航空发动机叶片是发动机中最关键的零件之一,其加工质量直接决定了发动机的使用寿命与工作性能。磨抛是保证叶片表面形貌与尺寸精度的最后一道成型工艺,该阶段叶片加工余量微小且分布不均,表面分布有铣削刀纹,加工质量要求苛刻,且由于叶片型面复杂,其磨抛加工一直是行业难点。随着机器人技术的深入发展,利用机器人对叶片进行磨抛得到广泛研究。然而相关技术仍然存在众多不足与短板,缺乏“测量-加工”一体化的功能以及能够实际应用于加工的材料去除率模型等问题都制约了叶片自适应磨抛的发展。借助于计算机技术与深度学习的发展,利用非接触式测量方式可以有效提高叶片测量效率,使测量结果即时地指导加工成为可能;同时由于神经网络具有非常强的多维特征提取与拟合能力,可以在拟合材料去除率模型时将实际加工因素纳入考虑范围内。鉴于此,本文从航空发动机叶片磨抛工艺自适应出发,针对实际加工中的定量去除问题开展研究,设计并搭建了面向定量去除的工艺自适应磨抛硬件系统,开发了配准、表面重构与余量计算软件系统,提出了拟合材料去除率模型的神经网络模型,对模型进行压缩与部署,并在实际加工中进行砂带线速度规划,对叶片毛坯进行打磨实验。本文的主要研究内容和进展如下:1、工艺参数自适应磨抛系统的设计与搭建。针对工艺自适应磨抛系统,分析并选择对系统性能影响较大的部件与参数,设计并构建了针对材料去除率模型构建的系统方案与工艺自适应定量去除磨抛加工的系统方案。对系统重要的功能部件进行搭建,完成了刀具中心点（Tool Center Point,TCP）的标定,机器人轨迹规划后刀路点向机器人坐标的变换与后处理以及实现了系统所有功能部件之间的通信,并介绍了测量系统与加工系统。2、测量数据配准与余量计算。针对结构光测量得到的数据具有与CAD模型不重合的特性,本文利用二值化点对特征直方图（Binarized Histogram of Point Pair Features,B-HPPF）与方差最小化算法开发了配准系统,在提高匹配速度的同时减小因测点数据不均匀带来的误差。针对三坐标测量仪测量得到的截面点云,采用非均匀有理B样条（Non Uniform Rational B-Spline,NURBS）曲面插值重构得到完整的叶片表面形貌,完成对叶片的终检,针对上述两种数据进行余量计算系统的开发。经过功能验证性实验,BHPPF对叶片模型关键点匹配准确率提升79.60%,并验证了本文开发的配准、重构与余量计算系统满足系统功能要求。3、基于神经网络的材料去除率模型建模。针对传统解析式材料去除率模型难以应用于实际加工,提出一种综合考虑了叶片曲面、机器人、砂带特征、线速度与力等因素的神经网络模型结构,针对该类神经网络模型使用准确率与单点材料去除深度线性度作为评价指标。在实验采集的数据集中进行模型拟合训练,其训练集中ABS100准确率达到76.57%,在测试集中ABS100准确率达到74.29%,单点材料去除深度线性度L=0.9070,并与不同结构的模型进行性能对比与分析。4、磨抛工艺参数规划轻量化加速与叶片工艺自适应磨抛实验。针对材料去除模型规划参数时运算量大、时间开销大的问题,结合神经网络模型特性,采用8bit量化方案与Tensor Flow Lite推理引擎进行神经网络的压缩加速与工程化部署,并在实验模型上验证量化与加速性能,其模型压缩率为44.84%,采用推理引擎后工艺参数规划时间压缩率为83.87%。最终对叶片毛坯应用本课题开发系统进行实验磨抛,由测量得到余量动态规划砂带线速度,并进行叶片磨抛,实验结果验证本文所提出的方法可以有效降低原始叶片余量不均匀的程度。