基于UG仿真的农机曲轴件数控加工曲线插补技术

聂荣臻

（常州刘国钧高等职业技术学校，江苏 常州 213025）

复杂结构的加工与生产，多使用联动数控技术，确保加工准确。在实际加工生产时，借助数学模型进行参数分析，精确梳理零件曲面外观，给出可行的加工方案，保证工艺使用准确。在农机驱动程序中，曲轴具有一定加工难度。此部件外观具有不对称性，整体外观具有细长性。然而，曲轴作为驱动程序的关键组成，对其加工精确度提出了较高要求。因此，以仿真分析方式，获取精密加工方案。

1 曲轴建模

1.1 仿真加工流程

使用建模软件，进行曲轴外观结构的模型构建，在模型中体现出曲线、曲面等结构特征[1]。一般情况下，使用Pro/E软件，完成曲轴模型搭建。在数控加工分析中，具有使用广泛性的软件为UG。此软件能够顺利模拟刀具加工流程，比如系列生产工艺、生产单元等，为智能生产提供编程模块。与此同时，生产加工操作人员，可结合自身加工生产的实际需求，进行生产模块编程，比如凸凹面、多曲面等结构。依据各类加工操作方案、生产流程、刀具类型等内容，逐一完成生产模块的编程。零件加工模拟流程包括：1）零件功能分析；2）加工程序编辑；3）获取刀具生产方案；4）精准确定加工方式；5）优化刀具轨迹；6）生产仿真；7）参数优化。借助模拟流程，有效提升生产精确性。

为确保加工精准性，在生产前期，全面梳理零部件的功能与加工要求，继而制定可行的生产方案，给出工艺流程。在确定加工流程与生产方案后，依据生产目标进行数据程序编辑，形成生产程序，获取初期的刀具加工流程。在各类加工方式中，优化与调整刀具的生产流程，调整完成时仿真生产。仿真生产的最优结果，用于优化切削参数。

1.2 曲面加工仿真流程

应对零部件的多重结构、凹凸不规律的曲面，需使用曲线插补技术完成加工[2]。插补技术的生产流程为：1）零件功能分析；2）获取零件曲面特征；3）使用多组曲线细分曲面；4）离散、拟合处理各曲线；5）获得生产控制节点；6）判断误差；7）如果误差结果为最小值，进行零件加工，如果误差结果并非最小值，返回流程1重新进行参数优化。

在插补模拟流程中，各控制节点均由拟合操作获得，需要进行误差控制。判断控制节点、曲线坐标方位之间的误差值，如果误差结果较大，需要进行再次优化。如果误差结果最小，可在脉冲增量的帮助下，形成驱动作用，开启数控加工流程。相比一般仿真流程，曲面加工难度在于细化若干个曲线，减少直线生产形成的误差问题。因此，参数设计、曲线插补工艺，均成为精细生产的关键工艺。

1.3 曲线插补技术

1.3.1 工艺流程

模拟数控加工流程时，刀具生产运作，通常是借助脉冲增量，以各节点控制方式，完成生产任务。因此，在实际生产中，刀具无法自主完成曲度生产。在曲面零件生产时，需要设定多个密集节点，以曲线拟合方式，在曲线上划分若干个密集的直线，完成曲线生产，获取曲面零件结构。一般情况下，曲线拟合处理时，采取最小二乘法，确保拟合精确性。借助拟合点、曲线坐标方位之间的误差结果，将此结果进行平方和，获取最小取值，获取精密生产方案。可使用最小二乘法的生产数据，对比曲线插补工艺参数，以验证曲线插补在农机生产体系中使用的可行性。

1.3.2 拟合过程

在此计算过程中，存有一定误差问题。为进一步提升参数精密性，可借助曲线插补技术，进行参数优化，提升曲线拟合处理的精准性，确保自由曲线获取全面拟合处理。使用插补技术能够优化拟合流程，增强曲线处理灵活性。曲线插补处理时，借助多项式进行细化分解，使用的参数有：控制节点坐标、权重参数等。其中各控制节点对应的向量为U=[u0，u1，u2，…，un]。数控生产程序中，加工驱动程序通常为伺服电机。为有效落实曲线插补加工程序，数控加工程序中应添加数据采集与离散处理的模块。在真实加工生产时，假设生产速度为V，以此生产速度获取下时段刀具加工的目标方位，继而启动伺服电机，给予刀具加工动力。在曲线加工时，保证参数与控制节点之间的有效匹配，确保生产顺利进行。

1.3.3 误差精度控制

在插补加工时，同样是节点向量u的输出过程，曲线微分处理结果为：V（t）=ds×dt-1=（ds×du-1）×（du×dt-1），则有du×dt-1=V（t）×（du×dt-1）-1。在关系式中V（t）是小段曲线长度与加工时间之比结果，称为曲线加工速度，此参数时间值越小，参数值更为精准。如果设定加工时间为最小值，可认定曲线加工速度结果均等，则有ds×du-1=，对公式进行处理后，能够获取插补周期t值，有关系式ui+1=ui+（ti+1-ti），获取向量ui+1结果，得出电机驱动的各项结果，完成曲线插补加工。

2 加工仿真测试

2.1 曲轴精密生产必要性

在农机驱动程序中，曲轴作为关键部件，如果部件结构有缺陷，将会使得驱动程序无法有序运行，削弱马力输出效果。曲轴生产时，需保证对应角度的精准性[3]。如果对应角度存有位置误差问题，会降低农机驱动程序气缸运行的有序性，甚至出现爆震问题。因此，以仿真分析流程，获取曲轴精密性生产方案，较为关键。

2.2 零件分析

农机选择拖拉机，此农机驱动程序中的曲轴，具有加工难度。曲轴表现出结构非对称性、细长外观，增加了零件生产困难性。如果生产期间，参数精密性不足，将会降低生产质量。

2.3 建模前期加工

使用Pro/E进行曲轴结构模型搭建，模拟生产刀具加工流程，采取预加工方式，获取大致生产方案，为参数优化、精密加工奠定基础条件。在模型搭建完成时，将其导入UG软件中，模拟刀具生产过程。模拟前期，添加切削参数：运行程序为“刀具生产”；刀具类型选择；设定生产几何体；选用生产方法。添加完成切削参数后，获取刀具生产轨迹。结合刀具实际加工情况，判断加工误差问题，相应调整切削参数，提升加工精密性。

2.4 误差分析

以最小二乘为参照，判断插补算法的可行性。假设最小二乘误差结果为a，插补算法生产偏差结果为b，各组生产结果为：一组生产结果，a=1.22，b=0.83；二组，a=1.55，b=0.77；三组，a=1.33，b=0.66；四组，a=1.22，b=0.88；五组，a=1.63，b=0.73。由5组生产加工数据发现：插补算法更具生产精密性，相比最小二乘法更能保证生产方案的优化性[4]。

3 联动生产模块中插补算法的应用

3.1 联动生产模块

此模块是用于各类复杂结构零件的生产工具，在生产期间可使用编程程序，进行生产参数调整与优化。以UG程序为仿真平台，积极使用CAD、CAE等程序，确保生产方案可行。UG程序中，含有5个生产单元，分别为：参数嵌入、刀具流程、方案优化、仿真生产等。UG程序能够完成生产数据的导入，进行人机交互生产过程，参数类型包括刀具型号、夹具种类等。借助刀具走线、加工轨迹等生产方案，整合成车削、线切等工艺模块。利用刀具轨迹参数优化过程，能够排查生产期间刀具存在的流线问题，比如轨迹碰撞、重复生产等。在综合处理模块中，进行轨迹优化处理，为用户提供多种生产方案，比如机床大小、插补工艺等。

3.2 使用神经网络优化工艺

3.2.1 神经网络优化思想

为保证曲线插补生产精密性，使用神经网络进行工艺优化，以此减少曲线插补操作形成的误差问题，切实提升生产精确性。现阶段，BP神经网络使用光反应，含有参数添加层、数据存储层、资料输出层3个部分。采取样本资料训练方式，选出最优参数，降低误差大小[5]。结合曲线插补工艺的数据输出方式，假设参数添加层为1，数据存储层h取值20，资料输出层取值1，训练速度设为u。依据添加参数x、各层连接权值wij、存储层阈值设为t，获取输出的参数q，则有关系式其中wij中的j取值为常数，比如1，2，…，l等。

关系式中，n表示参数添加层的控制节点个数，l表示存储层中控制点位数量，f对应存储层中的函数。函数可依据计算需求，进行计算方式调整，此次函数计算方法为f（x）=（1+dx）-1。依据存储层中输出资料q，各层连接权值vk、存储层阈值输出结果t，获取神经网络测定的Q值。Q的计算方法k取值为常数，最小取1，最大取m。m对应输出层控制节点的个数。依据预测值Q与期望输出结果y，获取网络偏差d值，则有dk=yk-Qk。

3.2.2 误差判断

在参数训练期间，识别误差率的范围：如果能够达到预期误差控制效果，可结束参数训练；如果误差控制并未达到目标，需要持续进行优化与训练，直至误差结果达到预期。曲线插补操作时，会使用拟合方式给予处理，具有曲线解析、自由曲线的处理优势，获得广泛应用。拟合处理时，各节点向量为U=[u0，u1，u2，…，un]。在插补加工时，能够获取向量在曲线表面对应的控制节点。比如，在加工ui点时，即可获取ui+1的控制方位。

在插补加工前期，优先获取加工曲面的参数特征，进行曲面细分，以曲线形式进行拟合处理。曲线处理完成时，进行神经网络训练，获取最优解。在训练期间，设计偏差范围。当给出的误差结果处于偏差范围内时，即可停止参数训练。如果误差结果大于偏差范围，需要继续进行算法迭代，直至获得最小误差结果。

3.3 仿真测试

在农机各类设备中，选择拖拉机进行仿真测试。在机械智能生产背景下，拖拉机生产能力有所增强，具体表现在驱动、自主生产两个方面，各程序使用的零部件具有紧密性，相应增加了农机生产成本。其中，曲面零件具有生产的困难性、设备组装的重要性。以UG平台、神经网络优化为技术视角，进行曲面插补模拟训练，尝试获取最优的生产方案，缩短曲面插补方案的模拟时间，提升生产效率，控制农机生产成本。

3.3.1 参数设置

仿真模拟的参数设置：样式“J”；手“右视图”；柄类型“方柄”；长度150 mm；宽度35 mm；柄宽度25 mm；柄线长30 mm；夹持器角度为270°。参数设计完成时，在UG软件中搭建零件生产的初期模型。UG程序配置的接口，具有较强兼容性，能够进行外部模型导入，节省仿真生产时间。在测试中，对模具、刀具均进行了模型导入，与实际生产存在的误差较小。

3.3.2 优化工序

在仿真生产期间，获取了刀具生产的流程图。在UG程序中，添加了刀具流程生成功能，以此查看刀具生产轨迹的流畅性、简化性。对于“过切”“碰撞”“重复生产”等问题，进行逐一优化，确保工序优化性，切实提升生产能效。

3.3.3 误差分析

假设神经网络优化的生产误差结果为c，对应未优化的生产偏差数据d。生产误差结果为：一组，c=0.22，d=0.43；二组，c=0.12，d=0.25；三组，c=0.25，d=0.44；四组，c=0.16，d=0.32；五组，c=0.35，d=0.48。结合5组生产偏差结果可知：神经网络训练，能够有效提升曲面插补工艺精细性，能够在生产中广泛应用。

4 仿真发现

1）在初期仿真测试中，最小二乘法生产误差值介于1.22与1.63之间，曲面插补工艺生产偏差为[0.66，0.88]。由此发现：曲面插补工艺表现出参数精密性特点，相比最小二乘法，具有曲面零件生产优势。

2）在第二次仿真测试中，未迭代优化的曲面插补工艺生产误差值介于0.43与0.48之间，经过神经网络优化处理后，曲面插补工艺生产偏差为[0.12，0.36]。由此说明：神经网络算法，能够深入提升曲面插补工艺的精确性，切实降低生产误差值。

在后续农机精细化生产体系中，加强曲面插补工艺研究，结合误差问题的形成过程，精细设计控制节点，逐步提升误差控制精密性， 获取更为精密的生产方案，确保农机驱动程序运行能力，带动农业生产发展。

5 结论

1）使用建模分析方式，以UG为基础，对曲轴外观进行建模，获取精密的加工方案。在分析中，使用曲线插补算法，精度拟合零部件的外观结构，有效获取刀具加工的各控制节点，以提升曲面零部件的生产速度。为证实此种生产方案的可操作性，采取实例生产方式，模拟加工过程，获取了刀具生产轨迹，有助于优化刀具生产方案，提升切削参数精确性，带动智能农机生产体系发展。

2）曲面插补工艺可用于农机驱动程序的精密性生产活动，相比最小二乘法更具误差控制能力。

3）神经网络算法，能够依托于UG平台，深入优化训练生产参数，切实提升曲面插补工艺参数的精确性，减少生产误差问题。