CN109709895B - 一种基于图像阈值设置的机床主轴热误差建模训练方法 - Google Patents

Abstract

一种基于图像阈值设置的数控机床主轴热误差建模训练方法，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：采集温度数据和位移量；第二步：图像数据处理；第三步：制作图像数据集；第四步：模型训练；第五步：模型验证。本发明能实现复杂工况下的热误差鲁棒建模，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，有利于提高数控机床整体加工精度。

Description

一种基于图像阈值设置的机床主轴热误差建模训练方法

技术领域

本发明属于数控机床加工精度技术领域，特别涉及一种基于图像阈值设置的数控机床主轴热误差建模训练方法。

背景技术

现代制造技术正在向高精度、高效率、高质量等方向发展，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要求也越发急切。

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，因机床热误差引起的工件加工误差约占据总加工误差的40％-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，因此建立一种有效的主轴热误差建模训练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。究其原因，除了应用层面的各种复杂工况，更深层次的原因在于当前主轴热误差补偿建模技术存在数据采集精准度问题，温度关键点筛选问题，以及智能化应用问题。

发明内容

本发明为克服现有技术不足，提供一种基于图像阈值设置的数控机床主轴热误差建模训练方法。

一种基于图像阈值设置的数控机床主轴热误差建模训练方法，

第一步：将多个温度传感器均匀布置在数控机床主轴前后轴承上，将位移传感器布置到机床主轴前轴承轴向和两个径向方向处，所述位移传感器分别检测主轴轴向以及径向方向的位移量，所述位移量为主轴热误差，按照设定速度使数控机床主轴空转2h-3h，每隔1-3min红外热像仪采集一次升温温度数据，位移传感器采集一次位移量，采集结束后，停转机床，静置2h-3h，每隔1-3min红外热像仪采集一次降温温度数据，位移传感器采集一次位移量；

第二步：红外热像仪根据环境温度设定好温度条范围，根据采集的升温数据，得到相应的多个温度条颜色阈值，根据多个颜色阈值进行均等数值扩充以及排列组合，使最后得到的数值整体大小为输入图像大小，并将得到的整体数组转为图像；

第三步：以采集到的位移量为标签，和转化后的图像一一对应制作图像数据集，将数据集分为训练集以及测试集，进行训练预测；

第四步：设定卷积神经网络模型，输入训练集进行训练，当训练精度达到90％以上，停止训练，保存模型，输入测试集进行测试，若精度未达到90％以上，进行参数调整，使预测精度达到90％以上；

第五步：进行有限元验证，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卷积神经网络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，若两者的偏差在一定偏差范围内，即验证模型精度满足要求，否则，返回第四步，进行再次的训练调参以及测试验证。

进一步地，第四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+m,j+n表示图像的第d层第i+m行第j+n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w_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，使特征图一维化得到一个列向向量，作为全连接层的输入，经过全连接层的计算，得到1个输出量，分别对主轴轴向误差、两个主轴径向误差和两个arctan(径向热误差/轴向热误差)进行训练调参。

本发明相比现有技术的有益效果是：卷积神经网络具有对大量图像数据信息进行实时分析的能力，并能从复杂的海量图像数据中挖掘实施对象的内在规律，而为了更好地对卷积神经网络模型进行训练，前期的图像数据处理就是重中之重。基于图像阈值设置的数控机床主轴热误差建模训练方法能更好地利用卷积神经网络对主轴热误差模型进行训练预测，实现复杂工况下的热误差鲁棒建模，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，提高了数控机床的整体加工精度，实现智能化生产。

附图说明

图1是本发明基于图像阈值设置的数控机床主轴热误差建模训练方法过程图；

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9个颜色阀值进行的图像数据处理过程图；

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4所示，一种基于图像阈值设置的数控机床主轴热误差建模训练方法，

第一步：将多个温度传感器均匀布置在数控机床主轴前后轴承上，将位移传感器布置到机床主轴前轴承的轴向及两个径向方向处，所述位移传感器分别检测主轴轴向以及径向方向的位移量，所述位移量为主轴热误差，按照设定速度使数控机床主轴空转2h-3h，每隔1-3min红外热像仪采集一次升温温度数据，位移传感器采集一次位移量，采集结束后，停转机床，静置2h-3h，每隔1-3min红外热像仪采集一次降温温度数据，位移传感器采集一次位移量；该步骤在主轴处采取多点测量，尽可能保证温度测量准确，不必进行关键温度点筛选；

第二步：红外热像仪根据环境温度设定好温度条范围，根据采集的升温数据，得到相应的多个温度条颜色阈值，根据多个颜色阈值进行均等数值扩充以及排列组合，使最后得到的数值整体大小为输入图像大小，并将得到的整体数组转为图像；该步骤在确定热像仪测量温度条范围下，保证温度图像的数组准确性，对图像的前期处理提高了卷积神经网络训练准确性；

第三步：以采集到的位移量为标签，和转化后的图像一一对应制作图像数据集，将数据集分为训练集以及测试集，进行训练预测；

第四步：设定卷积神经网络模型，输入训练集进行训练，当训练精度达到90％以上，停止训练，保存模型，输入测试集进行测试，若精度未达到90％以上，进行参数调整，使预测精度达到90％以上；该步骤采取卷积神经网络，相比以往的神经网络如bp神经网络，提高了预测准确度；

第四步的卷积神经网络模型分为计算和调参两部分；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；

首先对图像的每个像素进行编号，x_d,i+m,j+n表示图像的第d层第i+m行第j+n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w_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；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特征图：

W₂＝(W₁-F+2P)/S+1

H₂＝(H₁-F+2P)/S+1

该特征图的计算方法中，体现了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。与全连接神经网络相比，其参数数量大大减少了。

池化层主要的作用是下采样，采用池化层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，使特征图一维化得到一个列向向量，作为全连接层的输入，经过全连接层的计算，得到1个输出量，分别对主轴轴向误差、两个主轴径向误差和两个arctan(径向热误差/轴向热误差)进行训练调参，分别将主轴轴向误差、两个主轴径向误差和两个arctan(径向热误差/轴向热误差)作为输出量，进行5次建模训练，以此来精确预测主轴5个自由度上的热误差。卷积神经网络网络架构从左到右特征提取为：输入图片——提取特征图——特征进一步提取——提取特征图——特征进一步提取——输出结果；

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

第五步：进行有限元验证以及实验验证，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卷积神经网络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，若两者的偏差在一定偏差范围内，即验证模型精度满足要求，否则，返回第四步，进行再次的训练调参以及测试验证。

实际实验验证；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，并计算两个arctan(径向热误差/轴向热误差)；将温度场图片代入第四步得到的卷积神经网络模型，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，返回第四步，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(VMC650m型号机床)上进行操作，参见图1-图6所示，在机床主轴前后轴承上布置9个pt100温度传感器，红外热像仪根据环境温度设置好温度条范围，按照如图5所示图像数据处理流程对温度数据进行处理，设置输入图片大小为32×32，制作图像数据集进行训练预测。卷积神经网络模型设置两个卷积层，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，下一个全连接层神经元数量为46，输出层神经元数量为1，对轴向误差，两个径向误差，两个arctan(径向热误差/轴向热误差)角偏分别进行训练预测。

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输出值，带●的曲线表示基于图像阀值设置的卷积神经网络预测值，带▲的曲线表示预测残差，为实际测量值与模型预测值之误差。图6显示，预测残差在±5微米之内，说明基于图像阀值设置的卷积神经网络模型预测的主轴热变形与实际输出值高度吻合。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 (6)

1.一种基于图像阈值设置的数控机床主轴热误差建模训练方法，其特征在于：

第一步：将多个温度传感器均匀布置在数控机床主轴前后轴承上，将位移传感器布置到机床主轴前轴承轴向和两个径向方向处，所述位移传感器分别检测主轴轴向以及径向方向的位移量，所述位移量为主轴热误差，按照设定速度使数控机床主轴空转2h-3h，每隔1-3min红外热像仪采集一次升温温度数据，位移传感器采集一次位移量，采集结束后，停转机床，静置2h-3h，每隔1-3min红外热像仪采集一次降温温度数据，位移传感器采集一次位移量；

第二步：红外热像仪根据环境温度设定好温度条范围，根据采集的升温数据，得到相应的多个温度条颜色阈值，根据多个颜色阈值进行均等数值扩充以及排列组合，使最后得到的数值整体大小为输入图像大小，并将得到的整体数组转为图像；

第三步：以采集到的位移量为标签，和转化后的图像一一对应制作图像数据集，将数据集分为训练集以及测试集，进行训练预测；

第四步：设定卷积神经网络模型，输入训练集进行训练，当训练精度达到90％以上，停止训练，保存模型，输入测试集进行测试，若精度未达到90％以上，进行参数调整，使预测精度达到90％以上；

第四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+m,j+n表示图像的第d层第i+m行第j+n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w_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，使特征图一维化得到一个列向向量，作为全连接层的输入，经过全连接层的计算，得到1个输出量，分别对主轴轴向误差、两个主轴径向误差和两个arctan(径向热误差/轴向热误差)进行训练调参；

第五步：进行有限元验证，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卷积神经网络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，若两者的偏差在一定偏差范围内，即验证模型精度满足要求，否则，返回第四步，进行再次的训练调参以及测试验证。

2.根据权利要求1所述一种基于图像阈值设置的数控机床主轴热误差建模训练方法，其特征在于：第一步中按照设定速度使数控机床主轴空转2.5h，每隔2min红外热像仪采集一次升温温度数据，位移传感器采集一次位移量，采集结束后，停转机床，静置2.5h，每隔2min红外热像仪采集一次降温温度数据，位移传感器采集一次位移量。

3.根据权利要求2所述一种基于图像阈值设置的数控机床主轴热误差建模训练方法，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所述一种基于图像阈值设置的数控机床主轴热误差建模训练方法，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2、3或4所述一种基于图像阈值设置的数控机床主轴热误差建模训练方法，其特征在于：第四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所述一种基于图像阈值设置的数控机床主轴热误差建模训练方法，其特征在于：步骤五可由如下方式替代：实际实验验证；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，并计算两个arctan(径向热误差/轴向热误差)；将温度场图片代入第四步得到的卷积神经网络模型，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，返回第四步，进行再次训练调参以及测试验证。

Images