CN108959787A - 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统 - Google Patents

考虑实际工况的宏宏双驱动系统的热变形预测方法及系统 Download PDF

Info

Publication number
CN108959787A
CN108959787A CN201810763216.1A CN201810763216A CN108959787A CN 108959787 A CN108959787 A CN 108959787A CN 201810763216 A CN201810763216 A CN 201810763216A CN 108959787 A CN108959787 A CN 108959787A
Authority
CN
China
Prior art keywords
neural network
thermal deformation
drive system
dual drive
macro
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
Application number
CN201810763216.1A
Other languages
English (en)
Other versions
CN108959787B (zh
Inventor
杜付鑫
冯显英
李慧
李沛刚
岳明君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201810763216.1A priority Critical patent/CN108959787B/zh
Publication of CN108959787A publication Critical patent/CN108959787A/zh
Application granted granted Critical
Publication of CN108959787B publication Critical patent/CN108959787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明公开了一种考虑实际工况的宏宏双驱动系统的热变形预测方法及系统。其中该预测方法，包括：基于Elman神经网络构建宏宏双驱动系统的热变形预测模型；利用训练数据集对热变形预测模型进行训练；将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值。

Description

考虑实际工况的宏宏双驱动系统的热变形预测方法及系统
技术领域
本发明属于宏宏双驱动系统领域，尤其涉及一种考虑实际工况的宏宏双驱动系统的热变形预测方法及系统。
背景技术
宏宏双驱动系统包括两个伺服电机、滚珠丝杠螺母传动副、位移检测装置、位置反馈模块、CNC运动控制器；其中一个伺服电机A驱动滚珠丝杠螺母传动副的丝杠的旋转，另一个伺服电机B驱动滚珠丝杠螺母传动副的滚珠螺母组件旋转，且两个伺服电机各自通过一套伺服驱动系统驱动；CNC运动控制器根据工作台给定运动要求，按照设定的算法分配宏动指令给两个伺服驱动系统，两个伺服驱动系统控制丝杠和螺母的各自旋转运动，以控制工作台的微量进给运动。
目前针对宏宏双驱动系统的热变形预测的方法均未考虑宏宏双驱动系统的实际工况，影响了热变形预测的准确性。因此，亟需一种能够准确预测宏宏双驱动系统的热变形的预测方法及系统。
发明内容
为了解决现有技术的不足，本发明的第一目的是提供一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其能够准确预测宏宏双驱动系统的热变形。
本发明的一种考虑实际工况的宏宏双驱动系统的热变形预测方法，包括：
基于Elman神经网络构建宏宏双驱动系统的热变形预测模型；
利用训练数据集对热变形预测模型进行训练；
将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值；
其中，基于Elman神经网络构建宏宏双驱动系统的热变形预测模型的具体过程为：
选取宏宏双驱动系统的关键测温点的温度变量作为Elman神经网络的输入，宏宏双驱动系统的丝杠副的轴向热伸长作为Elman神经网络的输出，进而确定出Elman神经网络的结构；
采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值，进而构建出宏宏双驱动系统的热变形预测模型。
进一步的，采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值的具体过程为：
初始化Elman神经网络及DE算法相关参数；
计算初始种群的适应度值：利用训练数据对神经网络进行训练，个体的预测和期望输出之间的差的平方和的倒数作为适应度函数；
依次进行变异操作、交叉操作和选择操作；
计算新个体适应度值：将当前种群中每个个体的值依次映射到神经网络的初始权值和阈值，采用适应度函数分别计算每个个体的适应度值；
判断采用DE算法优化神经网络过程是否完成，若完成，则将经过DE算法优化得到的最佳适应度值对应的个体映射到Elman神经网络各层连接的初始权值和阈值，将其作为最优的初始权值和阈值。
进一步的，根据当前进化代数是否达到预先设置的最大进化代数判断采用DE算法优化Elman神经网络过程是否完成。
进一步的，根据得到的种群中所有个体的适应度值计算最佳适应度值，然后根据最佳适应度值是否达到预先设置的最小值判断是否停止DE算法优化Elman神经网络的过程。
进一步的，在初始化Elman神经网络的过程中，确定出Elman神经网络的结构，包括神经网络的层数，输入层隐含层、及输出层神经元的数目；并利用matlab库函数rands()产生Elman神经网络各层之间的初始权值和阈值。
本发明的第二目的是提供一种考虑实际工况的宏宏双驱动系统的热变形预测系统，其能够准确预测宏宏双驱动系统的热变形。
本发明的一种考虑实际工况的宏宏双驱动系统的热变形预测系统，包括热变形预测服务器，所述热变形预测服务器包括：
热变形预测模型构建模块，其被配置为：基于Elman神经网络构建宏宏双驱动系统的热变形预测模型；
热变形预测模型训练模块，其被配置为：利用训练数据集对热变形预测模型进行训练；
热变形预测模块，其被配置为：将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值；
其中，所述热变形预测模型构建模块还被配置为：
选取宏宏双驱动系统的关键测温点的温度变量作为Elman神经网络的输入，宏宏双驱动系统的丝杠副的轴向热伸长作为Elman神经网络的输出，进而确定出Elman神经网络的结构；
采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值，进而构建出宏宏双驱动系统的热变形预测模型。
进一步的，在所述热变形预测模型构建模块中，采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值的具体过程为：
初始化Elman神经网络及DE算法相关参数；
计算初始种群的适应度值：利用训练数据对神经网络进行训练，个体的预测和期望输出之间的差的平方和的倒数作为适应度函数；
依次进行变异操作、交叉操作和选择操作；
计算新个体适应度值：将当前种群中每个个体的值依次映射到神经网络的初始权值和阈值，采用适应度函数分别计算每个个体的适应度值；
判断采用DE算法优化神经网络过程是否完成，若完成，则将经过DE算法优化得到的最佳适应度值对应的个体映射到Elman神经网络各层连接的初始权值和阈值，将其作为最优的初始权值和阈值。
进一步的，在所述热变形预测模型构建模块中，根据当前进化代数是否达到预先设置的最大进化代数判断采用DE算法优化Elman神经网络过程是否完成。
进一步的，在所述热变形预测模型构建模块中，根据得到的种群中所有个体的适应度值计算最佳适应度值，然后根据最佳适应度值是否达到预先设置的最小值判断是否停止DE算法优化Elman神经网络的过程。
进一步的，在所述热变形预测模型构建模块中，在初始化Elman神经网络的过程中，确定出Elman神经网络的结构，包括神经网络的层数，输入层隐含层、及输出层神经元的数目；并利用matlab库函数rands产生Elman神经网络各层之间的初始权值和阈值。
与现有技术相比，本发明的有益效果是：
本发明基于Elman神经网络构建宏宏双驱动系统的热变形预测模型；再利用训练数据集对热变形预测模型进行训练；最后将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值，到达了准确预测宏宏双驱动系统的热变形的目的。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是Elman神经网络结构示意图。
图2是DE算法的流程图。
图3是本发明的一种考虑实际工况的宏宏双驱动系统的热变形预测方法流程图。
图4是系统温升及热伸长测量原理图。
图5(a)为实验I的温度关键点温度变化曲线。
图5(b)为实验I的热变形量变化曲线。
图6(a)为实验II的利用BP神经网络预测热变形结果。
图6(b)为实验II的利用Elman网络预测热变形结果。
图7(a)为实验III的利用Elman网络预测热变形结果。
图7(b)为实验III的利用DE-Elman网络预测热变形结果。
图8(a)为实验IV的利用Elman网络预测热变形结果。
图8(b)为实验IV的利用DE-Elman网络预测热变形结果。
图9为考虑运行条件的DE-Elman神经网络模型的热变形补偿后结果。
图10是本发明的一种考虑实际工况的宏宏双驱动系统的热变形预测系统结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释：
(1)Elman神经网络
BP神经网络是一种前馈型神经网络，它是一种静态神经网络，只能实现输入输出的非线性静态映射。然而，时序递归神经网络能够依照时序响应外部输入的信号，对它进行动态地处理，实现输入输出的动态非线性映射。在BP神经网络的基础上，时序递归神经网络增加了反馈连接，通过对神经元历史记录存储实现了输出对输入在时间上的延时，使得预测模型对历史数据具有记忆功能，提高了动态系统的辨识精度。因此，时序递归神经网络在非线性动态系统的建模与预测方面有广泛的应用。
Elman神经网络是一种典型的时序递归神经网络，能实现输入输出的动态非线性映射。考虑到热变形样本数据是基于时间进行连续变化的，而且变化是非线性动态的，所以本发明采用Elman神经网络对热变形进行建模，Elman神经网络结构如图1所示。
标准Elman神经网络的非线性状态空间表达式为：
x(k)＝f(ω1xc (k)+ω2u(k-1)) (1)
xc (k)＝x(k-1)+αxc (k-1) (2)
y(k)＝g(ω3x(k)) (3)
其中，ω1是连接承接层与中间层(隐含层)的权值矩阵，ω2连接输入层与中间层的权值矩阵，ω3是连接中间层与输出层之间的权值矩阵，函数f(·)是中间层的传递函数，常用函数g(·)是输出层的传递函数，常采用函数y＝x，则y(k)＝ω3x(k)。
标准的Elman神经网络通过梯度下降的学习算法来训练网络参数。设第k次实际输出为yd(k)，样本的期望输出为y(k)，将实际输出和期望输出误差E作为训练的目标函数，其定义为：
由梯度下降法修改神经网络的各个节点的权值，使得E取得最小值，单个学习样本对权值的W修正值为：
式中，η表示学习速率，可取0到1之间的数值。
(2)DE算法
DE算法：差分进化算法(Differential Evolution，DE)
DE算法通过采用浮点矢量进行编码生成种群个体。在DE算法寻优的过程中，首先，从父代个体间选择两个个体进行向量做差生成差分矢量；其次，选择另外一个个体与差分矢量求和生成实验个体；然后，对父代个体与相应的实验个体进行交叉操作，生成新的子代个体；最后在父代个体和子代个体之间进行选择操作，将符合要求的个体保存到下一代群体中去。
差分进化算法的优势为：
(a)与其他优化算法相比：
存在内在并行性，可以充分利用计算机的并行处理能力；
不是从一个单点开始，而是从一个种群开始搜索；
使用概率转移规则，不需要确定性的原则；
直接对结构对象进行操作，对目标函数没有限定(如要求函数连续或者可导)。
差分进化算法与粒子群优化有相通之处，但由于它在一定程度上考虑了多变量之间的相关性，因此相对于粒子群优化算法，它在变量耦合问题上有很大的优势。
(b)与其他进化算法相比：
在求解非凸、多峰、非线性函数优化问题表现极强的稳健性；
在同样的精度要求下，收敛的速度更快；
尤其擅长求解高纬的函数优化问题；
算法原理简单，容易编程实现；
易于与其他算法进行混合，构造出具有更优性能的算法。
差分进化算法的实现步骤为：
对于求解具有n个连续变量的全局优化问题。可将全局优化问题转化为求解如下函数的最小值问题：
式中，D表示问题空间解的维数，bj和aj分别表示xj的上下限。
如图2所示，DE算法的流程如下：
(A)初始化种群
{xi(0)|xi(0)＝[xi1,xi2,xi3,…,xiD],I＝1,2,…NP} (7)
xij＝aj+rand×(bj-aj)i＝1,2,…,NP,j＝1,2,…,D (8)
公式(7)和(8)中，NP表示种群大小，xi(0)表示初始化种群中第i个个体，xij表示第i个个体的第j个分量，rand表示(0,1)区间内均匀分布的随机数。
(B)变异
DE算法通过差分方式实现变异操作。基本方法是在当前种群中随机选取两个相异个体，将他们差向量缩放后与另外的待变异个体进行向量运算，生成新个体：
Vi(g+1)＝Xr1(g)+F×(Xr2(g)-Xr3(g)) (9)
式(9)中，i≠r1≠r2≠r3，i＝1,2,..,NP，r1、r2和r3均为区间[1,NP]内的随机整数，F表示缩放因子，g表示进化代数，Xi(g)表示第g代种群中第i个个体。通过变异后，第g代种群产生一个新的中间种群：
{Vi(g+1),i＝1,2,…,NP} (10)
(C)交叉
对第g代种群{Xi(g)，i＝1，2，…，NP}及其变异的中间种群{Vi(g+1)，i＝1，2，…，NP}进行相应个体间的交叉操作：
公式(11)中，i＝1,2,..,NP，j＝1,2,..,D，rand表示区间(0,1)内均匀分布的随机数，Uij(g+1)＝[ui1,ui2,ui3,…,uiD]表示第g+1代新种群中第i个个体，uij(g+1)和vij(g+1)分别表示Ui(g+1)和Vi(g+1)中的第j个分量，CR表示交叉概率，jrand为区间[1,D]内的随机整数。这种交叉策略可确保Ui(g+1)中至少有一个分量由Vi(g+1)中的相应分量贡献。
在算法进行过程中，为了保证解的有效性，必须判断生成的试验个体的各个分量是否在问题的搜索空间内，满足条件的个体予以保留，并用种群初始化的方式生成新个体替换不满足条件的个体。如下式所示：
式中，i＝1,2,..,NP，j＝1,2,..,D。
(D)选择操作
DE算法采用贪婪策略，根据目标函数的大小来选择进入新种群的个体：
式中，i＝1,2,..,NP。
(E)终止条件
如果迭代次数g超过了最大迭代次数Gm或者求解精度达到要求时，则停止搜索；否则将对种群再次执行变异、交叉和选择等操作，直至满足条件为止。
图3是本发明的一种考虑实际工况的宏宏双驱动系统的热变形预测方法流程图。
如图3所示，本发明的一种考虑实际工况的宏宏双驱动系统的热变形预测方法，包括：
步骤1：基于Elman神经网络构建宏宏双驱动系统的热变形预测模型。
其中，基于Elman神经网络构建宏宏双驱动系统的热变形预测模型的具体过程为：
选取宏宏双驱动系统的关键测温点的温度变量作为Elman神经网络的输入，宏宏双驱动系统的丝杠副的轴向热伸长作为Elman神经网络的输出，进而确定出Elman神经网络的结构；
采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值，进而构建出宏宏双驱动系统的热变形预测模型。
例如：
将4个关键测温点的温度变量作为Elman神经网络的输入，丝杠副的轴向热伸长作为Elman神经网络的输出。现采用4个输入参数，1个输出参数的网路模型，。假定输入层神经元的个数为n1，中间层神经元的个数为n2，根据Kolmogorov定理有：n2＝2×n1+1，故此Elman神经网络的隐含层神经元的个数为9，设置的Elman神经网络结构为4-9-1，建立基于Elman神经网络的宏宏双驱动系统的热变形预测模型，也是驱动进给系统热变形模型：
P＝ψ(T) (14)
式中，P＝(E)是模型的输出；
E是轴向热伸长；
T是典型温度变量；
ψ是一个神经元权重矩阵。
其中，反馈层神经元传递函数为tansig。该网络的训练中选用反向传播训练函数进行权值修正，选用traingdx训练函数和输入端的数据进行训练。
在Elman神经网络的学习过程中，需要确定的重要参数为连接权值和阈值。合理、准确的选择这些参数才能发挥Elman神经网络的非线性逼近能力。
采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值的具体过程为：
(1.1)初始化Elman神经网络及DE算法相关参数；
确定神经网络的结构，包括神经网络的层数，输入层隐含层、及输出层神经元的数目；并利用matlab库函数rands()产生网络各层之间的初始权值和阈值；初始化学习速率η、动量因子β、训练次数和训练目标的值。
初始化种群的最大进化代数tmax、种群大小N、最小的最佳适应度值Fmin、变异因子Pc、交叉概率Pm；并利用公式(12)将在第(A)步中得到的初始化网络连接权值和阈值映射到种群个体中。
(1.2)计算初始种群的适应度值：利用训练数据对神经网络进行训练，个体的预测和期望输出之间的差的平方和的倒数作为适应度函数F；
式中：n0是输出层的神经元数量；
yi是第i个神经元的预测值；
Qi是第i个神经元的预期输出值。
(1.3)依次进行变异操作、交叉操作和选择操作；
(1.4)计算新个体适应度值：将当前种群中每个个体的值依次映射到神经网络的初始权值和阈值，采用适应度函数分别计算每个个体的适应度值；
(1.5)判断采用DE算法优化神经网络过程是否完成，若完成，则将经过DE算法优化得到的最佳适应度值对应的个体映射到Elman神经网络各层连接的初始权值和阈值，将其作为最优的初始权值和阈值。
具体地，根据当前进化代数是否达到预先设置的最大进化代数判断采用DE算法优化Elman神经网络过程是否完成。
也可以根据得到的种群中所有个体的适应度值计算最佳适应度值，然后根据最佳适应度值是否达到预先设置的最小值判断是否停止DE算法优化Elman神经网络的过程。
步骤2：利用训练数据集对热变形预测模型进行训练。
步骤3：将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值。
如图4所示为系统温升及热伸长测量原理图，采用Renishaw公司的XL-80双频激光干涉仪测量工作台定位误差。检测系统的硬件主要由温度传感器(T1、T23、T4、T5)、变送器、数据采集卡等组成。其中温度传感器T1安装在靠近丝杠电机轴承处检测近端轴承的温度，温度传感器T4安装在远离丝杠电机轴承处检测远端轴承的温度，温度传感器T23安装在螺母组件法兰处检测螺母组件温度，温度传感器T5用于检测环境温度。根据机床温度测量要求以及测量范围和精度要求，温度传感器采用PT100热敏电阻及配套的温度变送器，测温范围0℃～100℃，变送输出0～5V。选用研华USB-4711A多通道数据采集卡，16路模拟输入通道，12位分辨率。实验过程中，5分钟记录一次实验数据，包括各关键测温点温度值和工作台定位误差。
实验条件如表1所示，包括平台运行速度、行程以及平台运行的时间。变化以上三种运行条件，测量温度和热变形数据，建立并验证了双驱动系统热变形模型。
平台往复运行，通过激光干涉仪测量在实验过程中的定位误差，得到热变形变化的实验数据。其中实验I用于建立模型，实验II～IV用于热变形补偿实验，验证模型的有效性。每组实验，平台都依据设定的速度和行程，运行150min，实验Ⅳ由3段不同速度、行程的连续阶段组成。
表1实验运行条件
实验I结果如图5(a)和图5(b)所示，图5(a)为温度关键点温度变化曲线。图5(b)为热变形量变化曲线。基于这两组数据，可以得到热变形神经网络模型。为比较前馈神经网络与动态神经网络的建模效果，采用BP和Elman神经网络对实验I所获得的温度变化数据及热变形数据进行建模。BP网络和Elman网络的输入为4个关键测温点的温升值，输出变量为热变形量，神经网络参数设置如表2所示。训练时，输入变量为实验I中所采集的测温点温升值所构成的阵列(4×30)，输出变量为对应时间所采集的系统热变形向量(1×30)。
表2神经网络参数
BP神经网络和Elman神经网络的热变形预测值及残差值如图5(b)所示。分析图中所示实验结果，BP神经网络模型的估计残差值为-1.85～1.88μm；Elman模型的估计残差为-0.45～0.46μm。通过比较，这两种模型的预测误差都控制得较好。残差值反应出Elman模型的建模效果更加理想。
为了对比BP神经网络和Elman网络建模的鲁棒性，本发明利用通过实验I的数据所训练的模型，将不同运行条件下得到驱动系统热关键点温度变化作为模型的输入变量，验证两种模型对热变形的预测精度。
首先将实验Ⅱ中采集的温度变化数据作为输入，分别利用BP神经网络以及Elman网络预测热变形，其结果如图6(a)和图6(b)所示。BP神经网络的估计残差在-2.51～2.42μm内波动；Elman神经网络的估计残差在-0.87～0.87μm内波动，采用Elman神经网络模型估计效果较好。这是因为前馈神经网络仅含有静态神经元而缺乏时间因素，无法较好地描述丝杠热特性的动态变化。Elman网络的第一层具有反馈连接，可以储存前一次的值，因此应用Elman网络建立驱动系统的模型，具有较强的逼近性能和鲁棒性。
根据实验Ⅲ的温度变化数据，利用Elman神经网络以及DE-Elman网络预测系统的热变形，差分进化算法的参数如表3所示，预测结果如图7(a)和图7(b)所示。实验结果随着时间的推移可以分为两个阶段，30min之前两种模型的估计热变形都较大，BP神经网络最大热变形为2.68μm，Elman神经网络最大热变形为1.21μm。30min后，随着时间的推移，模型数据量增大，模型估计热变形逐渐稳定。Elman神经网络估计热变形为-1.93～2.04μm，DE-Elman神经网络估计热变形为-1.12～1.18μm。因此，DE-Elman神经网络的收敛时间远小于Elman神经网络，且模型收敛时DE-Elman神经网络模型的预测精度较高。
表3 DE算法参数
最后分析实验Ⅳ，为了模拟刀架在实际加工过程中的运动，将该实验分为运行条件都不同的三个阶段。图8(a)和图8(b)为两种模型对系统热变形的预测结果，两种模型对热变形的估计值均出现了较大的偏差。Elman网络模型的估计残差为-2.56～2.93μm，DE-Elman网络模型的估计残差为-1.54～1.79μm，虽然DE-Elman神经网络相对Elman神经网络的估计效果较好，但和实验Ⅲ相比，预测效果下降较为明显。
由图6(a)～图8(b)可知，具有反馈结构的Elman神经网络、DE-Elman神经网络对丝杠热变形的预测具有较好的效果，说明动态神经网络适合于描述宏宏双驱动系统的动态变化的热特性。然而，当运行条件较为复杂时，其关键测温点的温升数据及热变形也相应出现了较为复杂的变化。此时，Elman神经网络、DE-Elman都未能取得较好的预测效果。因此，本发明基于DE-Elman神经网络，同时考虑运行条件对热变形的影响，建立宏宏双驱动系统的热变形预测模型，并基于该模型进行热变形补偿实验。
考虑实际运行工况的DE-Elman神经网络具有7个输入端节点，分别为近端轴承温度、丝杠螺母温度、远端轴承温度、环境温度、工作台进给速度、螺母轴转速及行程。将对应时间的工作台进给速度、螺母轴转速、行程与之前的温升数据一起构成7×30的阵列作为模型的输入量。结合神经网络建立训练的结果，确定反馈层神经元数目为15。利用插值算法得到系统整体热变形分布，完成系统热变形模型的建立，将模型数据导入固高运动控制器实现热变形补偿功能。如图9，考虑运行条件的DE-Elman神经网络模型的热变形补偿之后，工作台的定位误差在-0.88～0.83μm内波动，相比Elman神经网络模型(-1.42～1.73μm)取得了较为理想的结果。
综上所述，当只将进给系统的温升数据作为输入项时，BP神经网络、Elman网络、DE-Elman网络均能对热变形建立模型。当进给系统的运行状态保持不变，基于差分进化算法的Elman网络模型对丝杠热变形的补偿效果更加理想。在运行工况较复杂时，上述三种神经网络模型对热变形的预测均存在不足，而考虑运行条件作为DE-Elman神经网络的输入项所建立的模型对各种工况变化条件均能实现良好的估计，补偿效果更好，鲁棒性更强。
本发明首先分析双轴差速微量进给伺服系统的热源及温度场的动态特性，通过对系统热特性的分析，提出采用考虑运行条件的DE-Elman神经网络进行进给系统热变形误差的建模，并获得了良好的效果。
实验证明，当宏宏双驱动系统的运行条件较为复杂时，考虑运行条件的DE-Elman网络建模的热变形估计残差在-0.88～0.83μm波动，此方法比BP神经网络和Elman神经网络具有更好的预测精度和鲁棒性，显示了较强的工程应用前景。
图10是本发明的一种考虑实际工况的宏宏双驱动系统的热变形预测系统结构示意图。
如图10所示，本发明的一种考虑实际工况的宏宏双驱动系统的热变形预测系统，包括热变形预测服务器，所述热变形预测服务器包括：
(1)热变形预测模型构建模块，其被配置为：基于Elman神经网络构建宏宏双驱动系统的热变形预测模型；
其中，所述热变形预测模型构建模块还被配置为：
选取宏宏双驱动系统的关键测温点的温度变量作为Elman神经网络的输入，宏宏双驱动系统的丝杠副的轴向热伸长作为Elman神经网络的输出，进而确定出Elman神经网络的结构；
采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值，进而构建出宏宏双驱动系统的热变形预测模型。
在所述热变形预测模型构建模块中，采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值的具体过程为：
初始化Elman神经网络及DE算法相关参数；
计算初始种群的适应度值：利用训练数据对神经网络进行训练，个体的预测和期望输出之间的差的平方和的倒数作为适应度函数；
依次进行变异操作、交叉操作和选择操作；
计算新个体适应度值：将当前种群中每个个体的值依次映射到神经网络的初始权值和阈值，采用适应度函数分别计算每个个体的适应度值；
判断采用DE算法优化神经网络过程是否完成，若完成，则将经过DE算法优化得到的最佳适应度值对应的个体映射到Elman神经网络各层连接的初始权值和阈值，将其作为最优的初始权值和阈值。
在所述热变形预测模型构建模块中，根据当前进化代数是否达到预先设置的最大进化代数判断采用DE算法优化Elman神经网络过程是否完成。
在所述热变形预测模型构建模块中，根据得到的种群中所有个体的适应度值计算最佳适应度值，然后根据最佳适应度值是否达到预先设置的最小值判断是否停止DE算法优化Elman神经网络的过程。
在所述热变形预测模型构建模块中，在初始化Elman神经网络的过程中，确定出Elman神经网络的结构，包括神经网络的层数，输入层隐含层、及输出层神经元的数目；并利用matlab库函数rands产生Elman神经网络各层之间的初始权值和阈值。
(2)热变形预测模型训练模块，其被配置为：利用训练数据集对热变形预测模型进行训练；
(3)热变形预测模块，其被配置为：将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值。
本发明基于Elman神经网络构建宏宏双驱动系统的热变形预测模型；再利用训练数据集对热变形预测模型进行训练；最后将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值，到达了准确预测宏宏双驱动系统的热变形的目的。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其特征在于，包括：
基于Elman神经网络构建宏宏双驱动系统的热变形预测模型；
利用训练数据集对热变形预测模型进行训练；
将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值；
其中，基于Elman神经网络构建宏宏双驱动系统的热变形预测模型的具体过程为：
选取宏宏双驱动系统的关键测温点的温度变量作为Elman神经网络的输入，宏宏双驱动系统的丝杠副的轴向热伸长作为Elman神经网络的输出，进而确定出Elman神经网络的结构；
采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值，进而构建出宏宏双驱动系统的热变形预测模型。
2.如权利要求1所述的一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其特征在于，采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值的具体过程为：
初始化Elman神经网络及DE算法相关参数；
计算初始种群的适应度值：利用训练数据对神经网络进行训练，个体的预测和期望输出之间的差的平方和的倒数作为适应度函数；
依次进行变异操作、交叉操作和选择操作；
计算新个体适应度值：将当前种群中每个个体的值依次映射到神经网络的初始权值和阈值，采用适应度函数分别计算每个个体的适应度值；
判断采用DE算法优化神经网络过程是否完成，若完成，则将经过DE算法优化得到的最佳适应度值对应的个体映射到Elman神经网络各层连接的初始权值和阈值，将其作为最优的初始权值和阈值。
3.如权利要求2所述的一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其特征在于，根据当前进化代数是否达到预先设置的最大进化代数判断采用DE算法优化Elman神经网络过程是否完成。
4.如权利要求2所述的一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其特征在于，根据得到的种群中所有个体的适应度值计算最佳适应度值，然后根据最佳适应度值是否达到预先设置的最小值判断是否停止DE算法优化Elman神经网络的过程。
5.如权利要求1所述的一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其特征在于，在初始化Elman神经网络的过程中，确定出Elman神经网络的结构，包括神经网络的层数，输入层隐含层、及输出层神经元的数目；并利用matlab库函数rands()产生Elman神经网络各层之间的初始权值和阈值。
6.一种考虑实际工况的宏宏双驱动系统的热变形预测系统，其特征在于，包括热变形预测服务器，所述热变形预测服务器包括：
热变形预测模型构建模块，其被配置为：基于Elman神经网络构建宏宏双驱动系统的热变形预测模型；
热变形预测模型训练模块，其被配置为：利用训练数据集对热变形预测模型进行训练；
热变形预测模块，其被配置为：将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值；
其中，所述热变形预测模型构建模块还被配置为：
选取宏宏双驱动系统的关键测温点的温度变量作为Elman神经网络的输入，宏宏双驱动系统的丝杠副的轴向热伸长作为Elman神经网络的输出，进而确定出Elman神经网络的结构；
采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值，进而构建出宏宏双驱动系统的热变形预测模型。
7.如权利要求6所述的一种考虑实际工况的宏宏双驱动系统的热变形预测系统，其特征在于，在所述热变形预测模型构建模块中，采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值的具体过程为：
初始化Elman神经网络及DE算法相关参数；
计算初始种群的适应度值：利用训练数据对神经网络进行训练，个体的预测和期望输出之间的差的平方和的倒数作为适应度函数；
依次进行变异操作、交叉操作和选择操作；
计算新个体适应度值：将当前种群中每个个体的值依次映射到神经网络的初始权值和阈值，采用适应度函数分别计算每个个体的适应度值；
判断采用DE算法优化神经网络过程是否完成，若完成，则将经过DE算法优化得到的最佳适应度值对应的个体映射到Elman神经网络各层连接的初始权值和阈值，将其作为最优的初始权值和阈值。
8.如权利要求7所述的一种考虑实际工况的宏宏双驱动系统的热变形预测系统，其特征在于，在所述热变形预测模型构建模块中，根据当前进化代数是否达到预先设置的最大进化代数判断采用DE算法优化Elman神经网络过程是否完成。
9.如权利要求7所述的一种考虑实际工况的宏宏双驱动系统的热变形预测系统，其特征在于，在所述热变形预测模型构建模块中，根据得到的种群中所有个体的适应度值计算最佳适应度值，然后根据最佳适应度值是否达到预先设置的最小值判断是否停止DE算法优化Elman神经网络的过程。
10.如权利要求6所述的一种考虑实际工况的宏宏双驱动系统的热变形预测系统，其特征在于，在所述热变形预测模型构建模块中，在初始化Elman神经网络的过程中，确定出Elman神经网络的结构，包括神经网络的层数，输入层隐含层、及输出层神经元的数目；并利用matlab库函数rands()产生Elman神经网络各层之间的初始权值和阈值。
CN201810763216.1A 2018-07-12 2018-07-12 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统 Active CN108959787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810763216.1A CN108959787B (zh) 2018-07-12 2018-07-12 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810763216.1A CN108959787B (zh) 2018-07-12 2018-07-12 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统

Publications (2)

Publication Number Publication Date
CN108959787A true CN108959787A (zh) 2018-12-07
CN108959787B CN108959787B (zh) 2023-05-26

Family

ID=64484055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810763216.1A Active CN108959787B (zh) 2018-07-12 2018-07-12 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统

Country Status (1)

Country Link
CN (1) CN108959787B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113211160A (zh) * 2021-04-08 2021-08-06 北京工业大学 基于极端梯度提升的滚珠丝杠副热变形补偿系统及方法
CN115179445A (zh) * 2022-08-09 2022-10-14 永得利科技（无锡）有限公司 基于空间定位误差模型的真空腔体密封件cnc加工方法
JP7464387B2 (ja) 2018-12-29 2024-04-09 ダッソー システムズ ３ｄモデル化オブジェクト推定のための機械学習

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593538A (zh) * 2013-11-28 2014-02-19 东南大学 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法
CN104714485A (zh) * 2015-02-12 2015-06-17 山东大学 一种新型高精度微量进给伺服系统及控制方法
CN108093085A (zh) * 2018-01-16 2018-05-29 成都寻道科技有限公司 一种大数据系统实时服务参数自适应调整方法
CN108197432A (zh) * 2017-11-29 2018-06-22 东北电力大学 一种基于基因表达数据的基因调控网络重构方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593538A (zh) * 2013-11-28 2014-02-19 东南大学 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法
CN104714485A (zh) * 2015-02-12 2015-06-17 山东大学 一种新型高精度微量进给伺服系统及控制方法
CN108197432A (zh) * 2017-11-29 2018-06-22 东北电力大学 一种基于基因表达数据的基因调控网络重构方法
CN108093085A (zh) * 2018-01-16 2018-05-29 成都寻道科技有限公司 一种大数据系统实时服务参数自适应调整方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
YUNXIA PU等: "Early Warning Technology for Cracking Severity Based on Improved Cultural Differential Algorithm", 《PROCEEDINGS OF THE 8TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 *
孙明陆: "数控机床热误差补偿关键技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 *
张宝刚: "数控机床关键部件的热误差补偿技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 *
徐斌: "基于差分进化算法的多目标优化方法研究及其应用", 《中国博士学位论文全文数据库信息科技辑》 *
方力智等: "基于改进差分进化算法的RBF神经网络优化方法", 《成都大学学报(自然科学版)》 *
朱小龙等: "基于AVQ聚类和OIF-Elman神经网络的机床热误差建模", 《上海交通大学学报》 *
蔡亮: "差分进化算法及其应用研究", 《万方数据知识服务平台》 *
陈诚等: "考虑运行条件的Elman网络丝杠驱动系统热误差建模", 《光学 精密工程》 *
魏林等: "煤矿瓦斯涌出量的非线性降维Elman动态预测模型", 《辽宁工程技术大学学报（自然科学版）》 *
黄玉春等: "基于遗传算法优化Elman神经网络的机床热误差建模", 《组合机床与自动化加工技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7464387B2 (ja) 2018-12-29 2024-04-09 ダッソー システムズ ３ｄモデル化オブジェクト推定のための機械学習
CN113211160A (zh) * 2021-04-08 2021-08-06 北京工业大学 基于极端梯度提升的滚珠丝杠副热变形补偿系统及方法
CN115179445A (zh) * 2022-08-09 2022-10-14 永得利科技（无锡）有限公司 基于空间定位误差模型的真空腔体密封件cnc加工方法
CN115179445B (zh) * 2022-08-09 2023-06-27 永得利科技（无锡）有限公司 基于空间定位误差模型的真空腔体密封件cnc加工方法

Also Published As

Publication number Publication date
CN108959787B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
US20210383041A1 (en) In-situ thermodynamic model training
Abdulshahed et al. The application of ANFIS prediction models for thermal error compensation on CNC machine tools
Guerra et al. Digital twin-based optimization for ultraprecision motion systems with backlash and friction
Nagib et al. Path planning for a mobile robot using genetic algorithms
CN111590581A (zh) 机器人的定位补偿方法及装置
CN106156401B (zh) 基于多组合分类器的数据驱动系统状态模型在线辨识方法
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
CN101452258A (zh) 一种与模型无关的自适应控制器及其控制方法
CN108959787A (zh) 考虑实际工况的宏宏双驱动系统的热变形预测方法及系统
JP2022544474A (ja) 技術システムのための改善された機械学習
CN112077839B (zh) 一种机械臂的运动控制方法及装置
CN110083125A (zh) 一种基于深度学习的机床热误差建模方法
CN110007645A (zh) 一种基于动力学及深度神经网络的进给系统混合建模方法
CN116460860A (zh) 一种基于模型的机器人离线强化学习控制方法
Lutska et al. Forecasting the efficiency of the control system of the technological object on the basis of neural networks
Serrano-Pérez et al. Offline robust tuning of the motion control for omnidirectional mobile robots
CN114444701A (zh) 训练量子线路及数据嵌入的方法
CN114880930B (zh) 一种基于在线学习的实体设备数字孪生建模仿真预测方法
Osmic et al. Genetic algorithm based identification of a nonlinear 2dof helicopter model
CN106533285A (zh) 基于Kriging模型的永磁直流电机转速控制方法
CN111753466A (zh) 一种三极磁轴承转子径向位移软测量建模方法
CN111897210A (zh) 压电陶瓷微定位平台建模方法
Shanthi et al. Machine Learning Architecture in Soft Sensor for Manufacturing Control and Monitoring System Based on Data Classification
Gao et al. A hybrid learning‐based hysteresis compensation strategy for surgical robots
Song et al. Dynamic parameter identification and adaptive control with trajectory scaling for robot-environment interaction

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