CN109447235A - 基于神经网络的进给系统模型训练和预测方法及其系统 - Google Patents
基于神经网络的进给系统模型训练和预测方法及其系统 Download PDFInfo
- Publication number
- CN109447235A CN109447235A CN201811119041.7A CN201811119041A CN109447235A CN 109447235 A CN109447235 A CN 109447235A CN 201811119041 A CN201811119041 A CN 201811119041A CN 109447235 A CN109447235 A CN 109447235A
- Authority
- CN
- China
- Prior art keywords
- neural network
- time sequence
- motion state
- feed system
- axial movement
- 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
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及数控系统领域,公开了一种基于神经网络的进给系统模型训练和预测方法及其系统,可以通过输入单轴运动指令时间序列精准预测出实际响应时间序列。本申请中,对进给系统中的至少一个单轴,执行以下步骤:为单轴的N个运动状态分别设置N个神经网络子模型,其中N>=1;从历史数据中获取单轴的单轴运动指令时间序列和实际响应时间序列作为样本数据;根据单轴运动指令时间序列为样本数据标记运动状态;将样本数据按照运动状态分类,分别训练对应运动状态的神经网络子模型,其中神经网络子模型的输入包括单轴运动指令时间序列,神经网络子模型的输出包括实际响应时间序列。
Description
技术领域
本申请涉及数控系统领域,特别涉及进给系统的实际响应时间序列预测技术。
背景技术
数控机床进给系统是一个复杂动态系统,目前通常用数学物理方法,基于简化和假设的控制规律、工艺模型的传统建模方式,建立微分方程及传递函数形式的数学模型,但是这种数学模型在机床非线性要素(反向过程、润滑情况、温度等)的表达能力上存在不足,难以完整、精确地描述其模型。
发明内容
本申请的目的在于提供一种基于神经网络的进给系统模型训练和预测方法及其系统,可以通过输入单轴运动指令时间序列精准预测出实际响应时间序列。
为了解决上述问题,本申请公开了一种基于神经网络的进给系统模型训练方法,对进给系统的至少一个单轴,执行以下步骤:
为该单轴的N个运动状态分别设置N个神经网络子模型,其中N>=1;
从历史数据中获取该单轴的单轴运动指令时间序列和实际响应时间序列作为样本数据;
根据该单轴运动指令时间序列为该样本数据标记运动状态;
将该样本数据按照运动状态分类,分别训练对应运动状态的神经网络子模型,其中该神经网络子模型的输入包括该单轴运动指令时间序列,该神经网络子模型的输出包括该实际响应时间序列。
在一优选例中,该神经网络子模型的输入还包括该实际响应时间序列的时间序列。
在一优选例中,该神经网络子模型的输出为该样本数据中第i+1个实际响应时间序列;
该神经网络子模型的输入包括:该样本数据的单轴运动指令时间序列中第i-M至第i个单轴指令,和,该样本数据中第i-L至第i个实际响应时间序列,其中i为代表时间序列的整数,L和M为正整数。
在一优选例中,该给进系统的每一个单轴都设置有一个神经网络模型,每一个单轴的神经网络模型中包括多个该神经网络子模型,多个该神经网络子模型分别与该单轴的多个运动状态一一对应。
在一优选例中,该运动状态包括:加速、反向、匀速、和减速。
在一优选例中,该根据该单轴运动指令时间序列为该样本数据标记运动状态的步骤之后,还包括:
根据该单轴运动指令时间序列和对应的运动状态,训练运动状态分类器。
在一优选例中,该运动状态分类器为朴素贝叶斯分类器。
在一优选例中,该实际响应时间序列速度是由安装在该给进系统上的位置采集装置采集的位置增量信息除以采集的时间周期时长而得到。
在一优选例中,该位置采集装置是光栅尺。
在一优选例中,该神经网络子模型是深度神经网络。
在一优选例中,该给进系统是数控系统的子系统。
本申请还公开了一种基于神经网络的进给系统模型预测方法,包括:
根据当前点之前的单轴运动指令时间序列确定当前点的运动状态;
根据所确定的运动状态,将当前点之前的单轴运动指令时间序列输入对应该运动状态的神经网络子模型,得到与当前点对应的单轴的实际响应时间序列,其中该神经网络子模型是根据该前文描述的方法训练得到的。
在一优选例中,该神经网络子模型的输入还包括当前点之前预测所得的实际响应时间序列的时间序列。
在一优选例中,该神经网络子模型的输出为第i+1个实际响应时间序列,即当前点的实际响应时间序列;
该神经网络子模型的输入包括:该单轴运动指令时间序列中第i-M至第i个单轴指令,和,该神经网络子模型在当前点之前输出的第i-L至第i个实际响应时间序列,其中i为代表时间序列的整数,L和M为正整数。
在一优选例中,该根据当前点之前的单轴运动指令时间序列确定当前点的运动状态的步骤包括:
将当前点之前的单轴运动指令时间序列输入运动状态分类器,根据该运动状态分类器的输出确定当前点的运动状态。
在一优选例中,该运动状态分类器为朴素贝叶斯分类器。
在一优选例中,该运动状态包括:加速、反向、匀速、和减速。
本申请还公开了一种基于神经网络的进给系统模型训练系统,包括:
至少一个神经网络模型,分别对应进给系统中的至少一个单轴;
每个该神经网络模型包括N个神经网络子模型,分别对应一个单轴的N个运动状态,其中N>=1;
该神经网络子模型的输入包括该单轴运动指令时间序列,该神经网络子模型的输出包括该实际响应时间序列。
在一优选例中,该神经网络子模型的输入还包括该实际响应时间序列的时间序列。
在一优选例中,该神经网络子模型的输出为该样本数据中第i+1个实际响应时间序列;
该神经网络子模型的输入包括:该样本数据的单轴运动指令时间序列中第i-M至第i个单轴指令,和,该样本数据中第i-L至第i个实际响应时间序列,其中i为代表时间序列的整数,L和M为正整数。
在一优选例中,该运动状态包括:加速、反向、匀速、和减速。
在一优选例中,还包括运动状态分类器,该运动状态分类器根据该单轴运动指令时间序列和对应的运动状态训练。
在一优选例中,该运动状态分类器为朴素贝叶斯分类器。
本申请还公开了一种基于神经网络的进给系统模型预测系统,包括:
运动状态分类器,用于根据当前点之前的单轴运动指令时间序列确定当前点的运动状态;
至少一个神经网络模型,分别对应进给系统中的至少一个单轴;
每个该神经网络模型包括N个神经网络子模型,分别对应一个单轴的N个运动状态,其中N>=1;
该神经网络模型根据该运动状态分类器确定的当前点运动状态,将当前点之前的单轴运动指令时间序列输入对应该运动状态的神经网络子模型,得到与当前点对应的单轴的实际响应时间序列。
在一优选例中,该神经网络模型还包括缓存器,用于缓存该神经网络子模型输出的实际响应时间序列的序列;
该神经网络子模型的输入还包括来自该缓存器的当前点之前预测所得的实际响应时间序列的时间序列。
在一优选例中,该神经网络子模型的输出为第i+1个实际响应时间序列,即当前点的实际响应时间序列;
该神经网络子模型的输入包括:该单轴运动指令时间序列中第i-M至第i个单轴指令,和,该神经网络子模型在当前点之前输出的第i-L至第i个实际响应时间序列,其中i为代表时间序列的整数,L和M为正整数。
在一优选例中,该运动状态分类器为朴素贝叶斯分类器。
在一优选例中,该运动状态包括:加速、反向、匀速、和减速。
本申请还公开了一种基于神经网络的进给系统模型训练系统,包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行该计算机可执行指令时实现如前文描述的方法中的步骤。
本申请还公开了一种基于神经网络的进给系统模型预测系统,包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行该计算机可执行指令时实现如前文描述的方法中的步骤。
本申请还公开了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现如前文描述的方法中的步骤。
本申请还公开了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现如前文描述的方法中的步骤。
本申请的技术方案与现有技术比较有如下优点:
预测更精准。克服了传统的数学模型仿真误差较大的问题,可以取得更精准的仿真结果。
②具有针对性的智能化的误差检测。传统的机床21项误差测量、螺距误差测量、反向间隙测量等方法只能对静态的几何误差进行检测,面对不同形状和不同的工艺要求(不同的主轴转速和进给速度)的复杂曲面零件,难以实现具有针对性的智能化的误差检测。采用基于深度神经网络的进给系统模型,可以对不同的工件要求进行动态的误差预测,不同工序和机床具有特定的模型和预测方法。
③在预测是模型的输入为单轴运动指令时间序列。该模型的输入仅为单轴运动指令时间序列,与实际物理系统的实时的状态无关,不需要实际物理系统提供额外的信息,不与实际物理系统相互耦合。因此,可以利用该模型,在云端离线工作,不需要与物理实体做信息的交互。
④针对进给系统不同的运动状态(如静止加速、匀速、减速静止、反向、反向加速、反向减速)进行划分和标记,提供可靠的样本,有利于更精准的建模与仿真。
本申请的说明书中记载了大量的技术特征,分布在各个技术方案中,如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话,会使得说明书过于冗长。为了避免这个问题,本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征,都可以自由地互相组合,从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载),除非这种技术特征的组合在技术上是不可行的。例如,在一个例子中公开了特征A+B+C,在另一个例子中公开了特征A+B+D+E,而特征C和D是起到相同作用的等同技术手段,技术上只要择一使用即可,不可能同时采用,特征E技术上可以与特征C相组合,则,A+B+C+D的方案因技术不可行而应当不被视为已经记载,而A+B+C+E的方案应当视为已经被记载。
附图说明
图1是本申请第一实施方式中一种基于神经网络的进给系统模型训练方法的流程示意图;
图2是本申请一个实施例中神经网络子模型的输入和输出示意图;
图3是本申请第二实施方式中一种基于神经网络的进给系统模型预测方法的流程示意图;
图4是本申请第三实施方式中一种基于神经网络的进给系统模型训练系统的结构示意图;
图5是本申请第四实施方式中一种基于神经网络的进给系统模型预测系统的结构示意图;
图6是本申请一个实施例中进给系统深度神经网络模型训练示意图;
图7是本申请一个实施例中进给系统深度神经网络模型预测示意图;
图8是本申请一个实施例中指令速度、实际速度与预测速度曲线;
图9是图8曲线中预测位置与实际位置差。
具体实施方式
在以下的叙述中,为了使读者更好地理解本申请而提出了许多技术细节。但是,本领域的普通技术人员可以理解,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
部分概念的说明:
给进系统:进给系统是以机床运动部件的位置和速度为控制量,实现被控制量跟踪指令信号变化的自动控制系统。
单轴:指包含驱动、电机、机械传动机构、检测反馈装置的进给系统。
单轴运动指令时间序列,包含单轴在预定时长(如1毫秒)为时间周期的时序上的位置指令增量集,是进给系统的指令输入。
位置增量:在一个时间间隔内的位置变化量,位置增量除以时间间隔的时长就是实际响应时间序列。
指令速度:根据指令的执行,理想情况下给进系统应该达到的速度。
实际响应时间序列:是指数控系统位置检测装置采集到的单轴实际运动速度,或者说,在执行指令后,作为对指令的响应,单轴实际达到的速度。
单轴运动指令时间序列:即按照时间先后顺序排列的单轴指令序列。
实际响应时间序列的时间序列:即按照时间先后顺序排列的实际响应时间序列的序列。
下面概要说明本申请的部分创新点
对于一个单轴,分别为多种运动状态分别设置多种神经网络子模型,根据单轴运动指令时间序列(或其对应的指令速度)为样本数据标记运动状态,根据不同的运动状态将样本数据分类,每一类样本数据分别训练对应运动状态的神经网络子模型,可以大大提高单轴实际响应时间序列的预测精度。
在预测时,使用运动状态分类器根据最近的单轴运动指令时间序列确定当前点的运动状态,根据所得的运动状态使用对应的神经网络怎么行进行预测,可以大大提高单轴实际响应时间序列的预测精度。
神经网络子模型训练时,其输入可以不仅包括单轴运动指令时间序列而且包括实际响应时间序列的时间序列,可以进一步的提高单轴实际响应时间序列的预测精度。
在预测时,将神经网络子模型在先输出的实际响应时间序列的时间序列反馈到该神经网络子模型的输入端,与单轴运动指令时间序列一起作为神经网络子模型的输入,由此预测得到的单轴实际响应时间序列更为精确。
单轴运动指令时间序列及其标记的运动状态训练运动状态分类器,从而使得运动状态的识别自动化。在一个实施方式中,运动状态分类器可以被各个单轴通用,也就是说,是用一个单轴的单轴运动指令时间序列训练出来的运动状态分类器,可以应用于其他的单轴。
把运动状态划分为加速、反向、匀速、和减速四种,可以在得到足够精度的前提下,减少神经网络子模型的数量,减少训练和预测的复杂度。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请的实施方式作进一步地详细描述。
本申请第一实施方式涉及一种基于神经网络的进给系统模型训练方法。图1是该基于神经网络的进给系统模型训练方法的流程示意图。该基于神经网络的进给系统模型训练方法对数控系统(如数控车床,数控加工中心等)中进给系统的至少一个单轴(给进系统可能有多个单轴,其中至少有一个单轴是按照图1的方法训练的。如果有多个单轴的话,对于每一个单轴都要设置N个神经网络子模型,分别进行训练),执行以下步骤:
在步骤101中,为单轴的N个运动状态分别设置N个神经网络子模型,其中N>=1。在一个实施例中,给进系统的每一个单轴都设置有一个神经网络模型,每一个单轴的神经网络模型中包括多个神经网络子模型,多个神经网络子模型分别与该单轴的多个运动状态一一对应。在另一个实施例中,也可以只为一个给进系统的部分单轴设置神经网络模型。
此后进入步骤102,从历史数据中获取单轴的单轴运动指令时间序列和实际响应时间序列作为样本数据。在一个实施例中,在给进系统中,单轴指令和位置增量信息在每一个时间周期都会被采集,而位置增量信息除以时间周期的时长就是实际响应时间序列。在一个实施例中,实际响应时间序列速度是由安装在给进系统上的位置采集装置采集的位置增量信息除以采集的时间周期时长而得到。位置采集装置可以是光栅尺,也可以是其他类型的测量装置。
此后进入步骤103,根据单轴运动指令时间序列为样本数据标记运动状态。
此后进入步骤104,将样本数据按照运动状态分类,分别训练对应运动状态的神经网络子模型。
通过上述方案,可以大大提高单轴实际响应时间序列的预测精度。
训练时,神经网络子模型的输出包括实际响应时间序列,神经网络子模型的输入则可以有多种情况:优选地,神经网络子模型的输入包括单轴运动指令时间序列和实际响应时间序列的时间序列。一个具体的例子如图2所示,神经网络子模型NN的输出为样本数据中第i+1个实际响应时间序列。神经网络子模型的输入包括:样本数据的单轴运动指令时间序列中第i-M至第i个单轴指令(即Ci-9至Ci),和,样本数据中第i-L至第i个实际响应时间序列(即Ai-9至Ai),神经网络子模型的输出为Ai+1,其中i为代表时间序列的整数,i小的时间在先,L和M为正整数,L和M可以相等,也可以不相等。可选地,神经网络子模型的输入为单轴运动指令时间序列。实验证明,相对于只用单轴运动指令时间序列作为输入的神经网络子模型,同时使用单轴运动指令时间序列和实际响应时间序列的时间序列作为输入的神经网络子模型的预测效果更好。
运动状态的划分方式可以是多种多样的。可选地,运动状态被划分为:加速、反向、匀速、和减速。可选地,运动状态被划分为:启动、反向、匀速、停止、从非零速度加速、和从非零速度减速。可选地,运动状态被划分为:温和的正向加速、剧烈的正向加速、温和的反向加速、和剧烈的反向加速,其中,加速度的绝对值超过预定门限被认为是剧烈的,否则被认为是温和的。
可选地,步骤103之后还包括:根据单轴运动指令时间序列和对应的运动状态,训练运动状态分类器。运动状态分类器可以有多种实现方式。优选地,运动状态分类器为朴素贝叶斯分类器。可选地,运动状态分类器是决策树。可选地,运动状态分类器是基于k近邻理论的分类器。
优选地,神经网络子模型是深度神经网络。
本申请第二实施方式涉及一种基于神经网络的进给系统模型预测方法。图3是该基于神经网络的进给系统模型预测方法的流程示意图。该基于神经网络的进给系统模型预测方法包括:
在步骤301中,根据当前点之前的单轴运动指令时间序列确定当前点的运动状态。在一个实施例中,将当前点之前的单轴运动指令时间序列输入运动状态分类器,根据运动状态分类器的输出确定当前点的运动状态。运动状态分类器可以为朴素贝叶斯分类器、决策树等。
此后进入步骤302,根据所确定的运动状态,将当前点之前的单轴运动指令时间序列输入对应该运动状态的神经网络子模型,得到与当前点对应的单轴的实际响应时间序列,其中神经网络子模型可以是根据第一实施方式的方法训练得到的。在一个实施例中,每一个神经网络子模型都是一个深度神经网络。
神经网络子模型的实际输入可以有多种情况。优选地,神经网络子模型的输入包括当前点之前的单轴运动指令时间序列、和当前点之前预测所得的实际响应时间序列的时间序列。在一个实施例中,参考图2,神经网络子模型的输出为第i+1个实际响应时间序列,即当前点的实际响应时间序列。神经网络子模型的输入包括:单轴运动指令时间序列中第i-M至第i个单轴指令(即Ci-9至Ci),和,神经网络子模型在当前点之前输出的第i-L至第i个实际响应时间序列(即Ai-9至Ai),其中i为代表时间序列的整数,L和M为正整数。换句话说,将神经网络子模型在最近输出的实际响应时间序列时间序列反馈到输入端。可选地,神经网络子模型的输入仅为当前点之前的单轴运动指令时间序列。可选地,神经网络子模型的输入包括当前点之前的单轴运动指令时间序列、和实际测量得到的实际响应时间序列(即给进系统实时反馈的实际响应时间序列)。一般来说,神经网络子模型在训练和预测时一样的,如果在训练时输入用的是单轴指定时间序列和实际响应时间序列的时间序列,那么在预测的时候也使用单轴指定时间序列和实际响应时间序列的时间序列;如果在训练时输入用的只是单轴指定时间序列,那么在预测的时候也仅使用单轴指定时间序列。
运动状态的划分方式可以是多种多样的。可选地,运动状态包括:加速、反向、匀速、和减速。可选地,运动状态被划分为:启动、反向、匀速、停止、从非零速度加速、和从非零速度减速。可选地,运动状态被划分为:温和的正向加速、剧烈的正向加速、温和的反向加速、和剧烈的反向加速,其中,加速度的绝对值超过预定门限被认为是剧烈的,否则被认为是温和的。
第一实施方式训练方法,本实施方式是预测方法,这两个实施方式是相对应。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
本申请第三实施方式涉及一种基于神经网络的进给系统模型训练系统。图4是该基于神经网络的进给系统模型训练系统的结构示意图。该基于神经网络的进给系统模型训练系统包括:
至少一个神经网络模型,分别对应进给系统中的至少一个单轴。在一个实施例中,进给系统存在多个单轴,每一个单轴都设置了一个神经网络模型,分别进行训练。
每个神经网络模型包括N个神经网络子模型(图中的神经网络子模型1、神经网络子模型2、……、神经网络子模型N),分别对应一个单轴的N个运动状态,其中N>=1。在一个实施例中,每一个神经网络子模型是一个深度神经网络。
训练时,神经网络子模型的输出包括实际响应时间序列,神经网络子模型的输入则可以有多种情况:优选地,神经网络子模型的输入还包括单轴运动指令时间序列和实际响应时间序列的时间序列。可选地,神经网络子模型的输入为单轴运动指令时间序列。一个具体的例子如图2所示,神经网络子模型的输出为样本数据中第i+1个实际响应时间序列。神经网络子模型的输入包括:样本数据的单轴运动指令时间序列中第i-M至第i个单轴指令(即Ci-9至Ci),和,样本数据中第i-L至第i个实际响应时间序列(即Ai-9至Ai),神经网络子模型的输出为Ai+1,其中i为代表时间序列的整数,L和M为正整数,L和M可以相等,也可以不相等。
运动状态的划分方式可以是多种多样的。可选地,运动状态包括:加速、反向、匀速、和减速。可选地,运动状态被划分为:启动、反向、匀速、停止、从非零速度加速、和从非零速度减速。可选地,运动状态被划分为:温和的正向加速、剧烈的正向加速、温和的反向加速、和剧烈的反向加速,其中,加速度的绝对值超过预定门限被认为是剧烈的,否则被认为是温和的。
该训练系统还可包括运动状态分类器,该运动状态分类器根据单轴运动指令时间序列和对应的运动状态训练。运动状态分类器可以为朴素贝叶斯分类器、决策树等。
第一实施方式是与本实施方式相对应的方法实施方式,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
本申请第四实施方式涉及一种基于神经网络的进给系统模型预测系统。图5是该基于神经网络的进给系统模型预测系统的结构示意图。该基于神经网络的进给系统模型预测系统包括:
运动状态分类器,用于根据当前点之前的单轴运动指令时间序列确定当前点的运动状态。
至少一个神经网络模型,分别对应进给系统中的至少一个单轴。
每个神经网络模型包括N个神经网络子模型(图5中的神经网络子模型1、神经网络子模型2、……、神经网络子模型N),分别对应一个单轴的N个运动状态,其中N>=1。
神经网络模型根据运动状态分类器确定的当前点运动状态,将当前点之前的单轴运动指令时间序列输入对应该运动状态的神经网络子模型,得到与当前点对应的单轴的实际响应时间序列。运动状态分类器可以为朴素贝叶斯分类器、决策树等。
可选地,神经网络模型还包括缓存器,用于缓存神经网络子模型输出的实际响应时间序列的序列。神经网络子模型的输入还包括来自缓存器的当前点之前预测所得的实际响应时间序列的时间序列。在一个实施例中,参考图2,神经网络子模型的输出为第i+1个实际响应时间序列,即当前点的实际响应时间序列。神经网络子模型的输入包括:单轴运动指令时间序列中第i-M至第i个单轴指令(即Ci-9至Ci),和,神经网络子模型在当前点之前输出的第i-L至第i个实际响应时间序列(即Ai-9至Ai),其中i为代表时间序列的整数,L和M为正整数。换句话说,将神经网络子模型在最近输出的实际响应时间序列时间序列反馈到输入端。
运动状态的划分方式可以是多种多样的。可选地,运动状态包括:加速、反向、匀速、和减速。可选地,运动状态被划分为:启动、反向、匀速、停止、从非零速度加速、和从非零速度减速。可选地,运动状态被划分为:温和的正向加速、剧烈的正向加速、温和的反向加速、和剧烈的反向加速,其中,加速度的绝对值超过预定门限被认为是剧烈的,否则被认为是温和的。
第二实施方式是与本实施方式相对应的方法实施方式,本实施方式可与第二实施方式互相配合实施。第二实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第二实施方式中。
为了更好地理解本申请的技术方案,下面提供一个具体的实施例:
本实施例通过采集单轴运动指令时间序列和位置检测装置的检测数据,基于深度神经网络建立能通过输入单轴运动指令时间序列来预测输出实际响应时间序列的进给系统深度神经网络模型。利用进给系统深度神经网络模型,输入单轴运动指令时间序列,预测得到实际响应时间序列。通过对单轴运动指令时间序列的积分可以得到指令位置,对预测得到的实际响应时间序列积分可以得到实际位置。
本实施例通过输入运动指令时间序列可以准确预测出进给系统的实际响应轨迹。因为每一台数控机床的反向间隙和阻尼等非线性要素都是不同的,而传统的简化传递函数和微分方程模型在反向间隙和阻尼等非线性响应规律表达能力上存在不足,无法做到适应每一台不同状态的机床,因此引入深度神经网络模型来建模,深度神经网络内部参数的规模是传统模型不可比拟的,通过实际运行的数据来训练神经网络,建立指定数控机床的神经网络模型,可以更精确地对运动响应进行仿真,预测出实际速度,通过对速度积分即可得到实际响应轨迹。
数控系统在加工控制过程中,每一个控制周期都有大量的指令数据生成出来。这些数据与加工任务、机床状态有密切的联系。在数控系统控制机床运行的同时,把这些数据记录下来,并进行统计和分析,这种对历史单轴运动指令时间序列数据和与之对应的位置检测装置的检测数据的分析与特征提取方法是建立进给系统深度神经网络模型的基础。
通过提取的样本数据,训练并建立的进给系统深度神经网络模型,在模型上输入单轴运动指令时间序列,就可以精准仿真出实际响应时间序列。
本实施例具体包括以下步骤:
S1:历史数据抽取阶段。历史数据抽取阶段,抽取并存储数控系统在加工控制过程中产生单轴运动指令时间序列,和位置采集装置(如光栅尺)采集的位置增量信息。在一个例子中,历史数据是周期性采集的,将位置增量信息除以采集周期的长度就可以得到单轴的实际响应时间序列。
S2:运动状态自动标记。运动状态标记阶段,把进给系统的响应状态划分为匀速,反向,启动,停止等过程。并将划分好的数据做成神经网络的样本数据集。
在数控系统的强实时任务完成之后的CPU空闲时间,对历史运动状态数据进行分析和处理;进给系统不同运动状态有:加速、反向、匀速、和减速等;训练样本包含单轴运动指令时间序列和实际响应时间序列。
S3:进给系统深度神经网络模型的训练,如附图6所示,利用标记好的样本数据,将单轴运动指令时间序列作为深度神经网络的输入,将实际响应时间序列作为深度神经网络的输出,训练进给系统的深度神经网络模型。在一个实施例中,数控装置采用CPU+NPU架构,深度神经网络模型的训练是在NPU中进行的,利用深度回归神经网络,输入层神经元个数为样本中输入特征的维度,输出层为1个神经元。
S4:预测阶段,输入单轴运动指令时间序列,预测出实际响应时间序列。在一个实施例中,训练好的模型在数控装置的NPU中运行。
下面说明本实施例中运动状态分类器的训练和使用方法:
本实施例中运动状态分为:加速、反向、匀速、减速,共四类
在进给系统神经网络模型训练阶段:
(1)根据指令速度的走势,手动对样本数据进行运动状态划分,比如把速度在零点附近变正负号逐渐变化的局部数据标记为反向阶段(例如附近的20个点),把速度从零到非零的逐渐变化阶段(例如附近的20个点)标记为加速阶段,等等;
(2)利用标记后的样本训练朴素贝叶斯分类器,分四类;
(3)利用标记好的样本训练进给神经网络子模型,(2)和(3)中使用的样本相同,相当于每个轴有四个子模型;
在预测阶段:
(1)指令序列首先进入朴素贝叶斯分类器,划分当前点的运动状态类型;
(2)将当前点送入对应的神经网络子模型进行预测。
现有的进给系统建模方式都是用数学物理方法,基于简化和假设的控制规律、工艺模型的传统建模方式建立的微分方程及传递函数形式的数学模型对机床非线性要素(反向过程、润滑情况、温度等)考虑不到位,难以完整、精确地描述其模型,仿真误差较大。
由于每台机床均有其特性,即使加工同一工件,所需要的仿真效果一般也不同。因此采集能表征特定机床和工件的加工过程特征的数据,并通过运动状态划分和样本预处理,基于深度回归神经网络,建立进给系统的非线性的模型。采用的深度回归神经网络的输入端神经元的个数为样本向量的维度,输出端为预测实际响应时间序列的一个神经元。由于深度回归神经网络可以模拟出任意非线性的曲线,故可以通过深度回归神经网络建立进给系统的非线性响应模型。
本实施例采用的是一种基于深度神经网络的进给系统模型训练与预测方法,利用神经网络算法,可以对反向过程、阻尼等非线性环节进行精准的建模,提高仿真精度,效果显著。
根据本实施例的方法,如附图7所示,利用进给系统深度神经网络模型,输入圆度测试曲线,通过预测X和Y轴实际响应时间序列,积分得实际位置,即可仿真出圆度测试时的实际响应圆的轨迹。
附图8所示为单轴直线运动时的指令速度曲线(指令值)、实际速度曲线(实际值)和预测速度曲线(预测值),可知,预测值与实际值基本重合,以至于预测值的曲线在图中难以分辨。为了能够显示这个看来难以分辨的误差,通过对附图8中的速度曲线做积分,得到各自位置曲线,通过实际位置与预测位置做差,得到附图9所示的预测位置与实际位置差,由附图9可知,预测误差在1.5um内。
需要说明的是,本领域技术人员应当理解,上述基于神经网络的进给系统模型训练系统的实施方式中所示的各模块的实现功能可参照前述基于神经网络的进给系统模型训练方法的相关描述而理解。上述基于神经网络的进给系统模型预测系统的实施方式中所示的各模块的实现功能可参照前述基于神经网络的进给系统模型预测方法的相关描述而理解。
上述基于神经网络的进给系统模型训练系统和基于神经网络的进给系统模型预测系统的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现,也可通过具体的逻辑电路而实现。本申请实施方式上述基于神经网络的进给系统模型训练系统和基于神经网络的进给系统模型预测系统如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施方式的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施方式所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施方式不限制于任何特定的硬件和软件结合。
相应地,本申请实施方式还提供一种计算机存储介质,其中存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现本申请的各方法实施方式。
本申请实施方式还提供一种基于神经网络的进给系统模型预测系统,其中包括用于存储计算机可执行指令的存储器,以及,处理器;该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。
本申请实施方式还提供一种基于神经网络的进给系统模型训练系统,其中包括用于存储计算机可执行指令的存储器,以及,处理器;该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。
需要说明的是,在本专利的申请文件中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中,如果提到根据某要素执行某行为,则是指至少根据该要素执行该行为的意思,其中包括了两种情况:仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本申请提及的所有文献都在本申请中引用作为参考,就如同每一篇文献被单独引用作为参考那样。此外应理解,在阅读了本申请的上述讲授内容之后,本领域技术人员可以对本申请作各种改动或修改,这些等价形式同样落于本申请所要求保护的范围。
Claims (10)
1.一种基于神经网络的进给系统模型训练方法,其特征在于,对进给系统的至少一个单轴,执行以下步骤:
为所述单轴的N个运动状态分别设置N个神经网络子模型,其中N>=1;
从历史数据中获取所述单轴的单轴运动指令时间序列和实际响应时间序列作为样本数据;
根据所述单轴运动指令时间序列为所述样本数据标记运动状态;
将所述样本数据按照运动状态分类,分别训练对应运动状态的神经网络子模型,其中所述神经网络子模型的输入包括所述单轴运动指令时间序列,所述神经网络子模型的输出包括所述实际响应时间序列。
2.根据权利要求1所述的基于神经网络的进给系统模型训练方法,其特征在于,所述神经网络子模型的输入还包括所述实际响应时间序列的时间序列。
3.根据权利要求2所述的基于神经网络的进给系统模型训练方法,其特征在于,所述神经网络子模型的输出为所述样本数据中第i+1个实际响应时间序列;
所述神经网络子模型的输入包括:所述样本数据的单轴运动指令时间序列中第i-M至第i个单轴指令,和,所述样本数据中第i-L至第i个实际响应时间序列,其中i为代表时间序列的整数,L和M为正整数。
4.根据权利要求1所述的基于神经网络的进给系统模型训练方法,其特征在于,所述给进系统的每一个单轴都设置有一个神经网络模型,每一个单轴的神经网络模型中包括多个所述神经网络子模型,多个所述神经网络子模型分别与该单轴的多个运动状态一一对应。
5.根据权利要求1所述的基于神经网络的进给系统模型训练方法,其特征在于,所述运动状态包括:加速、反向、匀速、和减速。
6.根据权利要求1所述的基于神经网络的进给系统模型训练方法,其特征在于,所述根据所述单轴运动指令时间序列为所述样本数据标记运动状态的步骤之后,还包括:
根据所述单轴运动指令时间序列和对应的运动状态,训练运动状态分类器。
7.根据权利要求6所述的基于神经网络的进给系统模型训练方法,其特征在于,所述运动状态分类器为朴素贝叶斯分类器。
8.一种基于神经网络的进给系统模型预测方法,其特征在于,包括:
根据当前点之前的单轴运动指令时间序列确定当前点的运动状态;
根据所确定的运动状态,将当前点之前的单轴运动指令时间序列输入对应该运动状态的神经网络子模型,得到与当前点对应的单轴的实际响应时间序列,其中所述神经网络子模型是根据所述权利要求1至7中任一项所述的方法训练得到的。
9.一种基于神经网络的进给系统模型训练系统,其特征在于,包括:
至少一个神经网络模型,分别对应进给系统中的至少一个单轴;
每个所述神经网络模型包括N个神经网络子模型,分别对应一个单轴的N个运动状态,其中N>=1;
所述神经网络子模型的输入包括所述单轴运动指令时间序列,所述神经网络子模型的输出包括所述实际响应时间序列。
10.一种基于神经网络的进给系统模型预测系统,其特征在于,包括:
运动状态分类器,用于根据当前点之前的单轴运动指令时间序列确定当前点的运动状态;
至少一个神经网络模型,分别对应进给系统中的至少一个单轴;
每个所述神经网络模型包括N个神经网络子模型,分别对应一个单轴的N个运动状态,其中N>=1;
所述神经网络模型根据所述运动状态分类器确定的当前点运动状态,将当前点之前的单轴运动指令时间序列输入对应该运动状态的神经网络子模型,得到与当前点对应的单轴的实际响应时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119041.7A CN109447235B (zh) | 2018-09-21 | 2018-09-21 | 基于神经网络的进给系统模型训练和预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119041.7A CN109447235B (zh) | 2018-09-21 | 2018-09-21 | 基于神经网络的进给系统模型训练和预测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447235A true CN109447235A (zh) | 2019-03-08 |
CN109447235B CN109447235B (zh) | 2021-02-02 |
Family
ID=65544252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811119041.7A Active CN109447235B (zh) | 2018-09-21 | 2018-09-21 | 基于神经网络的进给系统模型训练和预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447235B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007645A (zh) * | 2019-04-11 | 2019-07-12 | 华中科技大学 | 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 |
CN112884193A (zh) * | 2019-11-29 | 2021-06-01 | 东京毅力科创株式会社 | 预测装置、预测方法及记录介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6854726B2 (en) * | 2002-12-06 | 2005-02-15 | Lexmark International, Inc. | Imaging apparatus including a print media feed system configured for reducing printing defects |
CN106600000A (zh) * | 2016-12-05 | 2017-04-26 | 中国科学院计算技术研究所 | 人‑机器人运动数据映射的方法及系统 |
CN107390546A (zh) * | 2017-07-31 | 2017-11-24 | 广东工业大学 | 基于eos‑elm的压电驱动定位平台建模方法、控制方法及系统 |
CN107498391A (zh) * | 2017-08-03 | 2017-12-22 | 南京航空航天大学 | 机床切削加工过程的热力载荷模拟和误差检测系统及方法 |
CN107942940A (zh) * | 2016-10-28 | 2018-04-20 | 华中科技大学 | 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 |
-
2018
- 2018-09-21 CN CN201811119041.7A patent/CN109447235B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6854726B2 (en) * | 2002-12-06 | 2005-02-15 | Lexmark International, Inc. | Imaging apparatus including a print media feed system configured for reducing printing defects |
CN107942940A (zh) * | 2016-10-28 | 2018-04-20 | 华中科技大学 | 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 |
CN106600000A (zh) * | 2016-12-05 | 2017-04-26 | 中国科学院计算技术研究所 | 人‑机器人运动数据映射的方法及系统 |
CN107390546A (zh) * | 2017-07-31 | 2017-11-24 | 广东工业大学 | 基于eos‑elm的压电驱动定位平台建模方法、控制方法及系统 |
CN107498391A (zh) * | 2017-08-03 | 2017-12-22 | 南京航空航天大学 | 机床切削加工过程的热力载荷模拟和误差检测系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007645A (zh) * | 2019-04-11 | 2019-07-12 | 华中科技大学 | 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 |
CN112884193A (zh) * | 2019-11-29 | 2021-06-01 | 东京毅力科创株式会社 | 预测装置、预测方法及记录介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109447235B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110007645B (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 | |
Liu et al. | Online monitoring and measurements of tool wear for precision turning of stainless steel parts | |
CN109063277A (zh) | 一种基于间隙度量的动态模式识别方法及装置 | |
Wang et al. | Joint deep neural network modelling and statistical analysis on characterizing driving behaviors | |
CN108803499A (zh) | 控制装置以及机器学习装置 | |
CN109447235A (zh) | 基于神经网络的进给系统模型训练和预测方法及其系统 | |
Sheptunov et al. | Simulating reliability of the robotic system software on the basis of artificial intelligence | |
Dorst et al. | Influence of synchronization within a sensor network on machine learning results | |
EP3951523A1 (en) | Method and apparatus for configuring processing parameters of production equipment, and computer-readable medium | |
CN117236188A (zh) | 一种仿真数据辅助的轴承迁移诊断方法、系统及设备介质 | |
CN105005210B (zh) | 机电一体化仿真系统及使用其的方法 | |
Xia et al. | Tool wear prediction under varying milling conditions via temporal convolutional network and auxiliary learning | |
Kothamasu et al. | Comparison of computational intelligence and statistical methods in condition monitoring for hard turning | |
Wenqiang et al. | Remaining useful life prediction for mechanical equipment based on temporal convolutional network | |
CN109614999A (zh) | 一种数据处理方法、装置、设备及计算机可读存储介质 | |
Liu et al. | Application of nonlinear PCA for fault detection in polymer extrusion processes | |
Liu et al. | Variation Pattern Recognition of the BIW OCMM Online Measurement Data Based on LSTM NN | |
Herman | Artificial intelligence, machine learning, and computer vision | |
Lipinski et al. | Interactive hybrid systems for monitoring and optimization of micro-and nano-machining processes | |
CN116048000B (zh) | 多轴运动数控系统的建模方法、装置、设备及存储介质 | |
Pang et al. | A mixed time-/condition-based precognitive maintenance framework for zero-breakdown industrial systems | |
Selch et al. | Quality monitoring of coupled digital twins for multistep process chains using Bayesian networks | |
Liang et al. | An Improved ResNet-1d with Channel Attention for Tool Wear Monitor in Smart Manufacturing | |
CN113869581B (zh) | 用于汽车行驶风险预测算法的离线测试平台与测试方法 | |
CN112798955B (zh) | 一种特种电机的故障检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |