CN107703752A - 一种基于模糊神经网络的数控机床检测方法 - Google Patents
一种基于模糊神经网络的数控机床检测方法 Download PDFInfo
- Publication number
- CN107703752A CN107703752A CN201710989161.1A CN201710989161A CN107703752A CN 107703752 A CN107703752 A CN 107703752A CN 201710989161 A CN201710989161 A CN 201710989161A CN 107703752 A CN107703752 A CN 107703752A
- Authority
- CN
- China
- Prior art keywords
- machine tool
- control machine
- neural network
- digit control
- fuzzy neural
- 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.)
- Pending
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开一种数控机床检测方法,属于数控机床检测技术领域,主要涉及一种基于模糊神经网络的数控机床检测方法;本发明为解决现有技术中检测精确度不高、对数控机床检测效果不理想的问题;本发明包括以下步骤:步骤一,建立模糊神经网络模型;步骤二,确定神经网络优化权值和输出误差指标;步骤三,对网络模型的系统滞后时间常数进行优化辨识;步骤四,使用遗传算法确立优化参数并求解。本发明通过模糊神经网络对数控机床进行检测,通过模糊控制以及遗传算法求解,实现对数控机床检测的精确控制。本发明自动化程度高,系统运行稳定性和可靠性高,控制精度高,使用寿命长,易于实现。
Description
技术领域
一种数控机床检测系统,属于数控机床检测技术领域,主要涉及一种基于模糊神经网络 的数控机床检测方法。
背景技术
随着科技的发展和社会的进步,数控机床行业得到了大力发展,对数控机床的精确检测 逐渐成为数控机床检测好坏的标志。现有技术中,对数控机床的检测为人为检测,会出现检 测精确度不高、对数控机床检测效果不理想的情况,不满足人们的日常需求。
发明内容
为了解决上述问题,本发明公开了一种基于模糊神经网络的数控机床检测方法,结构简 单、控制精度高、系统稳定性和可靠性高,使用寿命长。
本发明的目的是这样实现的:
一种基于模糊神经网络的数控机床检测方法,包括以下步骤:
步骤一,建立模糊神经网络模型:根据数控机床检测方式的实际情况,选择数控机床主 轴系统、数控机床伺服系统、数控机床电气系统和数控机床液压系统为检测对象,建立四层 模糊神经网络模型。
进一步地,步骤一所述四层模糊神经网络模型包括输入层、隶属函数层、模糊规则层和 去模糊化层。
步骤二,确定神经网络优化权值和输出误差指标:选择神经网络的初始权值以及输出误 差指标,给定不同的监督信号,反复修改神经网络的优化权值,使神经网络模型的输出接近 步骤一中四种检测对象所有的期望输出。
进一步地,在权值初始化后的调整过程中,取误差函数为:
式中,E为误差,为期望输出,yi为实际输出,r为训练集个数。
进一步地,步骤二所述优化权值取值为0-1之间。
步骤三,模型优化:对步骤二所建立的模糊神经网络模型进行优化,对网络模型的系统 滞后时间常数进行优化辨识。
进一步地,步骤三所述系统滞后时间常数的优化辨识采用PID控制方式。
进一步地,所述系统滞后时间常数优化辨识,就是选择适当的神经网络作为被辨识系统 P的模型P,P即可为线性系统也可以是非线性系统。从实质上讲,就是用神经网络来逼近 实际系统。主要过程是:当确定了网络结构后,在给定的被辨识系统输入/输出观测数据情况 下,网络通过学习不断调整权系数,使得准则函数最优而得到的网络,这个网络就是被辨识 系统的模型P。
优选地,所述系统滞后时间常数为非线性滞后系统。
步骤四,求解:将步骤三中优化后的神经网络模型使用遗传算法确立优化参数并求解。
进一步地,步骤四所述遗传算法求解过程包括以下步骤:
步骤一,初始化:以随机的方式确立数控机床四个检测对象的初始数据,并按每个个体 预先的方式进行编码;
步骤二,个体评价:根据适应度公式计算每个个体的适应度值;
进一步地,所述适应度公式为:
式中,cmax为比较大的数,也可以是f(X)的最大值。
步骤三,选择运算:根据步骤二中的适应度值选择运算功能;
步骤四,交叉变异运算:对步骤三中的个体交叉变异相互运算,产生新个体;
步骤五,运算停止判断:对运算过程进行判断。如果产生新个体满足要求,运算停止, 反之,继续运算。
本发明与现有技术相比,具有如下有益效果,本发明的结构合理,通过模糊神经网络对 数控机床进行检测,通过模糊控制以及遗传算法求解,实现对数控机床检测的精确控制。本 发明自动化程度高,系统运行稳定性和可靠性高,控制精度高,使用寿命长。
具体实施方式
下面对本发明具体实施方式作进一步详细描述。
一种基于模糊神经网络的数控机床检测方法,包括以下步骤:
步骤一,建立模糊神经网络模型:根据数控机床检测方式的实际情况,选择数控机床主 轴系统、数控机床伺服系统、数控机床电气系统和数控机床液压系统为检测对象,建立四层 模糊神经网络模型;
步骤二,确定神经网络优化权值和输出误差指标:选择神经网络的初始权值以及输出误 差指标,给定不同的监督信号,反复修改神经网络的优化权值,使神经网络模型的输出接近 步骤一中四种检测对象所有的期望输出;
步骤三,模型优化:对步骤二所建立的模糊神经网络模型进行优化,对网络模型的系统 滞后时间常数进行优化辨识;
步骤四,求解:将步骤三中优化后的神经网络模型使用遗传算法确立优化参数并求解。
步骤一所述四层模糊神经网络模型包括输入层、隶属函数层、模糊规则层和去模糊化层。
步骤二所述优化权值取值为0-1之间。
步骤三所述系统滞后时间常数的优化辨识采用PID控制方式。
所述系统滞后时间常数为非线性滞后系统。
步骤四所述遗传算法求解过程包括以下步骤:
步骤一,初始化:以随机的方式确立数控机床四个检测对象的初始数据,并按每个个体 预先的方式进行编码;
步骤二,个体评价:根据适应度公式计算每个个体的适应度值;
步骤三,选择运算:根据步骤二中的适应度值选择运算功能;
步骤四,交叉变异运算:对步骤三中的个体交叉变异相互运算,产生新个体;
步骤五,运算停止判断:对运算过程进行判断。如果产生新个体满足要求,运算停止, 反之,继续运算。
通过阅读上述描述,在所提供的示例之外的许多实施方式和许多应用对本领 域技术人员来说都将是显而易见的。因此,本发明的范围不应该参照上述描述来
上文所列出的一系列的详细说明仅仅是针对本申请的可行性实施方式的具体说明,它们 并非用以限制本申请的保护范围,凡未脱离本申请技艺精神所作的等效实施方式或变更均应 包含在本申请的保护范围之内。
Claims (6)
1.一种基于模糊神经网络的数控机床检测方法,其特征在于:包括以下步骤:
步骤一,建立模糊神经网络模型:根据数控机床检测方式的实际情况,选择数控机床主轴系统、数控机床伺服系统、数控机床电气系统和数控机床液压系统为检测对象,建立四层模糊神经网络模型;
步骤二,确定神经网络优化权值和输出误差指标:选择神经网络的初始权值以及输出误差指标,给定不同的监督信号,反复修改神经网络的优化权值,使神经网络模型的输出接近步骤一中四种检测对象所有的期望输出;
步骤三,模型优化:对步骤二所建立的模糊神经网络模型进行优化,对网络模型的系统滞后时间常数进行优化辨识;
步骤四,求解:将步骤三中优化后的神经网络模型使用遗传算法确立优化参数并求解。
2.根据权利要求1所述的一种基于模糊神经网络的数控机床检测方法,其特征在于:步骤一所述四层模糊神经网络模型包括输入层、隶属函数层、模糊规则层和去模糊化层。
3.根据权利要求1所述的一种基于模糊神经网络的数控机床检测方法,其特征在于:步骤二所述优化权值取值为0-1之间。
4.根据权利要求1所述的一种基于模糊神经网络的数控机床检测方法,其特征在于:步骤三所述系统滞后时间常数的优化辨识采用PID控制方式。
5.根据权利要求4所述的一种基于模糊神经网络的数控机床检测方法,其特征在于:所述系统滞后时间常数为非线性滞后系统。
6.根据权利要求1所述的一种基于模糊神经网络的数控机床检测方法,其特征在于:步骤四所述遗传算法求解过程包括以下步骤:
步骤一,初始化:以随机的方式确立数控机床四个检测对象的初始数据,并按每个个体预先的方式进行编码;
步骤二,个体评价:根据适应度公式计算每个个体的适应度值;
步骤三,选择运算:根据步骤二中的适应度值选择运算功能;
步骤四,交叉变异运算:对步骤三中的个体交叉变异相互运算,产生新个体;
步骤五,运算停止判断:对运算过程进行判断。如果产生新个体满足要求,运算停止,反之,继续运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710989161.1A CN107703752A (zh) | 2017-10-22 | 2017-10-22 | 一种基于模糊神经网络的数控机床检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710989161.1A CN107703752A (zh) | 2017-10-22 | 2017-10-22 | 一种基于模糊神经网络的数控机床检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107703752A true CN107703752A (zh) | 2018-02-16 |
Family
ID=61182058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710989161.1A Pending CN107703752A (zh) | 2017-10-22 | 2017-10-22 | 一种基于模糊神经网络的数控机床检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107703752A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108637329A (zh) * | 2018-04-17 | 2018-10-12 | 哈尔滨理工大学 | 拼接淬硬钢模具振动辅助铣削装置及模糊控制方法 |
CN109166022A (zh) * | 2018-08-01 | 2019-01-08 | 浪潮通用软件有限公司 | 基于模糊神经网络和遗传算法的筛选方法 |
CN116048002A (zh) * | 2023-04-03 | 2023-05-02 | 中科航迈数控软件(深圳)有限公司 | 数控机床虚拟轴运动控制方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20130046714A1 (en) * | 2011-08-16 | 2013-02-21 | The Boeing Company | Evaluating the health status of a system |
CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
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 |
CN106647629A (zh) * | 2016-09-22 | 2017-05-10 | 华中科技大学 | 一种基于数控系统内部数据的断刀检测方法 |
CN106774157A (zh) * | 2016-11-29 | 2017-05-31 | 无锡易通精密机械股份有限公司 | 一种具有故障诊断与预警功能的数控机床 |
-
2017
- 2017-10-22 CN CN201710989161.1A patent/CN107703752A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20130046714A1 (en) * | 2011-08-16 | 2013-02-21 | The Boeing Company | Evaluating the health status of a system |
CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
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 |
CN106647629A (zh) * | 2016-09-22 | 2017-05-10 | 华中科技大学 | 一种基于数控系统内部数据的断刀检测方法 |
CN106774157A (zh) * | 2016-11-29 | 2017-05-31 | 无锡易通精密机械股份有限公司 | 一种具有故障诊断与预警功能的数控机床 |
Non-Patent Citations (2)
Title |
---|
杜晋: "模糊神经网络在主轴伺服系统故障诊断中的应用", 《现代制造工程》 * |
胡波: "基于遗传算法的模糊神经网络控制器的仿真", 《南京化工大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108637329A (zh) * | 2018-04-17 | 2018-10-12 | 哈尔滨理工大学 | 拼接淬硬钢模具振动辅助铣削装置及模糊控制方法 |
CN109166022A (zh) * | 2018-08-01 | 2019-01-08 | 浪潮通用软件有限公司 | 基于模糊神经网络和遗传算法的筛选方法 |
CN116048002A (zh) * | 2023-04-03 | 2023-05-02 | 中科航迈数控软件(深圳)有限公司 | 数控机床虚拟轴运动控制方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN101635051B (zh) | 边界元素提取方法及其计算机系统 | |
CN102129259B (zh) | 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法 | |
CN106777527A (zh) | 基于神经网络模型的起重机小车运行能耗分析方法 | |
CN107703752A (zh) | 一种基于模糊神经网络的数控机床检测方法 | |
CN107025338A (zh) | 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN108710940A (zh) | 基于神经网络优化角砾地层中盾构机运行轨迹参数的方法 | |
CN107784380A (zh) | 一种巡检最短路径的优化方法及优化系统 | |
CN106408120B (zh) | 一种局部区域滑坡预测装置及方法 | |
CN104503420B (zh) | 一种基于新型fde‑elm和时延efsm的非线性过程工业故障预测方法 | |
CN110264112A (zh) | 基于双向加权灰色关联的配电网可靠性影响因素分析方法 | |
CN101452258A (zh) | 一种与模型无关的自适应控制器及其控制方法 | |
CN109634108A (zh) | 参数自整定的mimo异因子全格式无模型控制方法 | |
CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
CN109581864A (zh) | 参数自整定的mimo异因子偏格式无模型控制方法 | |
CN108446771A (zh) | 一种防止销售预测模型过拟合的方法 | |
CN115049627B (zh) | 基于域自适应深度迁移网络的钢表面缺陷检测方法及系统 | |
CN110633504A (zh) | 一种煤层瓦斯渗透率预测方法 | |
CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN108596364B (zh) | 一种化工园区重大危险源动态预警方法 | |
CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
CN110543656A (zh) | 一种基于深度学习的led荧光粉胶涂覆厚度的预测方法 | |
CN103267826A (zh) | 一种在线检测明胶浓度的软测量方法 | |
CN106067075B (zh) | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180216 |
|
WD01 | Invention patent application deemed withdrawn after publication |