CN104460514A

CN104460514A - 机床体积误差的信息融合预测方法

Info

Publication number: CN104460514A
Application number: CN201310434789.7A
Authority: CN
Inventors: 郭前建; 贺磊; 程祥
Original assignee: Shandong University of Technology
Current assignee: Shandong University of Technology
Priority date: 2013-09-24
Filing date: 2013-09-24
Publication date: 2015-03-25

Abstract

本发明涉及一种精密加工技术领域中信息处理的方法，具体是一种利用不同误差源信息对机床体积误差进行融合预测的方法。如图所示，本发明主要包括：（1）不同误差源信息的检测与预处理；（2）投影追踪回归模型、蚁群模型和神经网络模型的建立；（3）不同模型预测结果的动态误差识别；（4）通过加权实现多模型的融合预测，并得到最优体积误差值。本发明具有预测精度高、实时性强、可靠性高等优点，可以为机床体积误差的在线预测与补偿控制提供实时可靠的信息资料。

Description

机床体积误差的信息融合预测方法

技术领域

本发明涉及一种精密加工技术领域中信息处理的方法，具体是一种利用不同误差源信息对机床体积误差进行融合预测的方法。

背景技术

五轴机床属于典型的多坐标联动机床，由于其同时具有移动和旋转刀具或工件的能力，能对几何形状复杂、精度要求较高的自由曲面进行加工，在大型旋转机械的叶片和螺旋桨加工过程中得到了广泛应用。加工过程中，五轴机床受多个误差源影响，其中几何误差、热误差和切削力误差占到了机床总误差的75%，对这3项误差进行控制是提高五轴机床加工精度的关键所在。

为控制机床误差，提高机床加工精度，目前主要有两种方法：误差补偿法和误差防止法。误差防止法主要通过设计和制造途径来减少直至消除可能的误差，但由于技术限制，其很难彻底消除机床加工误差。误差补偿法通过对加工过程中的主要误差源进行分析、测量、归纳，掌握主要误差源对机床误差的影响规律，从而建立机床误差模型，并利用模型计算结果去抵消机床误差，提高机床加工精度。由于能在机床上加工出超过机床本身精度的工件，误差补偿已成为精密加工领域的主要技术之一。

为提高双转台五轴机床的加工精度，本发明以双转台五轴机床的体积误差作为研究对象，建立综合反映几何误差、热误差和切削力误差的最优体积误差模型，为提高五轴机床加工精度提供理论依据，具有重要的现实意义。

从上世纪90年代开始，机床误差建模技术就已成为国际上的研究热点，目前国外比较有影响的研究机构有美国的密西根大学、日本的东京大学、德国的柏林工业大学等，国内有浙江大学、上海交通大学、天津大学、大连理工大学、沈阳机床厂等。进入21世纪，机床误差建模技术在国际上取得了更大发展,出现了以下研究趋势：（1）误差建模的研究对象向多轴方向发展；（2）所建误差模型综合考虑多种、多个误差元素的影响；（3）各种人工智能方法越来越多地应用于误差建模，误差模型的精度越来越高。

通过对误差建模技术的研究动态进行分析，可以得到如下结论：（1）各种神经网络模型以及遗传算法、模糊理论、自组织理论等人工智能方法越来越多地用于机床误差建模，但各种建模方法都存在或多或少的缺陷，比如神经网络的神经元选择问题、遗传算法的停滞和早熟问题，因此所建模型的预测精度和响应速度有待进一步提高；（2)误差模型综合考虑了多个误差元素的影响，但主要用于位置误差建模，只有少数研究综合考虑了几何误差与热误差、几何误差与切削力误差的影响。Kim等人建立了综合反映几何误差与热误差的数学模型，通过补偿实验结果发现，误差模型综合考虑了两种误差后，机床加工精度有了显著提高，遗憾的是尚未有研究建立综合反映几何误差、热误差和切削力误差的数学模型；（3）所建模型只能用于特定的机床类型，亟待建立一种能够用于不同类型机床、综合体现现有模型优点的组合模型，从而提高模型的通用性和鲁棒性。

发明内容

本发明的目的在于针对上述误差建模技术存在的问题，提供一种利用不同误差源信息对机床体积误差进行融合预测的方法，使其针对机床误差建模实际需要，根据机床不同误差源信号，对机床的体积误差进行实时融合预测，从而为机床体积误差的补偿实施及机床加工精度的提高提供实时、可靠的检测信息资料。

本发明是通过以下技术方案实现的，本发明具体包括以下内容：

（1）不同误差源信息的检测与预处理；

（2）投影追踪回归模型、蚁群模型和神经网络模型的建立；

（3）不同模型预测结果的动态误差识别；

（4）通过加权实现多模型的融合预测，并得到最优体积误差值。

本发明所述的对不同误差源信号进行检测与预处理，是指：利用温度传感器对热误差源信号进行检测，并对温度信号进行A/D转换；利用电流传感器对主轴伺服电机的电流进行检测，并对电流信号进行A/D转换；利用数控接口卡反馈机床的加工位置信号。目的是获得不同的误差源信号，作为信息融合预测系统的输入。

本发明所述的分别建立体积误差的投影追踪回归模型、蚁群模型和神经网络模型，可以通过以下步骤实现：

（1）以不同的误差源信号作为模型输入，以机床体积误差作为模型输出，基于投影追踪回归理论建立机床的体积误差模型,具体建模过程如下：用表示n个不同的误差源信号，y表示机床的体积误差，则投影追踪回归模型可以表示为，表示平均输出变量，m表示岭函数个数，f表示岭函数，表示不同投影方向的权值参数，岭函数可用数值函数或者多项式进行拟合；

（2）以不同的误差源信号作为模型输入，以机床体积误差作为模型输出，基于蚁群算法建立机床的体积误差模型，具体建模过程如下：开始学习时将一定数量的蚂蚁放在不同的输入节点上，并为蚂蚁经过的不同路径赋不同的外激素初值，然后根据不同模型参数的外激素浓度比来优化模型参数，当各模型参数的期望输出与实际输出之间的误差小于某一阈值时，即可确定体积误差模型的各个参数；

（3）以不同的误差源信号作为模型输入，以机床体积误差作为模型输出，基于神经网络方法建立机床的体积误差模型，具体建模过程如下：以n个误差源信号作为神经网络模型的输入层，以机床体积误差作为神经网络模型的输出层，隐含层节点数取为2n+1，建立3层BP神经网络模型，并通过权值训练确定模型的参数；

本发明所述的对不同模型预测结果的动态误差进行识别，是指：应用所建模型分别对机床体积误差进行实时预测，同时对机床体积误差进行实时测量，并将预测值与测量结果进行比对，确定不同模型在不同时间节点上的动态误差。

本发明所述的通过加权实现多模型的融合预测，是指：在不同的时间节点上，将动态误差最小的预测模型的权值定为1，而将其余2个预测模型的权值定为0，从而确定融合模型的权值序列，得到最优融合预测模型。

本发明与现有机床误差建模技术相比显著效果在于：综合考虑了几何误差、热误差和切削力误差的影响，有效克服了误差源信息不完备、不准确的缺点，为机床体积误差的在线预测提供了一种思路；同时，通过投影追踪回归模型、蚁群模型和神经网络模型的融合预测，提高了模型的鲁棒性和预测精度，有效解决了不同类型机床的模型差异及预测精度较低的缺点。

本发明针对机床体积误差建模的实际需要，根据不同的机床误差源信号，对机床体积误差进行实时融合预测，具有预测精度高，鲁棒性强的优点，特别是综合考虑了几何误差、热误差和切削力误差对机床体积误差的影响，并能针对不同机床类型调整模型参数，这是以往误差建模技术没有涉及的，也是阻碍误差建模技术实现真正工程应用的主要障碍。本发明使用先进的智能方法，实现机床体积误差的多模型融合预测，为机床误差补偿的实施及机床加工精度的提高提供理论依据。

附图说明

附图1是本发明的技术流程图；

附图2是本实施例的实施方案；

附图3是本实施例的体积误差实测及预测曲线。

具体实施方式

以下结合附图对本发明的技术方案作进一步描述：

本发明的技术流程图如图1所示，以测得的机床误差源信号作为模型输入、机体积误差作为模型输出，分别建立体积误差的神经网络模型、蚁群模型和投影追踪回归模型。工作过程中，温度信号、加工位置信号和主轴伺服电机电流信号，经预处理输入到不同的预测模型中，得到多个预测结果。然后根据上述预测模型的动态误差对预测结果进行加权处理，得到新的预测结果。最后再对各预测结果的误差进行比较，得到体积误差的最优预测值，即体积误差的多模型融合预测结果。

本实施例的具体实施方案如图2所示。实施过程中，设定某五轴机床的主轴转速1500r/min、各轴进给速度500mm/min、A轴和C轴转速50r/min。机床工作过程中，在主要热源位置安装温度传感器，温度信号经PXI数据采集系统，完成信号的预处理及A/D转换后，经串口送入个人计算机。在主轴伺服电机上安装电流传感器，电枢电流信号经PXI数据采集系统，完成信号的预处理及A/D转换后，经串口送入个人计算机。加工位置信号由开放式数控系统送入数控接口卡的信号输入端，并由数控接口卡的并口送入PXI数据采集系统。激光跟踪仪置于机床之外，可转动的反射镜安装在自制圆筒式夹具上靠近主轴末端的位置，不影响主轴转动，且始终跟踪激光束。体积误差测量过程中，机床沿X轴方向的有效行程为0～600mm，每隔40mm选取一个测量点。沿Y轴方向的有效行程为0～420mm，每隔21mm选取一个测量点。沿Z轴方向的有效行程为0～360mm，每隔24mm选取一个测量点。测点之间的位置通过插值计算得到其体积误差，最后体积误差值由激光跟踪仪送入PXI数据采集系统，并经串口送入个人计算机。为保证位移变量、温度变量和切削力变量的同步采集，可应用LabVIEW软件平台对PXI数据采集系统进行控制，并通过使用共同的背板时钟实现多个设备模块之间的同步采集。

各误差源信号及体积误差值送入个人计算机以后，在个人计算机中完成建模工作，得到机床体积误差的最优预测模型，然后对机床体积误差的实测值和预测值进行比较，验证本发明的有效性，实验结果如图3所示，图中只表示出了某机床在X、Y、Z轴方向的定位误差，其方向误差未统计。可以看出此信息融合预测方法，能有效预测机床的体积误差值，预测精度较高，误差都在3um以内，满足机床误差建模的需求。

Claims

1.一种利用不同误差源信息对机床体积误差进行融合预测的方法，其特征在于，具体包括以下步骤：

（1）对不同误差源信号进行检测与预处理；

（2）分别建立体积误差的投影追踪回归模型、蚁群模型和神经网络模型；

（3）对不同模型的预测结果进行动态误差识别；

（4）通过对不同模型的预测结果进行加权处理，实现机床体积误差的多模型融合预测，获得最优体积误差值。

2.根据权利要求1所述的机床体积误差的信息融合预测方法，其特征是，所述的对不同误差源信号进行检测与预处理，是指：利用温度传感器对热误差源信号进行检测，并对温度信号进行A/D转换；利用电流传感器对主轴伺服电机的电流进行检测，并对电流信号进行A/D转换；利用数控接口卡反馈机床的加工位置信号。

3.根据权利要求1所述的机床体积误差的信息融合预测方法，其特征是，所述的分别建立体积误差的投影追踪回归模型、蚁群模型和神经网络模型，通过以下步骤实现：

（1）以不同的误差源信号作为模型输入，以机床体积误差作为模型输出，基于投影追踪回归理论建立机床的体积误差模型；

（2）以不同的误差源信号作为模型输入，以机床体积误差作为模型输出，基于蚁群算法建立机床的体积误差模型；

（3）以不同的误差源信号作为模型输入，以机床体积误差作为模型输出，基于神经网络方法建立机床的体积误差模型。

4.根据权利要求1所述的机床体积误差的信息融合预测方法，其特征是，所述的对不同模型的预测结果进行动态误差识别，通过以下步骤实现：

（1）以不同的误差源信号作为模型输入，用所建投影追踪回归模型对机床体积误差进行在线预测，并比较预测值与实测值，识别投影追踪回归模型的动态误差；

（2）以不同的误差源信号作为模型输入，用所建投蚁群模型对机床体积误差进行在线预测，并比较预测值与实测值，识别蚁群模型的动态误差；

（3）以不同的误差源信号作为模型输入，用所建神经网络模型对机床体积误差进行在线预测，并比较预测值与实测值，识别神经网络模型的动态误差。

5.根据权利要求1所述的机床体积误差的信息融合预测方法，其特征是，所述的对不同模型的预测结果进行加权处理，实现机床体积误差的多模型融合预测，通过以下步骤实现：

（1）根据不同预测模型的动态误差，对不同模型的预测结果进行加权处理，确定不同模型的融合权值；

（2）根据确定的融合权值，建立机床体积误差的融合预测模型，并对所建模型进行权值优化，得到机床体积误差的最优预测模型。