CN106842922A - 一种数控加工误差优化方法 - Google Patents
一种数控加工误差优化方法 Download PDFInfo
- Publication number
- CN106842922A CN106842922A CN201710026532.6A CN201710026532A CN106842922A CN 106842922 A CN106842922 A CN 106842922A CN 201710026532 A CN201710026532 A CN 201710026532A CN 106842922 A CN106842922 A CN 106842922A
- Authority
- CN
- China
- Prior art keywords
- parameter
- value
- hidden layer
- frequency domain
- time domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003754 machining Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明涉及一种数控加工误差优化方法，本发明综合考虑影响数控加工的众多因素，利用数学拟合原理及神经网络模型预测加工状态特征参数和加工误差，并根据得到的预测误差对数控程序进行部分微调，直接对加工误差进行补偿，达到数控加工误差优化的目的。因此，本发明可以广泛用于数控机床技术领域。
Description
技术领域
本发明涉及数控机床技术领域，特别是关于一种数控加工误差优化领域。
背景技术
随着新材料、新技术、新工艺的不断涌现，数控加工工艺参数优化研究在朝着高性能、高功能、高智能方向发展；数控切削向高性能切削方向发展；优化模型向高功能方向发展；优化方法向高智能方向发展。建立科学合理的工艺参数优化方法，进而选择加工参数是提高数控加工精度的重要途径。
当前有关于数控加工技术的研究与开发大多结合CAD/CAE技术，通过对数控加工系统主要组件的建模与仿真分析实现加工参数的优化。然而大量的加工实践证明，计算机仿真技术的参考价值与准确性并不总是尽如人意，即便计算机仿真技术发展很快，但仍然不能满足人们对于高质量数控加工的需求。除了计算机仿真技术外，实验也是重要的研究方法之一，但实验的条件通常难以完全模拟实际加工环境，且效率较低。
多年来，国内外学者在数控加工过程优化方面作了大量的工作。例如见中国专利申请号为CN102073300A，其公开了一种数控加工状态自学习的刀具磨损监控系统，其对刀具磨损量进行监控，数控系统根据刀具的磨损情况做出相应的反应，提示更换刀具或者更改刀补量，然而其考虑因素比较单一，忽略数控加工诸多影响因素如温度、振动等，该方法对于数控加工误差的优化具有明显的局限性。中国专利申请号为CN104407568A，其公开了一种数控加工参数实时自适应优化方法，通过对零件数控加工的切削力进行实时在线监测，再对进给速率和主轴速率进行修调与控制，然而上述调整并没有实现对加工误差的补偿，对零件加工过程可能有所改进，但对加工误差不会产生明显的影响。许多相关专利或方法都只是停留在某一方面的检测与分析，而没有对影响数控加工精度的因素综合考虑；在提高加工精度、减小加工误差方面较少具有实质性意义。
发明内容
为了解决现有技术中存在的不足，本发明的目的是提供一种数控机床加工误差优化方法，以改变当前针对数控加工误差缺乏有效可行的优化手段及方法的局面。
为达到上述目的，本发明主要提供如下技术方案：一种数控加工误差优化方法，它包括以下步骤：1)获取每一次机床加工实时采样数据；2)获取每一次机床加工时的零件加工尺寸误差数据，并与步骤1)中获取的每一次机床加工实时采样数据对应存储；3)采用时域分析方法和频域分析方法分别对步骤1)中获得的机床加工实时采样数据进行处理以得到相应的时域特征参数和频域特征参数，针对时域特征参数和频域特征参数基于最小二乘法的数学拟合建立特征参数预测模型，并采用该模型对时域特征参数和频域特征参数进行预测，得到时域特征参数预测值和频域特征参数预测值；4)建立BP单隐层神经网络模型，采用步骤3)中的时域特征参数和频域特征参数以及步骤2)中获得的零件加工尺寸误差数据，针对BP单隐层神经网络模型进行训练，并将步骤3)中的时域特征参数预测值和频域特征参数预测值带入训练后的BP单隐层神经网络模型中，得到预测加工误差；5)根据步骤4)中得到的预测加工误差，通过数控程序优化系统对部分程序微调，以补偿加工误差。
所述步骤3)包括以下步骤：31)采用时域分析方法和频域分析方法分别对步骤1)中获得的机床加工实时采样数据进行处理以得到相应的时域特征参数和频域特征参数；32)针对时域特征参数和频域特征参数基于最小二乘法的数学拟合建立特征参数预测模型；33)采用特征参数预测模型对时域特征参数和频域特征参数进行预测，得到时域特征参数预测值和频域特征参数预测值。
所述步骤4)包括以下步骤：41)建立BP单隐层神经网络模型；其中，BP单隐层神经网络模型包括输入层、隐含层和输出层，其结构为N(s，p，q)，其中，s为输入层神经元个数，且输入层神经元个数s与选定的特征参数个数相同，p为隐含层神经元个数，q是输出层神经元个数；42)采用步骤3)中的时域特征参数和频域特征参数以及步骤2)中获得的零件加工尺寸误差数据，针对BP单隐层神经网络模型进行训练；43)将步骤3)中的时域特征参数预测值和频域特征参数预测值带入训练后的BP单隐层神经网络模型中，得到预测加工误差。
所述步骤42)中，它包括以下步骤：a)选定时域特征参数和频域特征参数，并针对选定的特征参数采用min-max方法归一化处理后得到的特征值，将特征值作为BP单隐层神经网络模型的输入层输入；b)隐含层神经元个数p按照经验公式确定并取整，其中h为常数，且1≤h≤10；c)在BP单隐层神经网络中，输出层的输出神经元采用二进制编码，每组二进制编码与其相对应的误差区间一一对应；d)每次选定的特征参数输入都会重新计算BP单隐层神经网络模型的目标函数值，得到新的权值，并通过目标函数值与预期目标值相比较：若获得的目标函数值小于预期目标值，则权值确定，得到满足要求的BP单隐层神经网络模型；若获得的目标函数值未小于预期目标值，则按梯度下降法反向计算，逐层调整权值，直至满足预期目标值。
本发明由于采取以上技术方案，其具有以下优点：本发明综合考虑影响数控加工的众多因素，利用数学拟合原理及神经网络模型预测加工状态特征参数和加工误差，并根据得到的预测误差对数控程序进行部分微调，直接对加工误差进行补偿，达到数控加工误差优化的目的。鉴于以上理由，本发明可以广泛用于数控机床技术领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程图；
图2是本发明的数据处理过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1和图2所示，本发明现提出一种数控机床加工误差优化方法，它包括以下步骤：
1)获取每一次机床加工实时采样数据；其中，获取机床加工实时采样数据为本领域常用的技术手段，故不再详述。
如图1所示，获取加工实时采样数据采用现有的数控机床状态监测装置完成即可。
数控机床状态监测装置主要包括内置检测机构和外置检测机构，其中，内置检测机构中的内置传感器直接测得主轴转速、位移、速度、加速度、电流等数据。外置检测机构中的外置传感器用于测量如温度、振动、应力等数据。
数据整合和分析预测装置针对内置检测机构所获得的数据进行处理，得到转矩、润滑特性等，该处理过程只是针对这些数据之间的公式进行计算，公式和计算过程为本领域技术人员的常用技术手段，故不再详述。
现以某数控机床部分重要零部件的状态数据举例，将其记录在专用数据库中，其对应关系如附表1所示，表中第i次加工时第m个数据采集时间节点tim的主轴转速nim、主轴转矩Tim以及刀具应力σim，其中1≤m≤n，且m为整数。上述时间节点是将整个加工过程按一定的采样时间间距等分而得到的，就是在每个时间节点得到对应的采样数据，记录下来。
附表1：第i次机床状态数据及零件加工误差记录逻辑结构表
2)获取每一次机床加工时的零件加工尺寸误差数据，并与步骤1)中获取的每一次机床加工实时采样数据对应存储；
在第i次加工完成之后，测量零件的加工误差，其加工误差可分为尺寸误差和几何误差，其中几何误差有包括形状误差，方向误差和位置误差，形状误差又包括平面度误差和直线度误差、圆度误差等，方向误差包括平行度误差、垂直度误差和倾斜度误差等。针对一个零件，设需要测量的加工误差包括上述误差的w种，这里对第i次加工加工获得的零件的w种加工误差分别用μi1、μi2…μiw表示，并同步骤1)中获取的机床加工实时采样数据对应存储在专用数据库中。
上述专用检具采用极限卡规、极限塞规和比较样板等。
上述同种大批量零件和单件小批量为本领域技术人员公知如何区分，故不再详述。
3)采用时域分析方法和频域分析方法分别对步骤1)中获得的机床加工实时采样数据进行处理以得到相应的时域特征参数和频域特征参数，针对时域特征参数和频域特征参数基于最小二乘法的数学拟合建立特征参数预测模型，并采用该模型对时域特征参数和频域特征参数进行预测，得到时域特征参数预测值和频域特征参数预测值；
31)采用时域分析方法和频域分析方法分别对步骤1)中获得的机床加工实时采样数据进行处理以得到相应的时域特征参数和频域特征参数。
其中，时域特征参数包括：峰值、均值、均方根值、方差、峰值因子、峭度指标、偏度、脉冲指标和裕度系数等。
频域特征参数包括：谐波因子、功率谱方差、功率谱重心指标、谱原点距、品质因素和中心频率等。
32)针对时域特征参数和频域特征参数基于最小二乘法的数学拟合建立特征参数预测模型，建立特征参数预测模型的过程如下：
设对机床加工某零件至第i次，根据加工次序编号为1，2，3，…，i，将每一次加工过程对应的特征参数a依次表示为a1，a2，a3，…，ai，针对a1，a2，a3，…，ai采用基于最小二乘法的数学拟合得到“a-x”拟合曲线，即“a-x”拟合曲线为特征参数预测模型，拟合工作由相关软件完成；上述相关软件可以采用包括但不限于MATLAB完成拟合工作。
33)采用特征参数预测模型对时域特征参数和频域特征参数进行预测，得到时域特征参数预测值和频域特征参数预测值。
特征参数预测模型用于预测第k(k>i)次加工时ak值，i越大，预测结果也将越准确，该特征参数预测模型具有自学习特性。
具体例子如下：
以数控车床加工的柱状零件为例，取主轴转矩的均值与方差D(T)，刀具应力σ的均值与方差D(σ)作为选定的特征参数。基于最小二乘法的数学拟合建立特征参数预测模型，以主轴转矩均值为例，要建立特征参数预测模型，其中，x表示第x次加工次数。
若共记录至第i次加工过程，则有一组特征值如下表所示：
这里令的m次拟合函数为ψ(x)＝α0+α1x+α2x2+...αmxm。
计根据Aα＝Y，可以解出的值，得到的m次拟合函数，即该特征参数预测模型，其具有学习特性。
将x＝k(k>i)带入ψ(x)＝α0+α1x+α2x2+...αmxm可得到的预测值。
4)建立BP单隐层神经网络模型，并采用步骤3)中的时域特征参数和频域特征参数以及步骤2)中获得的零件加工尺寸误差数据，针对BP单隐层神经网络模型进行训练，并将步骤3)中的时域特征参数预测值和频域特征参数预测值带入训练后的BP单隐层神经网络模型中，得到预测加工误差；
41)建立BP单隐层神经网络模型；
其中，BP单隐层神经网络模型包括输入层、隐含层和输出层，其结构为N(s，p，q)，其中，s为输入层神经元个数，且输入层神经元个数s与选定的特征参数个数相同，p为隐含层神经元个数，q是输出层神经元个数。上述BP单隐层神经网络可以通过样本数(每一次加工过程中的数据都会变成样本，加工次数越多，样本数越多)的累积进行自学习。BP单隐层神经网络结构简单，能够解决任意的非线性映射问题，因此本发明中选取单隐层的神经网络进行误差预测。上述BP单隐层神经网络可以通过样本数的累积进行自学习是本领域技术人员公知的技术手段，故不再详述。
42)采用步骤3)中的时域特征参数和频域特征参数以及步骤2)中获得的零件加工尺寸误差数据，针对BP单隐层神经网络模型进行训练，其过程如下：
(a)选定时域特征参数和频域特征参数，并针对选定的特征参数采用“min-max”方法归一化处理后得到的特征值，将特征值作为BP单隐层神经网络模型的输入层输入；
上述所选取的特征参数可能来自一个或多个机床状态数据。选定何种状态数据的何种特征参数由相应的零件加工误差产生原理(零件加工误差产生原理为本领域技术人员的公知常识，故不再详述)决定。
归一化处理可去除量纲，使不同的数据统一到同一个坐标系下，同时加快训练BP单隐层的神经网络的收敛速度，使相关软件(相关软件可以采用包括但不限于MATLAB)运行的更快，提高处理效率，现采用“min-max”方法针对选定时域特征参数和频域特征参数进行归一化，过程如下：
其中，a’u表示归一化后的特征值，有0≤a’u≤1；au表示归一化前的特征参数；amax表示已有特征参数中的最大值；amin表示已有特征参数中的最小值。
至此，可得到第m组样本输入：um＝[u1m，u2m，u3m…，usm]，表示选定的特征参数归一化之后的特征值数组，该特征值数组作为输入层。
(b)隐含层神经元个数p可以按照经验公式确定并取整，其中h为常数，且1≤h≤10。隐含层的作用是使优化问题的可调参数增加，使得解更加精确。
(c)在BP单隐层神经网络中，输出层的输出神经元采用二进制编码，方便表示不同的零件误差区间，每组二进制编码与误差区间一一对应，即每组二进制编码与其相对应的误差区间一一对应。根据所需加工精度r(加工精度为实际生产中根据相关规定和要求而定，在此不做详述)以及误差范围s(所测得的零件加工误差数据的最大值与最小值)可知，BP单隐层神经网络输出神经元须至少能表示个误差区间，而q个输出神经元可表示2q种零件误差区间，因此有：其中[]表示下取整运算。
输出层输出dm＝[d1m，d2m，d3m，…，dqm]，是以二进制表示零件误差区间。
(d)初始权系W(0)为较小的随机非零值，其为相关软件(相关软件可以采用包括但不限于MATLAB)中默认值，每次选定的特征参数输入都会重新计算BP单隐层神经网络模型的目标函数值，得到新的权值，并通过目标函数值与预期目标值(通常为默认值或者根据实际工况设定亦或者根据经验值而定)相比较，作为对BP单隐层神经网络学习的评价：若获得的目标函数值小于预期目标值，则权值确定，得到想要的BP单隐层神经网络模型；若获得的目标函数值未小于预期目标值，则按梯度下降法反向计算，逐层调整权值，直至满足预期目标值。
选定的特征参数越多，BP单隐层神经网络模型就会越准确，误差预测也会越准确。
43)将步骤3)中的时域特征参数预测值和频域特征参数预测值带入训练后的BP单隐层神经网络模型中，得到预测加工误差；
针对步骤3)中通过特征参数预测模型得到的特征参数预测值ak等采用“min-max”标准化方法归一化处理，得到预测样本数组uk＝[u1k，u2k，u3k，…，usk]，将其带入训练调整后得到的BP单隐层神经网络模型，可得到一个预测的输出数组dk＝[d1k，d2k，d3k，…，dqk]，将该数组转换成二进制代码，将二进制代码再变成预测加工误差。
5)根据步骤4)中得到的预测加工误差，通过数控程序优化系统对部分程序微调，以补偿加工误差，提高加工质量。
上述根据得到的预测加工误差对数控程序进行部分微调，可得到误差补偿后的数控程序，为本领域技术人员常用的技术手段，故不再详述。将微调后的数控程序传递给数控系统进行数控加工，可以达到数控加工误差优化的目的。
以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种数控加工误差优化方法，它包括以下步骤：
1)获取每一次机床加工实时采样数据；
2)获取每一次机床加工时的零件加工尺寸误差数据，并与步骤1)中获取的每一次机床加工实时采样数据对应存储；
3)采用时域分析方法和频域分析方法分别对步骤1)中获得的机床加工实时采样数据进行处理以得到相应的时域特征参数和频域特征参数，针对时域特征参数和频域特征参数基于最小二乘法的数学拟合建立特征参数预测模型，并采用该模型对时域特征参数和频域特征参数进行预测，得到时域特征参数预测值和频域特征参数预测值；
4)建立BP单隐层神经网络模型，采用步骤3)中的时域特征参数和频域特征参数以及步骤2)中获得的零件加工尺寸误差数据，针对BP单隐层神经网络模型进行训练，并将步骤3)中的时域特征参数预测值和频域特征参数预测值带入训练后的BP单隐层神经网络模型中，得到预测加工误差；
5)根据步骤4)中得到的预测加工误差，通过数控程序优化系统对部分程序微调，以补偿加工误差。
2.根据权利要求1所述的一种数控加工误差优化方法，其特征在于：所述步骤3)包括以下步骤：
31)采用时域分析方法和频域分析方法分别对步骤1)中获得的机床加工实时采样数据进行处理以得到相应的时域特征参数和频域特征参数；
32)针对时域特征参数和频域特征参数基于最小二乘法的数学拟合建立特征参数预测模型；
33)采用特征参数预测模型对时域特征参数和频域特征参数进行预测，得到时域特征参数预测值和频域特征参数预测值。
3.根据权利要求1或2所述的一种数控加工误差优化方法，其特征在于：所述步骤4)包括以下步骤：
41)建立BP单隐层神经网络模型；其中，BP单隐层神经网络模型包括输入层、隐含层和输出层，其结构为N(s，p，q)，其中，s为输入层神经元个数，且输入层神经元个数s与选定的特征参数个数相同，p为隐含层神经元个数，q是输出层神经元个数；
42)采用步骤3)中的时域特征参数和频域特征参数以及步骤2)中获得的零件加工尺寸误差数据，针对BP单隐层神经网络模型进行训练；
43)将步骤3)中的时域特征参数预测值和频域特征参数预测值带入训练后的BP单隐层神经网络模型中，得到预测加工误差。
4.根据权利要求3所述的一种数控加工误差优化方法，其特征在于：所述步骤42)中，它包括以下步骤：
a)选定时域特征参数和频域特征参数，并针对选定的特征参数采用min-max方法归一化处理后得到的特征值，将特征值作为BP单隐层神经网络模型的输入层输入；
b)隐含层神经元个数p按照经验公式确定并取整，其中h为常数，且1≤h≤10；
c)在BP单隐层神经网络中，输出层的输出神经元采用二进制编码，每组二进制编码与其相对应的误差区间一一对应；
d)每次选定的特征参数输入都会重新计算BP单隐层神经网络模型的目标函数值，得到新的权值，并通过目标函数值与预期目标值相比较：若获得的目标函数值小于预期目标值，则权值确定，得到满足要求的BP单隐层神经网络模型；若获得的目标函数值未小于预期目标值，则按梯度下降法反向计算，逐层调整权值，直至满足预期目标值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710026532.6A CN106842922B (zh) | 2017-01-14 | 2017-01-14 | 一种数控加工误差优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710026532.6A CN106842922B (zh) | 2017-01-14 | 2017-01-14 | 一种数控加工误差优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106842922A true CN106842922A (zh) | 2017-06-13 |
| CN106842922B CN106842922B (zh) | 2020-07-17 |
Family
ID=59124035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710026532.6A Expired - Fee Related CN106842922B (zh) | 2017-01-14 | 2017-01-14 | 一种数控加工误差优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106842922B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107703744A (zh) * | 2017-09-19 | 2018-02-16 | 浙江大学 | 考虑非线性误差和广义模态的数控机床运动链设计方法 |
| CN107738140A (zh) * | 2017-09-30 | 2018-02-27 | 深圳吉兰丁智能科技有限公司 | 一种监控刀具状态的方法、系统以及处理设备 |
| CN109783987A (zh) * | 2019-02-28 | 2019-05-21 | 华中科技大学 | 一种基于神经网络模型的机床误差数据拟合与预测方法 |
| CN110262394A (zh) * | 2019-07-05 | 2019-09-20 | 华中科技大学 | 一种数控加工中轮廓误差的补偿方法 |
| CN111111121A (zh) * | 2020-01-16 | 2020-05-08 | 合肥工业大学 | 一种球拍及击球识别方法 |
| CN113102882A (zh) * | 2021-06-16 | 2021-07-13 | 杭州景业智能科技股份有限公司 | 几何误差补偿模型的训练方法和几何误差补偿方法 |
| CN113126563A (zh) * | 2019-12-31 | 2021-07-16 | 中国航发商用航空发动机有限责任公司 | 数控机床数据管理系统及方法 |
| CN113947821A (zh) * | 2021-12-20 | 2022-01-18 | 南京航空航天大学 | 一种涡轮增压叶片质量控制方法 |
| CN114310483A (zh) * | 2021-12-13 | 2022-04-12 | 华中科技大学 | 一种数控加工尺寸误差预测方法 |
| CN117434828A (zh) * | 2023-12-18 | 2024-01-23 | 南京德克威尔自动化有限公司 | 基于编码器反馈的数控系统主轴闭环控制方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003094291A (ja) * | 2001-09-27 | 2003-04-03 | Kanto Seiki Kk | 工作機械の熱変形補正方法および装置 |
| CN1593849A (zh) * | 2004-07-15 | 2005-03-16 | 无锡开源机床集团有限公司 | 基于网络的磨床数据采集与故障诊断装置 |
| CN1756938A (zh) * | 2003-01-10 | 2006-04-05 | 江苏千鹏诊断工程有限公司 | 特征判定方法和特征预测方法以及装置 |
| CN101870076A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床导轨副寿命预测方法 |
| CN102033989A (zh) * | 2010-11-30 | 2011-04-27 | 河南理工大学 | 基于bp神经网络的氯离子固化量预测方法 |
| JP2013007647A (ja) * | 2011-06-24 | 2013-01-10 | Jtekt Corp | びびり振動検出方法 |
| CN102937784A (zh) * | 2012-10-30 | 2013-02-20 | 中冶南方工程技术有限公司 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
| EP2634657A1 (en) * | 2010-10-27 | 2013-09-04 | Makino Milling Machine Co., Ltd. | Numerical control method |
| CN104050340A (zh) * | 2014-07-07 | 2014-09-17 | 温州大学 | 一种大型数控铣床刀具磨损程度识别方法 |
| CN105081879A (zh) * | 2015-08-27 | 2015-11-25 | 成都飞机工业（集团）有限责任公司 | 一种数控机床主轴的故障诊断与预测的方法 |
| CN105512362A (zh) * | 2015-11-22 | 2016-04-20 | 沈阳黎明航空发动机(集团)有限责任公司 | 基于工件-刀具几何特征参数的切削用量优化方法 |
| CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
-
2017
- 2017-01-14 CN CN201710026532.6A patent/CN106842922B/zh not_active Expired - Fee Related
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003094291A (ja) * | 2001-09-27 | 2003-04-03 | Kanto Seiki Kk | 工作機械の熱変形補正方法および装置 |
| CN1756938A (zh) * | 2003-01-10 | 2006-04-05 | 江苏千鹏诊断工程有限公司 | 特征判定方法和特征预测方法以及装置 |
| CN1593849A (zh) * | 2004-07-15 | 2005-03-16 | 无锡开源机床集团有限公司 | 基于网络的磨床数据采集与故障诊断装置 |
| CN101870076A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床导轨副寿命预测方法 |
| EP2634657A1 (en) * | 2010-10-27 | 2013-09-04 | Makino Milling Machine Co., Ltd. | Numerical control method |
| CN102033989A (zh) * | 2010-11-30 | 2011-04-27 | 河南理工大学 | 基于bp神经网络的氯离子固化量预测方法 |
| JP2013007647A (ja) * | 2011-06-24 | 2013-01-10 | Jtekt Corp | びびり振動検出方法 |
| CN102937784A (zh) * | 2012-10-30 | 2013-02-20 | 中冶南方工程技术有限公司 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
| CN104050340A (zh) * | 2014-07-07 | 2014-09-17 | 温州大学 | 一种大型数控铣床刀具磨损程度识别方法 |
| CN105081879A (zh) * | 2015-08-27 | 2015-11-25 | 成都飞机工业（集团）有限责任公司 | 一种数控机床主轴的故障诊断与预测的方法 |
| CN105512362A (zh) * | 2015-11-22 | 2016-04-20 | 沈阳黎明航空发动机(集团)有限责任公司 | 基于工件-刀具几何特征参数的切削用量优化方法 |
| CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘华金: ""基于神经网络的数控机床刀具磨损预测模型研究"", 《长江大学学报（自然科学版）》 * |
| 杜兴苗: ""数控机床滚珠丝杠副的状态监测与故障诊断研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107703744B (zh) * | 2017-09-19 | 2020-07-14 | 浙江大学 | 考虑非线性误差和广义模态的数控机床运动链设计方法 |
| CN107703744A (zh) * | 2017-09-19 | 2018-02-16 | 浙江大学 | 考虑非线性误差和广义模态的数控机床运动链设计方法 |
| CN107738140A (zh) * | 2017-09-30 | 2018-02-27 | 深圳吉兰丁智能科技有限公司 | 一种监控刀具状态的方法、系统以及处理设备 |
| CN109783987A (zh) * | 2019-02-28 | 2019-05-21 | 华中科技大学 | 一种基于神经网络模型的机床误差数据拟合与预测方法 |
| CN110262394B (zh) * | 2019-07-05 | 2020-09-08 | 华中科技大学 | 一种数控加工中轮廓误差的补偿方法 |
| CN110262394A (zh) * | 2019-07-05 | 2019-09-20 | 华中科技大学 | 一种数控加工中轮廓误差的补偿方法 |
| CN113126563A (zh) * | 2019-12-31 | 2021-07-16 | 中国航发商用航空发动机有限责任公司 | 数控机床数据管理系统及方法 |
| CN111111121A (zh) * | 2020-01-16 | 2020-05-08 | 合肥工业大学 | 一种球拍及击球识别方法 |
| CN111111121B (zh) * | 2020-01-16 | 2023-10-03 | 合肥工业大学 | 一种球拍及击球识别方法 |
| CN113102882A (zh) * | 2021-06-16 | 2021-07-13 | 杭州景业智能科技股份有限公司 | 几何误差补偿模型的训练方法和几何误差补偿方法 |
| CN114310483A (zh) * | 2021-12-13 | 2022-04-12 | 华中科技大学 | 一种数控加工尺寸误差预测方法 |
| CN113947821A (zh) * | 2021-12-20 | 2022-01-18 | 南京航空航天大学 | 一种涡轮增压叶片质量控制方法 |
| CN117434828A (zh) * | 2023-12-18 | 2024-01-23 | 南京德克威尔自动化有限公司 | 基于编码器反馈的数控系统主轴闭环控制方法 |
| CN117434828B (zh) * | 2023-12-18 | 2024-03-15 | 南京德克威尔自动化有限公司 | 基于编码器反馈的数控系统主轴闭环控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106842922B (zh) | 2020-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106842922A (zh) | 一种数控加工误差优化方法 | |
| CN107016235B (zh) | 基于多特征自适应融合的设备运行状态健康度评估方法 | |
| CN106951695B (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
| CN104537415B (zh) | 一种基于压缩感知和dros‑elm的非线性过程工业故障预测及识别方法 | |
| CN105046402B (zh) | 一种应用于智能变电站二次设备的状态评估方法 | |
| Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
| CN104808587B (zh) | 一种基于机加工设备运行状态的稼动率统计方法 | |
| CN110926809B (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
| CN103345200B (zh) | 一种基于广义区间的切削加工颤振辨识方法 | |
| CN105629958B (zh) | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 | |
| CN111366123A (zh) | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 | |
| CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN108803486A (zh) | 基于并联深度学习网络的数控机床热误差预测与补偿方法 | |
| CN101863088A (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
| CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
| CN109117957B (zh) | 一种基于民航维修质量评估和异构集成学习的敏感性分析方法 | |
| CN113807570A (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
| CN102848266A (zh) | 一种机床主轴精度预测方法 | |
| CN104063577A (zh) | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN109333159A (zh) | 刀具磨损状态在线监测的深度核极限学习机方法及系统 | |
| CN109523077B (zh) | 一种风电功率预测方法 | |
| CN111047476A (zh) | 基于rbf神经网络的大坝结构安全监控精确预测方法及系统 | |
| CN102889988B (zh) | 一种滚珠丝杠副精度预测方法 | |
| CN108761263A (zh) | 一种基于证据理论的故障诊断系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200717 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |