此查看刀具生產軌跡的流暢性、簡化性。對于“過切”“碰撞”“重復生產”等問題，進行逐一優化，確保工序優化性，切實提升生產能效。

3.3.3 誤差分析

假設神經網絡優化的生產誤差結果為c，對應未優化的生產偏差數據d。生產誤差結果為：一組，c=0.22，d=0.43；二組，c=0.12，d=0.25；三組，c=0.25，d=0.44；四組，c=0.16，d=0.32；五組，c=0.35，d=0.48。結合5組生產偏差結果可知：神經網絡訓練，能夠有效提升曲面插補工藝精細性，能夠在生產中廣泛應用。

4 仿真發現

1）在初期仿真測試中，最小二乘法生產誤差值介于1.22與1.63之間，曲面插補工藝生產偏差為[0.66，0.88]。由此發現：曲面插補工藝表現出參數精密性特點，相比最小二乘法，具有曲面零件生產優勢。

2）在第二次仿真測試中，未迭代優化的曲面插補工藝生產誤差值介于0.43與0.48之間，經過神經網絡優化處理后，曲面插補工藝生產偏差為[0.12，0.36]。由此說明：神經網絡算法，能夠深入提升曲面插補工藝的精確性，切實降低生產誤差值。

在后續農機精細化生產體系中，加強曲面插補工藝研究，結合誤差問題的形成過程，精細設計控制節點，逐步提升誤差控制精密性， 獲取更為精密的生產方案，確保農機驅動程序運行能力，帶動農業生產發展。

5 結論

1）使用建模分析方式，以UG為基礎，對曲軸外觀進行建模，獲取精密的加工方案。在分析中，使用曲線插補算法，精度擬合零部件的外觀結構，有效獲取刀具加工的各控制節點，以提升曲面零部件的生產速度。為證實此種生產方案的可操作性，采取實例生產方式，模擬加工過程，獲取了刀具生產軌跡，有助于優化刀具生產方案，提升切削參數精確性，帶動智能農機生產體系發展。

2）曲面插補工藝可用于農機驅動程序的精密性生產活動，相比最小二乘法更具誤差控制能力。

3）神經網絡算法，能夠依托于UG平臺，深入優化訓練生產參數，切實提升曲面插補工藝參數的精確性，減少生產誤差問題。