数据驱动的KDP晶体加工表面质量分类研究

摘要

为辅助监控超精密飞切机床对磷酸二氢钾（KDP）精加工过程中偶发的加工误差，结合机床加工过程中的振动数据和温度数据关键特征提取，建立晶体加工表面的预测模型。基于ResNet-18分析振动数据与KDP晶体表面是否合格之间的联系进行二分类预测，最终在测试集上模型准确率达到88.5%。同时，基于XGBoost模型分析温度数据与KDP晶体表面质量低频指标P-V的联系并进行预测，实验结果表明预测模型能较快预测加工元件表面质量，且整体误差在可接受范围内。对加工误差进行溯源分析，构建机床的整机模型，利用有限元分析计算长时间的加工状态下机床的瞬态温度场，仿真结果表明在机床运行8 580 s后机床最高温度达26.9℃，并开展实验证明了仿真结果的准确性，证实了“KDP晶体加工后期质量变差”与“机床主轴系统随加工过程持续升温”有关的推论。

关键词

有限元分析 / KDP晶体 / ResNet / 超精密飞切机床 / XGBoost