CN108363870B

CN108363870B - 一种基于深度学习的数控机床主轴热误差建模方法

Info

Publication number: CN108363870B
Application number: CN201810142483.7A
Authority: CN
Inventors: 房芳; 项四通; 李锦棒; 崔玉国
Original assignee: Ningbo University
Current assignee: Ningbo University
Priority date: 2018-02-11
Filing date: 2018-02-11
Publication date: 2021-05-25
Anticipated expiration: 2038-02-11
Also published as: CN108363870A

Abstract

一种基于深度学习的数控机床主轴热误差建模方法，它属于数控机床加工精度技术领域，该方法主要步骤：第一步：采用红外热像仪采集数控机床主轴升温图片，采用位移传感器采集主轴轴向误差，径向误差以及倾角误差，对图片进行预处理，将处理好的图像集分为训练集和测试集两部分；第二步：设定卷积神经网络模型，进行训练调参；第三步：输入测试集，检验模型的预测精度；第四步：进行有限元分析验证或实验验证，验证模型预测精度。本发明能实现复杂工况下的热误差鲁棒建模，有利于提高数控机床整体加工精度。

Description

一种基于深度学习的数控机床主轴热误差建模方法

技术领域

本发明属于数控机床加工精度技术领域，特别涉及一种基于深度学习的数控机床主轴热误差建模方法。

背景技术

随着科技的不断进步，现代制造技术正在向高精度、高效率、高质量等方向发展，而这对于数控机床加工精度的要求也越来越高，提高数控机床加工精度的需求也越发迫切。

经大量研究表明，机床热误差是影响数控机床加工精度的主要因素之一，因热误差引起的工件加工误差约占据总加工误差的70％。因此，要进一步提高精密数控机床的加工精度，必须要对机床热误差进行补偿。而主轴是数控机床的核心部件以及主要热源，故建立一种有效的主轴热误差建模方法是目前数控机床热误差补偿研究的关键。

目前虽然有大量关于数控机床主轴热误差建模方法方面的研究，但当前各项误差建模技术的实用化程度不高，难以作为一种共性的解决方案来适用于数控机床加工的各种工艺条件和应用场合，以使数控机床加工具有更高精度和实现复杂工况下的热误差鲁棒建模。

发明内容

为了克服上述缺点，本发明提供一种基于深度学习的数控机床主轴热误差建模方法。

本发明的技术方案为：一种基于深度学习的数控机床主轴热误差建模方法，

第一步：采用红外热像仪采集数控机床主轴升温图片，采用位移传感器采集主轴轴向误差，径向误差以及倾角误差，对图片进行预处理，将处理好的图像集分为训练集和测试集两部分；

第二步：设定卷积神经网络模型，在允许范围内设定网络模型中的权重参数以及偏置项参数，将处理后的能被计算机识别的图像训练集作为输入量，将主轴轴向误差、两个主轴径向误差和两个主轴倾角误差作为输出量，开始进行训练调参；

第三步：输入测试集，检验模型的预测精度，若模型出现过拟合或欠拟合情况，则返回第二步，调整训练集，重新进行训练，直到输入测试集后的精度达到一定偏差范围内；

第四步：进行有限元分析验证；利用ANSYS软件进行仿真分析，将仿真得到的主轴温度场图片作为深度学习模型输入得到主轴热变形的预测值，并与仿真得到的变形场数据进行比较，若两者的偏差在所述一定偏差范围内，即验证模型精度满足要求，否则，返回第二步，进行再次的训练调参以及测试验证。

本发明相比现有技术的有益效果是：本发明的深度学习源于神经网络，具有对大量数据信息进行离线或在线实时分析的能力，并能从复杂的海量数据中挖掘实施对象的内在规律。基于深度学习可实现复杂工况下的主轴热误差鲁棒建模，相比于其他的方法，具有更高精度和鲁棒性。

附图说明

图1是本发明基于深度学习的数控机床主轴热误差建模过程图；

图2是卷积神经网络网络架构图；

图3是主轴轴向误差输出量示意图；

图4是主轴径向误差输出量示意图；

图5是主轴倾角误差输出量示意图；

图6是实施例中主轴轴向热误差的预测值与实际值的对比图。

具体实施方式

下面结合附图和实施方式对本发明作进一步地说明：

参见图1-图5所示，一种基于深度学习的数控机床主轴热误差建模方法，

第一步：采用红外热像仪采集数控机床主轴升温图片，采用位移传感器采集主轴轴向误差，径向误差以及倾角误差，对图片进行预处理。将处理好的图像集分为训练集和测试集两部分。本步骤中训练集的作用是对模型进行参数或结构调整，达到预期精度；测试集的作用是对模型进行验证，以及进行最后的校正。图片格式为RGB格式。

第二步：设定卷积神经网络模型结构，在允许范围内设定网络模型中的权重参数以及偏置项参数，允许范围内权重参数预设为0～1，偏值项参数预设0.5～1，将处理后的能被计算机识别的图像训练集作为输入量，将主轴轴向误差，两个主轴径向误差，两个主轴倾角误差作为输出量，开始进行训练调参。训练分为正向计算和利用反向传播方法调整卷积神经网络参数两部分。先对如何计算进行说明。

如图2所示，一个卷积神经网络由若干卷积层、池化层、全连接层组成。

为了清楚的描述卷积计算过程，我们首先对图像的每个像素进行编号，x_d,i,j表示图像的第d层第i行第j列像素；ω_d,m,n表示滤波器(权重参数ω_d,m,n组成的矩阵，行数与列数相等)的第d层第m行第n列权重，用ω_b表示滤波器的偏置项；对特征图的每个元素进行编号，用a_i,j表示特征图的第i行第j列元素；D是深度；F是滤波器的大小(宽度或高度，两者相同)；用f表示激活函数(选择relu函数作为激活函数)。W₂是卷积后特征图的宽度；W₁是卷积前图像的宽度；F是滤波器的宽度；P是零填充的数量(在原始图像周围补几圈0)；S是步幅；H₂是卷积后特征图的高度；H₁是卷积前图像的宽度。特征图的宽度与高度相等。使用下列公式计算卷积层的计算：

W₂＝(W₁-F+2P)/S+1

H₂＝(H₁-F+2P)/S+1

以上就是在卷积层中得到温度特征图的计算方法。卷积神经网络与全连接神经网络相比，存在局部连接和权值共享(每层神经元只和上一层部分神经元相连，且滤波器的权值对于上一层所有神经元都是一样的)的优点，这样就会使权重参数ω_d,m,n数量大大减少，计算量大幅减少；

池化层主要的作用是下采样，通过去掉温度特征图中不重要的样本，进一步减少参数数量。池化的方法采取最大池(在n×n的样本中取最大值，作为采样后的样本值)。

图像训练集经过多次卷积池化，将重要的温度特征提取出来，最终得到一列单位像素大小的图像，经光栅化提取数值，得到一列数组，作为全连接层的输入，经过全连接层的计算，得到5个输出量，分别为主轴轴向误差、两个主轴径向误差和两个主轴倾角误差，以此来精确预测主轴5个自由度上的热误差，计算完毕后，开始对模型进行训练调参。卷积神经网络网络架构从左到右特征提取为：输入图片——3个特征图——3个特征图——5个特征图——5个特征图——输出层；

全连接层计算可以利用梯度下降方法，通过反向传播算法得到最佳权重参数以及偏置项参数。而卷积层训练的原理同全连接层是一样的：利用链式求导计算损失函数对每个权重的偏导数(梯度)，然后根据梯度下降公式更新权重，训练算法依然是反向传播算法，调整好权重参数以及偏置项参数后，使卷积神经网络模型精度达到预期精度；

反向传播算法(Backpropagation，神经网络的BP算法)公式见《Deep Learning》文献。

第三步：输入测试集，检验模型的预测精度，若模型出现过拟合或欠拟合情况，则返回第二步，调整训练集，重新进行训练，直到输入测试集后的精度达到5微米偏差内；

第四步：进行有限元分析验证；利用ANSYS软件进行仿真分析，将仿真得到的主轴温度场图片作为深度学习模型输入得到主轴热变形的预测值，并与仿真得到的变形场数据进行比较，若两者的偏差在5微米内，即验证模型精度满足要求，否则，返回第二步，进行再次的训练调参以及测试验证。

或进行实际试验验证；主轴在不同于第一步中测试集数据采集的工况下转动一定时间，利用红外热像仪采集主轴温度场图片，采用位移传感器采集主轴轴向误差，径向误差以及倾角误差；将温度场图片代入第三、第四步得到的深度学习模型，预测得到当前工况下的主轴热变形，并与位移传感器测得的实际数据进行比较，若两者之偏差在5微米内，即验证建模方法可行，否则，返回第二步，进行再次训练调参以及测试验证。

上述偏差在5微米内是指偏差±5微米范围。

基于上述方案的实施例如下：

本实施案例在一台数控机床(沈阳机床VMC650m)上进行操作，将输入图片大小设置为32×32，图片格式为RGB格式，设置两个卷积层，第一层卷积层的滤波器为6个，大小为5×5，池化窗口大小为2×2；第二层卷积层的滤波器为16个，大小不变，池化窗口大小不变；第三层卷积层的滤波器为120个，大小不变。此时已经得到120个神经元，再进行全连接层计算，设定全连接层的神经元数量为84，输出层神经元数量为5，分别为主轴轴向热误差、两个主轴径向热误差和两个主轴倾角热误差。图6的结果为主轴轴向热误差的预测与实际值的对比图：其中带有*的曲线代表轴向热误差的实际测量值，带□的曲线表示基于深度学习模型的模型预测值，带○的曲线表示预测残差，为实际测量值与模型预测值之差。图6显示，预测残差在±3微米之内，说明本深度学习模型预测的主轴热变形与实际测量值高度吻合。从而证明了该方法能够精确预测主轴热误差，为主轴热误差的精确补偿提供理论保障，提高数控机床的整体加工精度。

本发明已以较佳实施案例揭示如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，依据本发明的技术实质对以上实施案例所做的任何简单修改、等同变化与修饰，均仍属本发明技术方案范围。

Claims

1.一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：

第四步：进行有限元分析验证；利用ANSYS软件进行仿真分析，将仿真得到的主轴温度场图片作为深度学习模型输入得到主轴热变形的预测值，并与仿真得到的热变形场数据进行比较，若两者的偏差在所述一定偏差范围内，即验证模型精度满足要求，否则，返回第二步，进行再次的训练调参以及测试验证；

第二步的卷积神经网络模型分为计算和调参两部分；

一个卷积神经网络由若干卷积层、池化层、全连接层组成；

首先对图像的每个像素进行编号，x_d,i,j表示图像的第d层第i行第j列像素；ω_d,m,n表示滤波器的第d层第m行第n列权重，用ω_b表示滤波器的偏置项；对特征图的每个元素进行编号，用a_i,j表示特征图的第i行第j列元素；D是深度；F是滤波器的大小；用f表示激活函数，W₂是卷积后特征图的宽度；W₁是卷积前图像的宽度；P是零填充的数量；S是步幅；H₂是卷积后特征图的高度；H₁是卷积前图像的宽度，使用下列公式计算卷积层的温度特征图：

W₂＝(W₁-F+2P)/S+1

H₂＝(H₁-F+2P)/S+1

采用池化层去掉温度特征图中不重要的样本，图像训练集经过多次卷积、池化，将重要的温度特征提取出来，最终得到一列单位像素大小的图像，经光栅化提取数值，得到一列数组，作为全连接层的输入，经过全连接层的计算，得到5个输出量，分别为主轴轴向误差、两个主轴径向误差和两个主轴倾角误差，计算完毕后，开始对模型进行训练调参。

2.根据权利要求1所述一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：第二步中的允许范围内权重参数预设为0-1，偏值项参数预设0.5-1。

3.根据权利要求2所述一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：卷积神经网络模型训练调参中全连接层利用梯度下降方法，通过反向传播算法得到最佳权重参数以及偏置项参数。

4.根据权利要求3所述一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：卷积神经网络模型训练调参中卷积层利用链式求导计算损失函数对每个权重的偏导数，然后根据梯度下降方法更新权重，通过反向传播算法得到最佳权重参数以及偏置项参数，调整好权重参数以及偏置项参数后，使卷积神经网络模型精度达到预期精度。

5.根据权利要求1、2、3或4所述一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：第二步的卷积神经网络模型训练的池化方法是采取最大池，在n×n的样本中取最大值，作为采样后的样本值。

6.根据权利要求5所述一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：步骤四可由如下方式替代：实际试验验证；主轴在不同于第一步中测试集数据采集的工况下转动一定时间，利用红外热像仪采集主轴温度场图片，采用位移传感器采集主轴轴向误差，主轴径向误差以及主轴倾角误差；将温度场图片代入第二、第三步得到的深度学习模型，预测得到当前工况下的主轴热变形，并与位移传感器测得的实际数据进行比较，若两者之偏差在5微米内，即验证热误差建模可行，否则，返回第二步，进行再次训练调参以及测试验证。