CN105094053A - 一种基于蚁群神经网络的机床热误差建模方法 - Google Patents

Abstract

本发明涉及一种精密加工技术领域中的数据处理方法，具体是一种基于蚁群神经网络的机床热误差元素建模方法，包括：（1）滚齿机热误差源分析；（2）神经网络模型的建立；（3）基于蚁群算法的网络权值训练；（4）热误差补偿实验。本发明具有热误差逼近能力强、预测精度高、鲁棒性强的优点，可以有效地控制滚齿机热变形，进而提高齿轮加工精度。

Description

一种基于蚁群神经网络的机床热误差建模方法

技术领域

本发明涉及一种精密加工技术领域中的数据处理方法，具体是一种基于蚁群神经网络的机床热误差建模方法。

背景技术

大量研究表明，热误差是机床的最大误差源，占整个机床误差的40％～70％。滚齿机长时间工作后,产生的热量对其加工精度影响很大,随着切削速度的提高和切削功率的增大,由热变形引起的误差更是严重影响了齿轮加工精度。随着现代制造技术的不断发展，通过控制主要热源或改变滚齿机结构来消除其热变形效果已不明显，而对滚齿加工实施热误差补偿正以较低的制造成本和显著的经济效益，得到迅速发展。

滚齿机在工作过程中是一个复杂的热态系统，周围环境、冷却液、加工周期、液压系统及各种摩擦都影响了其热变形，热误差具有非线性、交互性和耦合性，精确有效地建立热误差数学模型是实施热误差补偿的难点之一。由于滚齿机热变形影响因素众多，具有非统计性与不可预测性，属于典型的非线性系统。BP神经网络因其结构简单、可靠性高、适于处理复杂非线性问题的优点在热变形预测领域得到了广泛应用，但BP神经网络易于陷入局部极小值，同时需要大量学习时间。

为提高滚齿机床的加工精度，本发明以Y3150K型滚齿机的热误差作为研究对象，建立综合反映温度变量与位移变量关系的最优热误差模型，为提高滚齿机床加工精度提供理论依据，具有重要的现实意义。

发明内容

本发明的目的在于在BP神经网络的权值训练过程中引入了一种新的随机型全局搜索算法——蚁群算法，利用这种源于自然界的新型仿生学算法，吸收蚁群的行为特征，通过其内在搜索机制，优化神经网络学习过程中权值。解决了目前BP神经网络主要采用梯度下降法对连接权值进行训练，收敛时间长、易于陷入局部极值等难题，增强了模型的预测能力和热误差逼近能力，提高了热误差补偿的效率，为其它类型机床的热误差建模提供了有益参考。

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）滚齿机热误差源分析；（2）神经网络模型的建立；（3）应用蚁群算法对网络权值进行训练；（4）热误差补偿实验。

本发明所述的滚齿机热误差源分析，可以通过以下步骤实现：（1）Y3150K型滚齿机床加工时的主要热源，主要包括以下几个方面：1）切削热。滚齿加工过程中，刀具与工件之间由于摩擦、金属的弹塑性变形及切削力所做的功都会产生大量的热，这些切削热最终进入切屑或周围环境，并进一步经传导、辐射等方式传递到机床的各零部件中，引起热变形；2）摩擦产生的热。由于滚齿加工过程中切削力较大，各轴承、导轨及油封之间都会因摩擦产生大量的热；3）各电机由于电能转换产生的热。如主轴电机、各轴的进给电机、工作台的旋转电机等，这些电机在加工过程中不断消耗电能，而这些电能最终都转换成了热量传入机床各零部件中；4）周围环境。随齿轮加工精度要求的日益提高，环境温度对齿轮加工精度的影响逐渐增强。由于很多地方昼夜、季节之间的温差较大，恒温加工已势在必行；5）其它因素。如冷却液、液压系统、其它热源的热辐射等等。所有这些都引起了滚齿机机床零部件的热变形，进而影响了齿轮加工精度。（2）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；利用位移传感器对滚刀和工件主轴在径向的热变形误差进行检测，并对位移信号进行A/D转换；（3）将床身和立柱分别按梁和悬臂梁进行分析，床身和两侧立柱受热后会产生图5所示的弯曲变形，热变形改变了滚齿机上刀具与工件间的相对位置关系，引起加工误差。设床身、立柱、小立柱的膨胀系数分别为、、，床身上下表面、立柱与小立柱内外侧温差分别为、、，尺寸如图5所示，则滚刀与工件之间由于热变形影响产生的位移偏差为：。

本发明所述的神经网络模型的建立，是指：根据滚齿机上温度传感器与位移传感器的安装数目，采用三层BP神经网络对温度变量进行信息融合，该网络主要由输入层、隐含层和输出层组成，其中输入层代表引起滚齿机床热变形误差的温度变量，输出层代表滚刀与工件主轴的径向位移。

本发明所述的基于蚁群算法的网络权值训练，可以通过以下步骤实现：（1）假设蚁群中有20只蚂蚁，将其放在不同的输入节点上，并为每条路径赋外激素初值。（2）选取一个元素作为连接权值；（3）蚂蚁完成元素选择，修改其外激素值；（4）外激素浓度达到一定值，得到优化的连接权值，否则返回（2）继续寻优。

本发明所述的热误差补偿实验，是指：将热源的温度值及热变形误差信号经过信号处理单元后经串口送入PC，基于蚁群算法建立优化的滚齿机热误差神经网络模型，将模型嵌入DSP，进而获得补偿值，并经并口送入机床数控系统，完成热误差补偿过程，最后应用3种模型分别对滚刀主轴与工件主轴的径向热变形误差进行预测分析，验证模型预测性能。

本发明与现有机床误差建模技术相比显著效果在于：综合分析了滚齿机的主要热源，在利用BP神经网络模型的预测精度较高的基础之上，有效克服了其算法存在的固有缺陷，提高了模型的预测能力。

本发明针对滚齿机热误差建模的实际需要，根据热误差补偿技术中的核心问题，建立滚齿机床热误差的蚁群神经网络模型，具有热误差逼近能力强、预测精度高、鲁棒性强的优点，有效地控制滚齿机主轴热变形。本发明使用先进的智能算法，为滚齿机热误差补偿的实施及齿轮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3种模型的热误差逼近曲线；

附图4是本实施例补偿后3种模型的热误差曲线；

附图5是本实施例的热变形示意图；

附图6是本实施例的神经网络结构。

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，分析加工时滚齿机的主要发热源，以及热变形对齿轮加工精度的影响，以测得的温度信号作为模型输入层、热变形误差作为模型输出层，基于神经网络算法建立滚齿机热误差模型，基于蚁群算法对神经网络学习过程中权值进行优化，得到蚁群神经网络模型。通过自行开发的热误差补偿系统，验证所建模型的逼近性能，应用3种模型分别对滚刀主轴与工件主轴的径向热变形误差进行预测分析，验证模型预测性能。

本实施例的具体实施方案如图2所示。实施过程中，为了对这些重要热源加以控制，并对热误差建模过程中的温度变量进行优选，本发明在滚齿机的不同位置安装了11个温度传感器和2个位移传感器，具体布置如下：床身底部（T1），滚刀主轴箱（T2），滚刀主轴前端（T3），滚刀主轴后端（T4），工件心轴箱（T5），工件心轴上端（T6），工件心轴下端（T7），立柱内侧（T8），小立柱内侧（T9），冷却液（T10），工作台导轨（T11），滚刀主轴径向（D1），工件主轴径向（D2）。根据滚齿机上温度传感器与位移传感器的安装数目，采用三层BP神经网络对温度变量进行信息融合，网络主要由输入层、隐含层和输出层组成，如图6所示。输入层由11个节点组成，代表引起滚齿机床热变形误差的11个温度变量。输出层由2个节点组成，代表滚刀主轴与工件主轴的径向位移D1和D2。隐含层神经元对网络计算和学习具有非常重要的影响。神经元太少，网络不能很好地学习、训练精度也不够高。神经元过多，网络训练精度越高，功能越强大，但会产生可靠性下降、学习过度、学习时间增加等问题。综合上述因素本发明选择隐含层节点数为23个。

假设蚁群中有20只蚂蚁，表示输入层到隐含层之间的连接权值，表示隐含层神经元的阈值，表示隐含层到输出层之间的连接权值，表示输出层节点的阈值。表示时刻、之间路径上残留的外激素，表示时刻与之间路径上残留的外激素，用以模拟蚂蚁残留的外激素浓度。基于蚁群算法的权值的具体训练过程如下：

（1）开始学习时，将20只蚂蚁放在不同的输入节点上，为、之间的每条路径赋外激素初值，为、之间的每条路径赋外激素初值；

（2）权值每一个值的所有可能值组成一个集合，将权值每一个值的所有可能值组成一个集合，然后根据下述规则依次在每一个集合中选取一个元素作为连接权值：对于集合和，蚂蚁根据集合中元素的外激素浓度比来选择元素，蚂蚁选择集合和中某一元素的概率分别为：，

其中，表示蚂蚁在时刻选择集合中某一元素的概率值，表示蚂蚁在时刻选择集合中某一元素的概率值。表示时刻集合中任一元素的外激素值，表示时刻集合中任一元素的外激素值。最后，蚂蚁将选取集合中被选择概率最大的元素作为连接权值，即选择集合中使和值最大的元素作为连接权值；

（3）当蚂蚁完成元素选择后，同时按下式修改其外激素值：，

其中，表示外激素的衰减程度，因为外激素会随时间而出现衰减现象。表示蚂蚁完成一次元素选择所经过的时间步。表示蚂蚁在本次元素选择过程中在、之间路径上留下的外激素，表示蚂蚁在本次元素选择过程中在、之间路径上留下的外激素，计算规则如下：，

其中，是一个常数，用于调节外激素的增长速度。表示隐含层神经元的所有采样值的最大误差，表示输出层神经元的所有采样值的最大误差。，为样本数，表示神经元的期望输出，表示神经元的实际输出；

(4)根据外激素调节公式可知，误差越小外激素增长越快，当外激素浓度达到一定值，此时误差达到其精度要求，并最终得到优化的连接权值。若误差未能达到精度要求，则返回步骤（2）继续寻优。

温度信号及热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，得到滚齿机热误差的最优预测模型，利用自行开发的热误差补偿器分别对最小二乘法模型、BP网络模型和蚁群神经网络模型进行补偿实验，验证本发明的预测精度。利用3种模型计算得到的滚刀主轴径向热变形与实测值的比较如图3所示，实验过程中由于主轴升温、停机降温等因素，滚刀主轴出现了台阶式热变形误差，蚁群神经网络模型可以很好地逼近热变形误差值，且其热变形预测精度明显高于其它两种模型。实施热误差补偿后3种模型的误差曲线如图4所示，实施热误差补偿后，滚刀主轴的热变形误差可以得到有效控制，并消除了台阶式热变形对齿轮加工精度影响。其中蚁群神经网络模型可以将热变形误差控制在6以内，而另外两种模型的预测误差最大分别为8.9和13.3。结果表明，蚁群神经网络模型具有最高的模型预测精度，可以使热误差补偿更有效。

Claims (5)

1.一种基于蚁群神经网络的机床热误差元素建模方法，其特征在于，具体包括以下步骤：滚齿机热误差源分析；神经网络模型的建立；基于蚁群算法的网络权值训练；热误差补偿实验。

2.根据权利要求1所述的滚齿机床热误差元素建模方法，其特征在于，所述的滚齿机热误差源分析，通过以下步骤实现：以Y3150K型滚齿机为研究对象，分析滚齿机床加工过程中的主要热源；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，利用位移传感器对滚刀和工件主轴在径向的热变形误差进行检测，并对位移信号进行A/D转换；计算滚刀与工件之间由热变形影响产生的位移偏差。

3.根据权利要求1所述的滚齿机热误差元素建模方法，其特征是，所述的神经网络模型的建立，是指：根据滚齿机上温度传感器与位移传感器的安装数目，采用三层BP神经网络对温度变量进行信息融合，该网络主要由输入层、隐含层和输出层组成，其中输入层代表引起滚齿机床热变形误差的温度变量，输出层代表滚刀相对工件沿主轴径向的位移偏差。

4.根据权利要求1所述的滚齿机热误差元素建模方法，其特征是，所述的基于蚁群算法的网络权值训练，通过以下步骤实现：假设蚁群中有20只蚂蚁，将其放在不同的输入节点上，并为每条路径赋外激素初值；选取一个元素作为连接权值；蚂蚁完成元素选择，修改其外激素值；外激素浓度达到一定值，得到优化的连接权值，否则返回步骤二继续寻优。

5.根据权利要求1所述的滚齿机热误差元素建模方法，其特征是，所述的热误差补偿实验，通过以下步骤实现：将热源的温度值及热变形误差信号经串口送入PC；基于蚁群算法建立滚齿机床的热误差模型；将模型嵌入DSP；补偿值经并口送入机床数控系统；应用3种模型分别对滚刀主轴与工件主轴的径向热变形误差进行预测分析，验证模型预测性能。