CN109947048A - 一种基于数据的数控机床进给系统参数辨识方法 - Google Patents
一种基于数据的数控机床进给系统参数辨识方法 Download PDFInfo
- Publication number
- CN109947048A CN109947048A CN201910238469.1A CN201910238469A CN109947048A CN 109947048 A CN109947048 A CN 109947048A CN 201910238469 A CN201910238469 A CN 201910238469A CN 109947048 A CN109947048 A CN 109947048A
- Authority
- CN
- China
- Prior art keywords
- identified
- data
- machine tool
- parameters
- subset
- 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
Landscapes
- Numerical Control (AREA)
Abstract
本发明公开了一种基于数据的数控机床进给系统参数辨识方法,确定待测数控机床的输入数据和输出数据,并搭建待测数控机床的仿真模型;确定待辨识参数的初始范围及其概率分布函数;根据初始范围和概率分布函数进行随机取样,形成待辨识参数子集;将待辨识参数子集代入待测数控机床的仿真模型中,获取对应的仿真输出数据;比较仿真输出数据与实测输出数据之间的拟合度,将满足拟合度精度要求的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。本发明技术方案针对现有技术中机床进给系统参数辨识方法复杂多变、且准确度不高的情况,采用数控机床的数据作为基础,对参数概率分布函数进行仿真模拟,具有方案简单、精度高的特点。
Description
技术领域
本发明属于计算机辅助制造领域,具体涉及一种基于数据的数控机床进给系统参数辨识方法。
背景技术
数控机床是数字控制机床(Computer numerical control machine tools)的简称,是一种装有程序控制系统的自动化机床。该控制系统能够逻辑地处理具有控制编码或其他符号指令规定的程序,并将其译码,用代码化的数字表示,通过信息载体输入数控装置。经运算处理由数控装置发出各种控制信号,控制机床的动作,按图纸要求的形状和尺寸,自动地将零件加工出来。随着机械产品对加工质量要求的不断提高,对数控机床的质量,尤其是数控机床整体性能提出了更高的要求。在数控机床中,进给传动系统是整个数控机床的重要组成部分。在进给传动系统的设计中,为了保证进给系统的精度和动态性能,机床中的各项性能要求都是要综合考虑的。
一般来说,数控机床的进给运动采用无级调速的伺服驱动方式,伺服电机经过进给传动系统将动力和运动传动给工作台等运动执行部件。进给传动系统是将电动机的运转(通常为旋转)转换为机床工作台直线进给运动的整个机械传动链,加工件的最终坐标位置精度和轮廓精度都与机床的传动结构的几何精度、传动精度、灵敏度和稳定性密切相关。因此,为了提高机床进给系统的动态性能、跟踪精度和加工效率,在线优化控制参数和匹配伺服进给系统的控制参数显得尤为重要,有效的辨识系统的机械参数和相关伺服伺服控制器参数成为了一个重要的研究方向。因此,对数控机床进给系统进行相关的理论建模以及对相关参数进行辨识的工作,对于整个数控机床系统来说是非常重要的。
现有技术中对于进给系统进行参数辨识的方法有多种,其中最常见的系统参数辨识方法为最小二乘法。但是,最小二乘法估计不具有一致性,这种方法对数据的依赖性过高,计算结果容易被噪声影响到,方法本身的求解过程是存在问题的。现有技术中另一个常用的辨识方法为进化算法,其具有实现简单,易于操作的特点,算法结果不易陷入局部最优解,但是该算法本身收敛速度较慢,本身精度也不高。进一步地,由于不同机床之间存在元件和组装的差异,不同的数控机床也具有不同的固有属性,难以用同一的理论模型对其相关参数进行统一划定。因此急需一种新型的参数辨识方法来对其进行处理。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于数据的数控机床进给系统参数辨识方法,至少可以部分解决上述问题。本发明技术方案针对现有技术中机床进给系统参数辨识方法复杂多变、且准确度不高的情况,采用数控机床的数据作为基础,对参数概率分布函数进行仿真模拟,具有方案简单、精度高的特点。
为实现上述目的,按照本发明的一个方面,提供了一种基于数据的数控机床进给系统参数辨识方法,其特征在于,包括,
S1确定待测数控机床的输入数据,获取待测数控机床对应的实测输出数据,并搭建待测数控机床的仿真模型;
S2根据进给系统参数辨识目标,确定待辨识参数及其初始范围,并确定待辨识参数的概率分布函数;
S3根据每个待辨识参数的初始范围和概率分布函数进行取样,将所取样本值作为该辨识参数的仿真值,形成待辨识参数子集;
S4将待辨识参数子集代入待测数控机床的仿真模型中,并将待测数控机床的输入数据仿真模型中,获取对应的仿真输出数据;
S5比较仿真输出数据与实测输出数据之间的拟合度,将满足拟合度精度要求的仿真输出数据对应的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。
作为本发明技术方案的一个优选,步骤S5包括,
S51比较仿真输出数据与实测输出数据之间的拟合度,根据该拟合度确定当前待辨识参数子集的优先值;
S52根据优先值对至少一组待辨识参数子集进行排序;
S53在满足拟合度精度要求的条件下将优先值最大的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。
作为本发明技术方案的一个优选,步骤S5包括,
S521根据仿真输出数据与是实测输出数据之间的拟合度,确定当前待辨识参数的优先值;所述优先值与所述拟合度成正相关关系;
S522根据优先值对多组待辨识参数子集进行排序,构建一定长度的优先级队列;
S523利用优先级队列中的待辨识参数子集,对待辨识参数的概率分布函数进行更新;进入步骤S3。
作为本发明技术方案的一个优选,待辨识参数子集的个数优选不小于优先级队列长度。
作为本发明技术方案的一个优选,步骤S3包括,
S31在0~1中随机选择任意有理数a;
S32按照a:(1-a)的概率比例,分别从原始概率分布函数和更新后的概率分布函数进行取样,获取新的待辨识参数子集。
作为本发明技术方案的一个优选,步骤S3中,
选取概率分布函数条件下每个待辨识参数在初始范围内概率值最大的点作为当前待辨识参数子集中该待辨识参数的仿真值,共同形成至少一组所述待辨识参数子集。
作为本发明技术方案的一个优选,步骤S2包括,
S21根据进给系统参数辨识目标确定待辨识参数的参数类别;
S22利用敏感性分析,确定每个待辨识参数的初始范围;
S23根据参数类别和初始范围,确定每个待辨识参数的初始概率分布函数。
作为本发明技术方案的一个优选,步骤S4中,优选将至少一组待辨识参数子集代入待测数控机床的仿真模型中,对应获取至少一组仿真输出数据。
按照本发明的一个方面,提供了一种基于数据的数控机床进给系统参数辨识系统,其特征在于,包括,
模型模块,用于确定待测数控机床的输入数据,获取待测数控机床对应的实测输出数据,并搭建待测数控机床的仿真模型;
初始模块,用于根据进给系统参数辨识目标,确定待辨识参数及其初始范围,并确定待辨识参数的概率分布函数;
取样模块,用于根据每个待辨识参数的初始范围和概率分布函数进行随机取样,将所取样本值作为该辨识参数的仿真值,形成待辨识参数子集;
仿真模块,用于将待辨识参数子集代入待测数控机床的仿真模型中,并将待测数控机床的输入数据仿真模型中,获取对应的仿真输出数据;
拟合模块,用于比较仿真输出数据与实测输出数据之间的拟合度,将满足拟合度精度要求的仿真输出数据对应的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。
作为本发明技术方案的一个优选,拟合模块包括,
第一优先值模块,用于比较仿真输出数据与实测输出数据之间的拟合度,根据该拟合度确定当前待辨识参数子集的优先值;
排序模块,用于根据优先值对至少一组待辨识参数子集进行排序;
子集模块,用于在满足拟合度精度要求的条件下将优先值最大的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。
作为本发明技术方案的一个优选,拟合模块包括,
第二优先值模块,用于根据仿真输出数据与是实测输出数据之间的拟合度,确定当前待辨识参数的优先值;所述优先值与所述拟合度成正相关关系;
优先级队列模块,用于根据优先值对多组待辨识参数子集进行排序,构建一定长度的优先级队列;
更新模块,用于利用优先级队列中的待辨识参数子集,在不满足拟合度精度要求的条件下对待辨识参数的概率分布函数进行更新;进入取样模块。
作为本发明技术方案的一个优选,待辨识参数子集的个数优选不小于优先级队列长度。
作为本发明技术方案的一个优选,取样模块包括,
随机模块,用于在0~1中随机选择任意有理数a;
概率模块,用于按照a:(1-a)的概率比例,分别从原始概率分布函数和更新后的概率分布函数进行取样,获取新的待辨识参数子集。
作为本发明技术方案的一个优选,取样模块中,
选取概率分布函数条件下每个待辨识参数在初始范围内概率值最大的点作为当前待辨识参数子集中该待辨识参数的仿真值,共同形成至少一组所述待辨识参数子集。
作为本发明技术方案的一个优选,初始模块包括,
辨识目标模块,用于根据进给系统参数辨识目标确定待辨识参数的参数类别;
敏感性分析模块,用于利用敏感性分析,确定每个待辨识参数的初始范围;
概率分布模块,用于根据参数类别和初始范围,确定每个待辨识参数的初始概率分布函数。
作为本发明技术方案的一个优选,仿真模块中,优选将至少一组待辨识参数子集代入待测数控机床的仿真模型中,对应获取至少一组仿真输出数据。
按照本发明的一个方面,提供了一种存储设备,其中存储有多条指令,所述指令适用于由处理器加载并执行:
S1确定待测数控机床的输入数据,获取待测数控机床对应的实测输出数据,并搭建待测数控机床的仿真模型;
S2根据进给系统参数辨识目标,确定待辨识参数及其初始范围,并确定待辨识参数的概率分布函数;
S3根据每个待辨识参数的初始范围和概率分布函数进行随机取样,将所取样本值作为该辨识参数的仿真值,形成待辨识参数子集;
S4将待辨识参数子集代入待测数控机床的仿真模型中,并将待测数控机床的输入数据仿真模型中,获取对应的仿真输出数据;
S5比较仿真输出数据与实测输出数据之间的拟合度,将满足拟合度精度要求的仿真输出数据对应的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集
按照本发明的一个方面,提供了一种终端,包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行:
S1确定待测数控机床的输入数据,获取待测数控机床对应的实测输出数据,并搭建待测数控机床的仿真模型;
S2根据进给系统参数辨识目标,确定待辨识参数及其初始范围,并确定待辨识参数的概率分布函数;
S3根据每个待辨识参数的初始范围和概率分布函数进行随机取样,将所取样本值作为该辨识参数的仿真值,形成待辨识参数子集;
S4将待辨识参数子集代入待测数控机床的仿真模型中,并将待测数控机床的输入数据仿真模型中,获取对应的仿真输出数据;
S5比较仿真输出数据与实测输出数据之间的拟合度,将满足拟合度精度要求的仿真输出数据对应的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
1)本发明技术方案,针对现有技术容易被数据噪声干扰从而陷入局部最优的问题,在寻参过程中既在现有最优值附近搜索,同时也在参数域中随机取值进行搜索,能够实现防止噪声干扰,扩大了搜索空间的效果,有效防止陷入局部最优解的问题。
2)本发明技术方案,针对现有技术寻参速度较慢,收敛时间过长,只能同时对单一参数进行辨识的问题,通过将待辨识参数以一个子集的形式代入仿真系统中,一方面能够提高参数整体的辨识效率,另一方面能够最大限度实现仿真,即获得准确的待辨识参数子集。
3)本发明技术方案,对于每一组待辨识参数的拟合程度对应设置有一个优先值,利用该优先值形成一个优先级队列,该优先级队列具有一定的长度,只保留优先值排名靠前的若干个待辨识参数子集,利用该优先级队列对待辨识参数的概率分布函数进行的更新,以便获取更贴近真实数控机床工况的进给系统参数。
4)本发明技术方案,针对现有技术容易产生数据过拟合的问题,在具体的参数辨识过程中,输入不同工况下的多组数据同时进行辨识,进一步降低了个别噪声数据带来的误差影响,从而使最终获得的进给系统待辨识参数值具有更好的泛化能力。
附图说明
图1是本发明技术方案实施例中进给系统示意图;
图2是本发明技术方案实施例中机床进给系统参数辨识方法流程图;
图3是本发明技术方案实施例中第一种待辨识参数收敛后的概率分布图;
图4是本发明技术方案实施例中第二种待辨识参数收敛后的概率分布图;
图5是本发明技术方案实施例中第三种待辨识参数收敛后的概率分布图;
图6是本发明技术方案实施例中仿真模型中反馈电流与实测反馈电流的拟合图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
机床进给系统的内部参数是进给系统的固有参数,其中部分参数并不能够通过外部仪器直接或间接测量得到,而是需要对大量数据进行分析获得。本发明技术方案的实施例中,公开了一种基于数据的数控机床进给系统参数辨识方法,其中包括下列步骤:
1)获取数控机床实测数据。数控机床在实际的使用过程中,会产生大量的运行数据,本实施例中优选以这些运行数据为基础,对数控机床的进给系统参数进行分析辨识。具体来说,本实施例中所获取的参数包括,光栅尺测量位移,编码器转角位移,扭矩电流,指令位置,及各环节对应速度等。对于数控机床的进给系统来说,这些参数是表征数控机床加工精度和其动力学特性的指标,对于整个数控机床的进给系统来说,是最重要的表征数据。
2)根据参数辨识目标确定待辨识参数的类别,进而初步确定待辨识参数的大致范围。在不同的辨识环境下,其所需要参与辨识的参数类别也会有一定的差异,本实施例中对于具体进行辨识的参数并不加以限制。进一步地,本实施例中优选通过敏感性分析确定待辨识参数的大致范围。敏感性分析是用来确定参数分布范围,即定义域的,待辨识参数即为进给系统所有待识别参数的一个子集。本实施例中,优选选择敏感度超过一定阈值的待辨识参数作为进给系统识别参数的子集,需要特别说明的是,该子集的参数状态与实测数据无关。
3)对待辨识参数的概率分布函数进行初始化。一般来说,待辨识参数由于具有不同的性质特征,其定义区间也会有所差异。如有些待辨识参数的分布区域是一个连续的区间范围,如0~1;有一些待辨识参数的分布区域则是不连续的,如0或1。那么在参数分辨区域有所不同的情况下,本实施例中优选针对每个待辨识参数分别确定其初始概率分布函数。本实施例中,一般认为待辨识参数的参数值在定义区间上均匀分布,对于一些极端特殊的参数形式,则认为其依照其他分布形式,如正态分布等。本实施例中对此不作具体限定。
4)利用概率分布函数对待辨识参数进行随机取样,将该取样结果作为该待辨识参数的结果参数,纳入到当前待辨识参数子集中,获取该子集中全部待辨识参数的结果参数形成当前待辨识参数的子集。由于待辨识参数的确切参数值并不能够一次性确定,因此本实施例中优选在待辨识参数的定义区间(或者说是分布区域)内随机选择任意符合条件的待辨识参数的数值,以获得待辨识参数子集的一个数据集。进一步地,本实施例中在利用概率分布函数进行随机取样的时候,为了计算方便,原则上省略了概率分布归一化的过程。同时,默认各个待辨识参数之间没有直接的关联关系,彼此之间是相互独立的。
5)搭建数控机床进给系统的仿真模型,将当前待辨识参数子集中每个待辨识参数的数值代入该仿真模型中,然后输入数控机床的实测数据,获取对应的仿真输出结果。对于实际的数控机床进给系统来说,实际的进给系统参数无法直接获得,而能够直接获得的参数仅限于数控机床的实测参数。在仿真模拟的思维下,如果在一个仿真模型中输入与实际的数控机床输入参数相同的参数,同时仿真模型给出的结果参数与数控机床实际输出的结果参数是一致的,那么就说明这个仿真模型与实际的数控机床进给系统是相吻合的。此时这个仿真模型所对应的进给系统参数就是实际的数控机床进给系统参数。本实施例中的仿真模型即是基于该理念设计而来的。
6)将仿真模型的输出结果与数控机床实际测量得到的输出结果进行拟合比较,获取两者之间的拟合度。如图6所示。原则上来说,拟合度越高,则说明仿真结果越好,即仿真模型越贴近真实的数控机床进给系统,而此时仿真系统中的进给系统参数,也越贴近真实的进给系统参数。由此,根据拟合度的大小,可以对当前待辨识参数的子集进行优先值排序。在具有多个待辨识参数子集的时候,拟合度越高则优先值越高,则其在优先级队列中的位置就具有更高的可靠性。
7)设置一定长度的优先级队列,并按照优先值对多个待辨识参数子集进行排序。在优先级队列仍有空缺的时候,将每一个新的待辨识参数子集按照优先值排序并添加到优先级队列中,而当优先级队列已满的时候,每次接收到一个新的待辨识参数子集,则将该子集的优先值与优先级队列中的子集中最小的优先值进行比较,若大于则用该子集替换掉优先级队列中优先值最小的子集,否则不替换。进一步地,根据一个完整的优先级队列中优先值的大小及其对应的待识别参数子集,对待识别参数的概率分布函数进行更新。本实施例中,在进行第一次待辨识参数概率分布函数更新之前,优选利用仿真模型进行多次仿真模拟,次数优选大于优先级队列长度。
8)循环执行步骤4)~7),即对待辨识参数的概率分布函数进行更新,同时根据更新后的概率分布函数更新待辨识参数子集中的数据值,进而对待辨识参数的概率分布函数进行更新。本实施例中,优选在概率分布函数达到收敛条件后停止上述循环,具体来说,本实施例中的收敛条件可以设定为循环次数阈值或者概率函数收敛到一定程度(如待辨识参数落在一定宽度范围内),或者是其他循环终止条件,本实施例中不对其进行具体限制。
进一步地,本实施例中各个待辨识参数的初始概率分布函数默认为均匀分布,经过逐次修正后的概率分布函数逐渐接近其真实分布状况。同时,本实施例中,在利用修正后的概率分布函数获取待辨识参数的子集时,可以在原始的概率分布函数内进行随机取样,也可以从更新后的概率分布函数中取样。在一个具体的优选实施例中,可以按照一定比例分别从原始的概率分布函数和更新后的概率分布函数中取样,本实施例中,这一比例优选为1:4,即百分之二十概率从原始的概率分布函数取样,百分之八十的概率从更新后的概率分布函数中取样。
优选的,本实施例中在一次概率分布函数更新后,随机读取0~1之间的任意数a,a的具体数值代表了从原始概率分布函数中对待辨识参数进行取样的概率。
总而言之,本实施例中,利用仿真模型不断对待辨识参数子集以及每个待辨识参数的概率分布函数进行修正,直至获得符合仿真精度要求的数控机床进给系统待辨识参数值。
进一步地,利用本实施的机床进给系统参数辨识方法,具体过程如下:
(1)如图1所示为本实施例中的数控机床进给系统模型,在该仿真模型中,本实施例在此阶段具体需要辨识的参数优选为粘滞系数(damper.d)、库伦摩擦力(F_coulomb)及Stribeck力(F_Stribeck)。
(2)优选利用敏感性分析或者其他相关性分析方法,初步确定上述待辨识参数的区间范围,本实施例中,优选采用如下标记形式,d∈[d_start,d_end],F_C∈[F_C_start,F_C_end]和F_S∈[F_S_start,F_S_end]。
(3)针对上述粘滞系数、库伦摩擦力和Stribeck力分别简历概率分布函数,本实施例中优选采用正态分布函数。
(4)根据待辨识参数所对应的概率分布函数,优选在不考虑归一化问题的情况下分别进行随机采样,获取满足上述区间范围的粘滞系数、库伦摩擦力和Stribeck力的具体参数值,构成当前待辨识参数的子集。然后将该参数子集代入步骤(1)的数控机床进给系统模型中,输入与实际数控机床相同的输入参数,获取仿真模型对应的输出参数。将数控机床进给系统的实测输出参数与仿真模型对应的仿真输出参数进行比较,获取两者之间的拟合度,并根据该拟合度确定当前待辨识参数的子集的优先值。
(5)根据当前待辨识参数的子集的优先值,更新优先级队列。具体来说,在优先级队列不满的时候,将当前待辨识参数的子集及其优先值直接列入优先级队列,并根据优先值进行排序。而在优先级队列已满的时候,比较当前待辨识参数子集的优先值优先值与当前队列中最小的优先值进行比较,若大于则用当前优先值及其对应的待辨识参数子集替换掉当前队列中最小的优先值及其所对应的待辨识参数子集,更新优先级队列。否则不更新。本实施例中,每组待辨识参数的子集都有一个对应的优先值,根据该优先值和优先级队列的长度,对优先级队列进行更新。
(6)进一步地,本实施例中优选在进行了i轮仿真模拟之后,再根据经过i轮仿真模拟更新后的优先级队列对待辨识参数的概率分布函数进行更新。其中,i值优选不小于优先级队列的长度。根据第i轮结束后获得的待辨识参数的概率分布函数,获得第i+1轮的待辨识参数的子集,然后利用该子集开始第i+1轮的仿真模拟并根据该轮仿真模拟结果与实测数据的拟合度对优先级队列进行更新,进而对对应的待辨识参数的概率分布函数进行更新。如图2所示,即为本实施例中的循环过程。
(7)任意n轮循环结束后(n不小于i),判断当前待辨识参数的概率分布函数是否收敛于真值附近(越接近真值其概率密度越大),或者是判断当前循环是否已经达到了一定的次数,则结束本次参数辨识,同时将概率密度峰值所对应的参数输出为本次参数辨识的结果。如图3~5所示,即为本实施例中概率密度峰值所对应的辨识结果。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (18)
1.一种基于数据的数控机床进给系统参数辨识方法,其特征在于,包括,
S1确定待测数控机床的输入数据,获取待测数控机床对应的实测输出数据,并搭建待测数控机床的仿真模型;
S2根据进给系统参数辨识目标,确定待辨识参数及其初始范围,并确定待辨识参数的概率分布函数;
S3根据每个待辨识参数的初始范围和概率分布函数进行取样,将所取样本值作为该辨识参数的仿真值,形成待辨识参数子集;
S4将待辨识参数子集代入待测数控机床的仿真模型中,并将待测数控机床的输入数据仿真模型中,获取对应的仿真输出数据;
S5比较仿真输出数据与实测输出数据之间的拟合度,将满足拟合度精度要求的仿真输出数据对应的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。
2.根据权利要求1所述的一种基于数据的数控机床进给系统参数辨识方法,其中,所述步骤S5包括,
S51比较仿真输出数据与实测输出数据之间的拟合度,根据该拟合度确定当前待辨识参数子集的优先值;
S52根据优先值对至少一组待辨识参数子集进行排序;
S53在满足拟合度精度要求的条件下将优先值最大的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。
3.根据权利要求1或2所述的一种基于数据的数控机床进给系统参数辨识方法,其中,所述步骤S5包括,
S521根据仿真输出数据与是实测输出数据之间的拟合度,确定当前待辨识参数的优先值;所述优先值与所述拟合度成正相关关系;
S522根据优先值对多组待辨识参数子集进行排序,构建一定长度的优先级队列;
S523利用优先级队列中的待辨识参数子集,对待辨识参数的概率分布函数进行更新;进入步骤S3。
4.根据权利要求3所述的一种基于数据的数控机床进给系统参数辨识方法,其中,所述待辨识参数子集的个数优选不小于优先级队列长度。
5.根据权利要求3所述的一种基于数据的数控机床进给系统参数辨识方法,其中,所述步骤S3包括,
S31在0~1中随机选择任意有理数a;
S32按照a:(1-a)的概率比例,分别从原始概率分布函数和更新后的概率分布函数进行取样,获取新的待辨识参数子集。
6.根据权利要求1~3任一项所述的一种基于数据的数控机床进给系统参数辨识方法,其中,所述步骤S3中,
选取概率分布函数条件下每个待辨识参数在初始范围内概率值最大的点作为当前待辨识参数子集中该待辨识参数的仿真值,共同形成至少一组所述待辨识参数子集。
7.根据权利要求1~6任一项所述的一种基于数据的数控机床进给系统参数辨识方法,其中,所述步骤S2包括,
S21根据进给系统参数辨识目标确定待辨识参数的参数类别;
S22利用敏感性分析,确定每个待辨识参数的初始范围;
S23根据参数类别和初始范围,确定每个待辨识参数的初始概率分布函数。
8.根据权利要求1~7任一项所述的一种基于数据的数控机床进给系统参数辨识方法,其中,所述步骤S4中,优选将至少一组待辨识参数子集代入待测数控机床的仿真模型中,对应获取至少一组仿真输出数据。
9.一种基于数据的数控机床进给系统参数辨识系统,其特征在于,包括,
模型模块,用于确定待测数控机床的输入数据,获取待测数控机床对应的实测输出数据,并搭建待测数控机床的仿真模型;
初始模块,用于根据进给系统参数辨识目标,确定待辨识参数及其初始范围,并确定待辨识参数的概率分布函数;
取样模块,用于根据每个待辨识参数的初始范围和概率分布函数进行随机取样,将所取样本值作为该辨识参数的仿真值,形成待辨识参数子集;
仿真模块,用于将待辨识参数子集代入待测数控机床的仿真模型中,并将待测数控机床的输入数据仿真模型中,获取对应的仿真输出数据;
拟合模块,用于比较仿真输出数据与实测输出数据之间的拟合度,将满足拟合度精度要求的仿真输出数据对应的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。
10.根据权利要求9所述的一种基于数据的数控机床进给系统参数辨识系统,其中,所述拟合模块包括,
第一优先值模块,用于比较仿真输出数据与实测输出数据之间的拟合度,根据该拟合度确定当前待辨识参数子集的优先值;
排序模块,用于根据优先值对至少一组待辨识参数子集进行排序;
子集模块,用于在满足拟合度精度要求的条件下将优先值最大的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。
11.根据权利要求9或10所述的一种基于数据的数控机床进给系统参数辨识系统,其中,所述拟合模块包括,
第二优先值模块,用于根据仿真输出数据与是实测输出数据之间的拟合度,确定当前待辨识参数的优先值;所述优先值与所述拟合度成正相关关系;
优先级队列模块,用于根据优先值对多组待辨识参数子集进行排序,构建一定长度的优先级队列;
更新模块,用于利用优先级队列中的待辨识参数子集,在不满足拟合度精度要求的条件下对待辨识参数的概率分布函数进行更新;进入取样模块。
12.根据权利要求11所述的一种基于数据的数控机床进给系统参数辨识系统,其中,所述待辨识参数子集的个数优选不小于优先级队列长度。
13.根据权利要求11所述的一种基于数据的数控机床进给系统参数辨识方法,其中,所述取样模块包括,
随机模块,用于在0~1中随机选择任意有理数a;
概率模块,用于按照a:(1-a)的概率比例,分别从原始概率分布函数和更新后的概率分布函数进行取样,获取新的待辨识参数子集。
14.根据权利要求8~11任一项所述的一种基于数据的数控机床进给系统参数辨识方法,其中,所述取样模块中,
选取概率分布函数条件下每个待辨识参数在初始范围内概率值最大的点作为当前待辨识参数子集中该待辨识参数的仿真值,共同形成至少一组所述待辨识参数子集。
15.根据权利要求8~14任一项所述的一种基于数据的数控机床进给系统参数辨识方法,其中,所述初始模块包括,
辨识目标模块,用于根据进给系统参数辨识目标确定待辨识参数的参数类别;
敏感性分析模块,用于利用敏感性分析,确定每个待辨识参数的初始范围;
概率分布模块,用于根据参数类别和初始范围,确定每个待辨识参数的初始概率分布函数。
16.根据权利要求8~15任一项所述的一种基于数据的数控机床进给系统参数辨识方法,其中,所述仿真模块中,优选将至少一组待辨识参数子集代入待测数控机床的仿真模型中,对应获取至少一组仿真输出数据。
17.一种存储设备,其中存储有多条指令,所述指令适用于由处理器加载并执行:
S1确定待测数控机床的输入数据,获取待测数控机床对应的实测输出数据,并搭建待测数控机床的仿真模型;
S2根据进给系统参数辨识目标,确定待辨识参数及其初始范围,并确定待辨识参数的概率分布函数;
S3根据每个待辨识参数的初始范围和概率分布函数进行随机取样,将所取样本值作为该辨识参数的仿真值,形成待辨识参数子集;
S4将待辨识参数子集代入待测数控机床的仿真模型中,并将待测数控机床的输入数据仿真模型中,获取对应的仿真输出数据;
S5比较仿真输出数据与实测输出数据之间的拟合度,将满足拟合度精度要求的仿真输出数据对应的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。
18.一种终端,包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行:
S1确定待测数控机床的输入数据,获取待测数控机床对应的实测输出数据,并搭建待测数控机床的仿真模型;
S2根据进给系统参数辨识目标,确定待辨识参数及其初始范围,并确定待辨识参数的概率分布函数;
S3根据每个待辨识参数的初始范围和概率分布函数进行随机取样,将所取样本值作为该辨识参数的仿真值,形成待辨识参数子集;
S4将待辨识参数子集代入待测数控机床的仿真模型中,并将待测数控机床的输入数据仿真模型中,获取对应的仿真输出数据;
S5比较仿真输出数据与实测输出数据之间的拟合度,将满足拟合度精度要求的仿真输出数据对应的待辨识参数子集输出作为当前待测数控机床进给系统的参数子集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238469.1A CN109947048B (zh) | 2019-03-27 | 2019-03-27 | 一种基于数据的数控机床进给系统参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238469.1A CN109947048B (zh) | 2019-03-27 | 2019-03-27 | 一种基于数据的数控机床进给系统参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109947048A true CN109947048A (zh) | 2019-06-28 |
CN109947048B CN109947048B (zh) | 2021-02-02 |
Family
ID=67011986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910238469.1A Active CN109947048B (zh) | 2019-03-27 | 2019-03-27 | 一种基于数据的数控机床进给系统参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109947048B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467367A (zh) * | 2021-07-12 | 2021-10-01 | 华中科技大学 | 一种机床进给系统的刚度阻尼辨识方法 |
CN114696316A (zh) * | 2022-03-03 | 2022-07-01 | 国网江苏省电力有限公司电力科学研究院 | 一种计及概率分布的配网参数辨识方法及装置 |
WO2022267750A1 (zh) * | 2021-06-25 | 2022-12-29 | 海光信息技术股份有限公司 | 建模方法及建模装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006340480A (ja) * | 2005-06-01 | 2006-12-14 | Yaskawa Electric Corp | モータの制御装置及び制御方法 |
CN102594215A (zh) * | 2012-03-16 | 2012-07-18 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种光伏电站模型参数辨识方法 |
CN102830628A (zh) * | 2012-08-28 | 2012-12-19 | 中国科学院自动化研究所 | 变换炉的控制方法 |
CN105610360A (zh) * | 2016-01-22 | 2016-05-25 | 国网上海市电力公司 | 一种同步发电机励磁系统参数辨识方法 |
CN108197381A (zh) * | 2017-12-29 | 2018-06-22 | 河海大学 | 基于寻优空间形态分析的参数辨识方法 |
CN109446720A (zh) * | 2018-12-24 | 2019-03-08 | 江苏方天电力技术有限公司 | 一种大容量调相机自并励励磁系统参数辨识方法 |
-
2019
- 2019-03-27 CN CN201910238469.1A patent/CN109947048B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006340480A (ja) * | 2005-06-01 | 2006-12-14 | Yaskawa Electric Corp | モータの制御装置及び制御方法 |
CN102594215A (zh) * | 2012-03-16 | 2012-07-18 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种光伏电站模型参数辨识方法 |
CN102830628A (zh) * | 2012-08-28 | 2012-12-19 | 中国科学院自动化研究所 | 变换炉的控制方法 |
CN105610360A (zh) * | 2016-01-22 | 2016-05-25 | 国网上海市电力公司 | 一种同步发电机励磁系统参数辨识方法 |
CN108197381A (zh) * | 2017-12-29 | 2018-06-22 | 河海大学 | 基于寻优空间形态分析的参数辨识方法 |
CN109446720A (zh) * | 2018-12-24 | 2019-03-08 | 江苏方天电力技术有限公司 | 一种大容量调相机自并励励磁系统参数辨识方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022267750A1 (zh) * | 2021-06-25 | 2022-12-29 | 海光信息技术股份有限公司 | 建模方法及建模装置、电子设备及存储介质 |
CN113467367A (zh) * | 2021-07-12 | 2021-10-01 | 华中科技大学 | 一种机床进给系统的刚度阻尼辨识方法 |
CN114696316A (zh) * | 2022-03-03 | 2022-07-01 | 国网江苏省电力有限公司电力科学研究院 | 一种计及概率分布的配网参数辨识方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109947048B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947048A (zh) | 一种基于数据的数控机床进给系统参数辨识方法 | |
CN107193258B (zh) | 面向能耗的数控加工工艺路线与切削参数集成优化方法 | |
CN101998895B (zh) | 用于优化机器人工作单元的布局的方法和系统 | |
CN103809506B (zh) | 基于一维粒子群算法获得零件加工最优调度方案的方法 | |
CN100343770C (zh) | 一种数控车床的智能控制系统及其控制方法 | |
CN104111642B (zh) | 设备预防性维护与柔性作业车间控制集成优化方法 | |
CN108694502A (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
CN103235743B (zh) | 一种基于分解和最优解跟随策略的多目标测试任务调度方法 | |
CN105974794A (zh) | 基于改进的猫群算法的离散制造车间调度方法 | |
Cao et al. | A novel multi-objective optimization approach of machining parameters with small sample problem in gear hobbing | |
CN103676785B (zh) | 一种风扇叶片的智能制造方法 | |
CN110221580A (zh) | 一种基于主轴数据仿真的进给速度优化方法 | |
Hu et al. | A novel multi-resolution representation for time series sensor data analysis | |
CN114021482A (zh) | 一种基于知识图谱优化cam模板的数控编程方法 | |
CN115494796A (zh) | 一种基于step-nc的边云协同数字孪生系统 | |
CN102609564A (zh) | 一种加工特征与加工操作快速定位与对应方法 | |
CN104552439B (zh) | 印制线路板钻孔的加工方法 | |
Ji et al. | Big data analytics based optimisation for enriched process planning: a methodology | |
Dudas et al. | Post-analysis of multi-objective optimization solutions using decision trees | |
CN116604244A (zh) | 一种分步优化的白车身多机器人点焊作业路径规划方法 | |
Amaitik | An integrated CAD/CAPP system based on STEP features | |
Li et al. | Fault diagnosis knowledge base optimization based on decision tree | |
Bao | Application of dynamic programming to optimize tool replacement schedules for multi-tool operations involving distributed tool lives | |
CN113159265B (zh) | 基于svm-蚁群算法的牵引负荷参数辨识方法及系统 | |
CN113807611B (zh) | 一种基于解可信度与双档案群智优化的作业车间调度方法 |
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 |