CN105807714B - 一种义齿加工机床热误差的在线温度补偿方法 - Google Patents

Abstract

本发明公开了一种义齿加工机床热误差的在线温度补偿方法，包括：空载运转义齿加工机床，并在运行过程中采集加工机床的多个位置的温度数据、加工刀架的位移数据及室内温度数据；将采集的温度数据输入到BPN神经网络，并将采集的位移数据与BPN神经网络的预测误差值进行比较，采用GA进化算法对BPN神经网络进行训练后获得训练好的神经网络；开启加工机床进行义齿加工，在加工过程中采集加工机床的多个位置的温度数据、以及室内温度数据并输入到训练好的神经网络模型中，获得加工机床的预测热误差值；加工机床根据预测热误差值，修正义齿的加工路径。本发明可对加工机床的热误差进行补偿，提高了义齿加工精度，可广泛应用于义齿加工领域中。

Description

一种义齿加工机床热误差的在线温度补偿方法

技术领域

本发明涉及义齿修复的义齿加工领域，特别是涉及一种义齿加工机床热误差的在线温度补偿方法。

背景技术

牙齿是人体口腔中的重要器官，除了咀嚼功能之外，牙齿在发音、语言及保持面部的正常形态方面也起着至关重要的作用。牙体牙列缺损、畸形和牙列缺失等是齿科的多发、常见病，随着生活条件的改善，民众对牙齿健康的意识越发增强，对牙齿美观也有了更高的要求，义齿修复是目前能解决这些问题的唯一办法。

天然牙齿的主要成分是钙化物，具有较高的硬度和耐磨性。因此，义齿的材料主要采用钛合金、氧化锆陶瓷等难加工材料。牙齿表面由沟、尖、窝等典型特征形态组成，尤其牙齿颌面由于长期的咬合运动，形成了极其复杂的曲面形态，采用传统技术加工冠类义齿这样的厚度约1mm的薄壁件相当困难。因此，如何提高义齿的加工精度及加工效率成为当今非常重视的问题。传统的手工制造义齿修复体的方法效率低下且精度低。近年来，我国研发具有自主知识产权的数字化口腔医疗装备系统，突破传统牙齿修复诊疗观念，可以在个性化数字建模的基础上快速制作复杂义齿。一般通过高速切削的方式对义齿进行加工，主要从切削参数及工艺上对义齿的加工进行优化。这种加工方法中，义齿型面的复杂性决定了其切削加工多选择球头铣刀，近年来，国内外的学者对球头铣刀铣削力开展了广泛的研究。因为铣削过程较为复杂，M. Yang 等提出了简化球头铣刀切削刃并将其离散细分，利用微分法和正交切削理论建立铣削模型的建模方法。Feng. H. Y、Menq. C. H等将切削刃沿轴向划分成多个切削微元，将作用其上的切削力分解为微切向切削力和微径向切削力，刀具受到的总的切削力即为所有微切削力矢量和。Smith S.实验研究分析了高速铣削中如何优化铣削参数及刀具的外伸长径比，以在保证加工质量及过程稳定的前提下尽量提高加工效率。国内马万太等分析了铣削加工中刀具跳动对切屑厚度的影响，微分化球头铣刀，基于切削力和切屑之间的经验关系，构建了铣削力模型。但是，目前的这些方法均是注重研究切削力对义齿的影响，却忽略了义齿加工过程由数控加工机床所导致的加工误差，试验表明，实际上，数控加工机床在加工过程中带来的热误差对义齿修复体的定位精度的影响，极大地影响了所加工的义齿精度。

发明内容

为了解决上述技术问题，本发明提供一种义齿加工机床热误差的在线温度补偿方法。

本发明解决其技术问题所采用的技术方案是：

一种义齿加工机床热误差的在线温度补偿方法，包括：

S1、空载运转义齿加工机床，并在运行过程中实时采集加工机床的多个位置处的温度数据、加工刀架的位移数据以及室内温度数据；

S2、将采集的温度数据输入到BPN神经网络中，并将采集的位移数据与BPN神经网络输出的预测误差值进行比较，进而采用GA进化算法对BPN神经网络进行训练后，获得训练好的神经网络；

S3、开启加工机床进行义齿加工，在加工过程中实时采集加工机床的多个位置处的温度数据、以及室内温度数据并输入到训练好的神经网络模型中，进而获得加工机床的预测热误差值；

S4、加工机床根据获得的预测热误差值，实时地修正义齿的加工路径。

进一步，所述步骤S2，包括：

S21、将同一时刻采集的所有温度数据输入到BPN神经网络中，通过神经网络模型计算预测误差值，同时给BPN神经网络的连接权值进行二进制编码，产生权值样本；

S22、针对同一组输入数据，分别采用多个权值样本进行BPN神经网络训练并获得多个预测误差值后，分别将多个预测误差值与输入数据所对应的位移数据进行比较，进而选取较优的权值样本作为神经网络的权值；

S23、判断较优的权值样本的数量是否达到预设阈值，若是，则直接执行步骤S24，反之将较差的权值样本通过变异、杂交、选择操作后，产生新的权值样本后返回执行步骤S22；

S24、针对神经网络的每组输入数据，读取对应的权值后计算神经网络的预测误差值；

S25、判断该预测误差值是否小于误差阈值，若是，则训练结束，并获得训练好的神经网络模型，反之，修改权值并返回执行步骤S24。

进一步，所述步骤S1之前，还包括以下步骤：

S0、分别在义齿加工机床上的多个位置上安装温度传感器，同时在义齿加工机床的加工刀架上安装位移传感器。

进一步，所述步骤S0安装的温度传感器的数量为六个，所述步骤S0中所述分别在义齿加工机床上的多个位置上安装温度传感器的步骤，其具体为：

在主轴表面距离主轴前端面100mm的两圆周位置，对称地安装第一温度传感器及第二温度传感器；

在X轴滑动平台上距离边缘50mm的位置对称地安装第三温度传感器及第四温度传感器；

在加工机床的机身中心安装第五温度传感器，同时在加工机床的床身上安装用于采集室内温度数据信号的第六温度传感器。

进一步，所述步骤S1，其具体为：

空载运转义齿加工机床，开启机床主轴及冷却液，让加工机床运行60分钟，然后停止运转20分钟后，再让加工机床运行60分钟，然后再停止运转20分钟，依次循环，同时在加工机床运转过程中，实时采集六个温度传感器的温度数据以及位移传感器的位移数据。

进一步，所述步骤S4，其具体为：

加工机床根据获得的预测热误差值，修改NC代码从而修正刀具的走刀轨迹，进而实时地修正义齿的加工路径。

本发明的有益效果是：本发明的一种义齿加工机床热误差的在线温度补偿方法，包括：S1、空载运转义齿加工机床，并在运行过程中实时采集加工机床的多个位置处的温度数据、加工刀架的位移数据以及室内温度数据；S2、将采集的温度数据输入到BPN神经网络中，并将采集的位移数据与BPN神经网络输出的预测误差值进行比较，进而采用GA进化算法对BPN神经网络进行训练后，获得训练好的神经网络；S3、开启加工机床进行义齿加工，在加工过程中实时采集加工机床的多个位置处的温度数据、以及室内温度数据并输入到训练好的神经网络模型中，进而获得加工机床的预测热误差值；S4、加工机床根据获得的预测热误差值，实时地修正义齿的加工路径。本方法在对义齿进行加工前，先使加工机床进行空载运转，然后采集加工机床的多个位置处的温度数据及加工机床的位移数据后，结合GA进化算法进行BPN神经网络训练，从而在获得训练好的神经网络模型后，在加工机床的正常加工过程中实时采集加工机床的多个位置处的温度数据，进而采用神经网络进行预测并根据预测热误差值实时地修正义齿的加工路径，对加工机床的热误差进行补偿，减少了由于加工机床的发热对加工定位的影响，从而提高了义齿的加工精度。

而且，结合了GA进化算法对BPN神经网络进行训练，具有高收敛率、鲁棒性强且收敛精度高的优点，大大提高了训练好的神经网络模型的预测精度，即提高了热误差补偿的精度，大大地提高了义齿的加工精度。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明的一种义齿加工机床热误差的在线温度补偿方法的流程示意图；

图2是图1中的步骤S2的具体流程图；

图3是义齿加工机床的示意图；

图4是位移传感器在义齿加工机床上的安装位置示意图；

图5是多个温度传感器在义齿加工机床上的安装位置示意图；

图6是本发明的一具体实施例中的进行神经网络训练时的神经网络示意图。

具体实施方式

为了便于下文的描述，首先给出以下术语解释：

GA进化算法：Genetic algorithm进化算法，遗传算法进化算法，基于遗传算法的进化算法。

BPN神经网络：Back propagation neural network，反向传播人工神经网络。

NC代码：数字信息控制机械控制器能识别的代码，即数字加工机床能识别的代码。

参照图1，本发明提供了一种义齿加工机床热误差的在线温度补偿方法，包括：

S1、空载运转义齿加工机床，并在运行过程中实时采集加工机床的多个位置处的温度数据、加工刀架的位移数据以及室内温度数据；

S2、将采集的温度数据输入到BPN神经网络中，并将采集的位移数据与BPN神经网络输出的预测误差值进行比较，进而采用GA进化算法对BPN神经网络进行训练后，获得训练好的神经网络；

S3、开启加工机床进行义齿加工，在加工过程中实时采集加工机床的多个位置处的温度数据、以及室内温度数据并输入到训练好的神经网络模型中，进而获得加工机床的预测热误差值；

S4、加工机床根据获得的预测热误差值，实时地修正义齿的加工路径。

进一步作为优选的实施方式，所述步骤S2，包括：

S21、将同一时刻采集的所有温度数据输入到BPN神经网络中，通过神经网络模型计算预测误差值，同时给BPN神经网络的连接权值进行二进制编码，产生权值样本；

S22、针对同一组输入数据，分别采用多个权值样本进行BPN神经网络训练并获得多个预测误差值后，分别将多个预测误差值与输入数据所对应的位移数据进行比较，进而选取较优的权值样本作为神经网络的权值；

S23、判断较优的权值样本的数量是否达到预设阈值，若是，则直接执行步骤S24，反之将较差的权值样本通过变异、杂交、选择操作后，产生新的权值样本后返回执行步骤S22；

S24、针对神经网络的每组输入数据，读取对应的权值后计算神经网络的预测误差值；

S25、判断该预测误差值是否小于误差阈值，若是，则训练结束，并获得训练好的神经网络模型，反之，修改权值并返回执行步骤S24。

进一步作为优选的实施方式，所述步骤S1之前，还包括以下步骤：

S0、分别在义齿加工机床上的多个位置上安装温度传感器，同时在义齿加工机床的加工刀架上安装位移传感器。

进一步作为优选的实施方式，所述步骤S0安装的温度传感器的数量为六个，所述步骤S0中所述分别在义齿加工机床上的多个位置上安装温度传感器的步骤，其具体为：

在主轴表面距离主轴前端面100mm的两圆周位置，对称地安装第一温度传感器及第二温度传感器；

在X轴滑动平台上距离边缘50mm的位置对称地安装第三温度传感器及第四温度传感器；

在加工机床的机身中心安装第五温度传感器，同时在加工机床的床身上安装用于采集室内温度数据信号的第六温度传感器。

进一步作为优选的实施方式，所述步骤S1，其具体为：

空载运转义齿加工机床，开启机床主轴及冷却液，让加工机床运行60分钟，然后停止运转20分钟后，再让加工机床运行60分钟，然后再停止运转20分钟，依次循环，同时在加工机床运转过程中，实时采集六个温度传感器的温度数据以及位移传感器的位移数据。

进一步作为优选的实施方式，所述步骤S4，其具体为：

加工机床根据获得的预测热误差值，修改NC代码从而修正刀具的走刀轨迹，进而实时地修正义齿的加工路径。

下面结合具体实施例对本发明做详细说明。

参照图1，一种义齿加工机床热误差的在线温度补偿方法，包括：

一种义齿加工机床热误差的在线温度补偿方法，包括：

S1、空载运转义齿加工机床，并在运行过程中实时采集加工机床的多个位置处的温度数据、加工刀架的位移数据以及室内温度数据；

S2、将采集的温度数据输入到BPN神经网络中，并将采集的位移数据与BPN神经网络输出的预测误差值进行比较，进而采用GA进化算法对BPN神经网络进行训练后，获得训练好的神经网络；

S3、开启加工机床进行义齿加工，在加工过程中实时采集加工机床的多个位置处的温度数据、以及室内温度数据并输入到训练好的神经网络模型中，进而获得加工机床的预测热误差值；

S4、加工机床根据获得的预测热误差值，实时地修正义齿的加工路径。

本实施例中，参照图2，步骤S2，包括步骤S21~S25：

S21、将同一时刻采集的所有温度数据输入到BPN神经网络中，通过神经网络模型计算预测误差值，同时给BPN神经网络的连接权值进行二进制编码，产生权值样本；

S22、针对同一组输入数据，分别采用多个权值样本进行BPN神经网络训练并获得多个预测误差值后，分别将多个预测误差值与输入数据所对应的位移数据进行比较，进而按设定比例选取较优的权值样本作为神经网络的权值；

S23、判断较优的权值样本的数量是否达到预设阈值，若是，则直接执行步骤S24，反之将较差的权值样本通过变异、杂交、选择操作后，产生新的权值样本后返回执行步骤S22；预设阈值是一个预设的自然数，用于区分是否获取足够多较优的权值样本；若否，则继续获取权值样本，反之继续执行下一步骤；

本方法中，较优的权值样本与较差的权值样本是按设定比例选取的，两者的设定比例之和为1，一般设定两者比例分别为50%、50%，则当有100个权值样本时，采用随机的方法对100个权值样本进行两两配对，步骤S22中按设定比例选取50个使得BPN神经网络的输出误差值较为接近位移数据的权值样本作为较优的权值样本，剩下的50个样本为较差的权值样本；

S24、针对神经网络的每组输入数据，读取对应的权值后计算神经网络的预测误差值E；

S25、判断该预测误差值E是否小于误差阈值e，若是，则训练结束，并获得训练好的神经网络模型，反之，修改权值并返回执行步骤S24。

步骤S21~S25的执行过程中，结合了GA进化算法对BPN神经网络进行训练，具有高收敛率、鲁棒性强且收敛精度高的优点，大大提高了训练好的神经网络模型的预测精度。本实施例中，实时地根据神经网络模型预测的热误差值进行义齿加工轨迹修正，实现对加工机床的热误差进行在线补偿，提高了义齿加工精度。

本实施例在步骤S1之前，还包括以下步骤：

S0、分别在义齿加工机床上的多个位置上安装温度传感器，同时在义齿加工机床的加工刀架上安装位移传感器。

义齿加工机床的示意图如图3所示，包括PC电脑1、运动控制卡2、义齿加工机床3、温度传感器模块4、位移传感器5、温度信号放大器6和位移信号放大信号7，温度传感器模块4和位移传感器5分别安装在义齿加工机床3上，温度传感器模块4通过温度信号放大器6与PC电脑1连接，位移传感器5通过位移信号放大信号7与PC电脑1连接，义齿加工机床3通过运动控制卡2与PC电脑1连接。

位移传感器5的安装位置如图4所示，义齿加工机床3运转时，位移传感器5的测量点沿着主轴径向，测量主轴的热偏移。

温度传感器模块4用于采集义齿加工机床3的重要位置的温度数据，其具体设置位置可以根据义齿加工机床3在运行过程中各部位的发热情况来设置，一般选择发热量最大的几个位置。本实施例中，参照图5，温度传感器模块包括6个温度传感器：第一温度传感器41、第二温度传感器42、第三温度传感器43、第四温度传感器44、第五温度传感器45及第六温度传感器，第六温度传感器用于采集室内的温度数据，安装在义齿加工机床3机身上，图5中未标示。优选的，本实施例中，参照图5所示，第一温度传感器41及第二温度传感器42分别在主轴表面，且对称布置在主轴前端面100mm的圆周位置；第三温度传感器及第四温度传感器分别安装在X轴滑动平台上且对称布置距边缘50mm的位置；第五温度传感器45安装在义齿加工机床3的机身中心上。

相应地，步骤S0安装的温度传感器的数量为六个，步骤S0中分别在义齿加工机床上的多个位置上安装温度传感器的步骤，其具体为：

在主轴表面距离主轴前端面100mm的两圆周位置，对称地安装第一温度传感器41及第二温度传感器42；

在X轴滑动平台上距离边缘50mm的位置对称地安装第三温度传感器43及第四温度传感器44；

在加工机床的机身中心安装第五温度传感器45，同时在加工机床的床身上安装用于采集室内温度数据信号的第六温度传感器46。

相应地，步骤S1，其具体为：

空载运转义齿加工机床，开启机床主轴及冷却液，让加工机床运行60分钟，然后停止运转20分钟后，再让加工机床运行60分钟，然后再停止运转20分钟，即以一个运动周期为让加工机床运行60分钟，然后停止运转20分钟进行依次循环，同时在加工机床运转过程中，实时采集六个温度传感器的温度数据以及位移传感器的位移数据。采集的温度数据分别为：△T₁₁，△T₂₁，△T₃₁，△T₄₁，△T₅₁，△T₆₁，△T₁₂，△T_22……△T₆₂，其中，△T₁₁代表第一温度传感器41在第一个运转60分钟的周期内的值，△T₁₂代表第二温度传感器42在第一个运转60分钟的周期内的值，△T₁₂代表第一温度传感器41在第二个运转60分钟的周期内的值，以此类推。第一个运转60分钟的周期内采集的位移数据为δS₁₁，第二个运转60分钟的周期内采集的位移数据为δS₁₂。相应地，参照图6，步骤S2中，输入到BPN神经网络中的温度数据为△T₁₁，△T₂₁，△T₃₁，△T₄₁，△T₅₁，△T₆₁，然后将BPN神经网络输出的预测误差值与采集的位移数据δS₁₁进行比较，进而采用GA进化算法对BPN神经网络进行训练后，获得训练好的神经网络；

步骤S4，其具体为：

加工机床根据获得的预测热误差值，修改NC代码从而修正刀具的走刀轨迹，进而实时地修正义齿的加工路径。从而对加工机床的热误差进行补偿，提高了义齿的加工精度。

结合图3，本实施例中，训练好的神经网络模型是输入到运动控制卡2中的，步骤S3与步骤S4具体执行情况如下：

开启义齿加工机床3进行义齿加工，在加工过程中实时采集义齿加工机床3的多个位置处的温度数据、以及室内温度数据并发送到PC电脑1，PC电脑1将温度数据发送到运动控制卡2处，运动控制卡2将接收的温度数据输入到训练好的神经网络模型中，进而获得义齿加工机床3的预测热误差值然后发送到义齿加工机床3，义齿加工机床3根据获得的预测热误差值，修改NC代码从而修正刀具的走刀轨迹，进而实时地修正义齿的加工路径。从而对加工机床的热误差进行补偿，提高了义齿的加工精度。

本方法在对义齿进行加工前，先使加工机床进行空载运转，然后采集加工机床的多个位置处的温度数据及加工机床的位移数据后，结合GA进化算法进行BPN神经网络训练，从而在获得训练好的神经网络模型后，在加工机床的正常加工过程中实时采集加工机床的多个位置处的温度数据，从而采用神经网络进行预测并根据预测热误差值实时地修正义齿的加工路径，对加工机床的热误差进行补偿，提高了义齿的加工精度。

而且，结合了GA进化算法对BPN神经网络进行训练，具有高收敛率、鲁棒性强且收敛精度高的优点，大大提高了训练好的神经网络模型的预测精度，即提高了热误差补偿的精度，大大地提高了义齿的加工精度。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

1.一种义齿加工机床热误差的在线温度补偿方法，其特征在于，包括：

S1、空载运转义齿加工机床，并在运行过程中实时采集加工机床的多个位置处的温度数据、加工刀架的位移数据以及室内温度数据；

S2、将采集的温度数据输入到BPN神经网络中，并将采集的位移数据与BPN神经网络输出的预测误差值进行比较，进而采用GA进化算法对BPN神经网络进行训练后，获得训练好的神经网络；

S3、开启加工机床进行义齿加工，在加工过程中实时采集加工机床的多个位置处的温度数据、以及室内温度数据并输入到训练好的神经网络模型中，进而获得加工机床的预测热误差值；

S4、加工机床根据获得的预测热误差值，实时地修正义齿的加工路径；

所述步骤S2，包括：

S21、将同一时刻采集的所有温度数据输入到BPN神经网络中，通过神经网络模型计算预测误差值，同时给BPN神经网络的连接权值进行二进制编码，产生权值样本；

S22、针对同一组输入数据，分别采用多个权值样本进行BPN神经网络训练并获得多个预测误差值后，分别将多个预测误差值与输入数据所对应的位移数据进行比较，进而选取较优的权值样本作为神经网络的权值；

S23、判断较优的权值样本的数量是否达到预设阈值，若是，则直接执行步骤S24，反之将较差的权值样本通过变异、杂交、选择操作后，产生新的权值样本后返回执行步骤S22；

S24、针对神经网络的每组输入数据，读取对应的权值后计算神经网络的预测误差值；

S25、判断该预测误差值是否小于误差阈值，若是，则训练结束，并获得训练好的神经网络模型，反之，修改权值并返回执行步骤S24。

2.根据权利要求1所述的一种义齿加工机床热误差的在线温度补偿方法，其特征在于，所述步骤S1之前，还包括以下步骤：

S0、分别在义齿加工机床上的多个位置上安装温度传感器，同时在义齿加工机床的加工刀架上安装位移传感器。

3.根据权利要求2所述的一种义齿加工机床热误差的在线温度补偿方法，其特征在于，所述步骤S0安装的温度传感器的数量为六个，所述步骤S0中所述分别在义齿加工机床上的多个位置上安装温度传感器的步骤，其具体为：

在主轴表面距离主轴前端面100mm的两圆周位置，对称地安装第一温度传感器及第二温度传感器；

在X轴滑动平台上距离边缘50mm的位置对称地安装第三温度传感器及第四温度传感器；

在加工机床的机身中心安装第五温度传感器，同时在加工机床的床身上安装用于采集室内温度数据信号的第六温度传感器。

4.根据权利要求3所述的一种义齿加工机床热误差的在线温度补偿方法，其特征在于，所述步骤S1，其具体为：

空载运转义齿加工机床，开启机床主轴及冷却液，让加工机床运行60分钟，然后停止运转20分钟后，再让加工机床运行60分钟，然后再停止运转20分钟，依次循环，同时在加工机床运转过程中，实时采集六个温度传感器的温度数据以及位移传感器的位移数据。

5.根据权利要求1所述的一种义齿加工机床热误差的在线温度补偿方法，其特征在于，所述步骤S4，其具体为：

加工机床根据获得的预测热误差值，修改NC代码从而修正刀具的走刀轨迹，进而实时地修正义齿的加工路径。