CN110007645B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110007645B
CN110007645B CN201910288720.5A CN201910288720A CN110007645B CN 110007645 B CN110007645 B CN 110007645B CN 201910288720 A CN201910288720 A CN 201910288720A CN 110007645 B CN110007645 B CN 110007645B
Authority
CN
China
Prior art keywords
sequence
feeding system
model
instruction
simulation prediction
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.)
Active
Application number
CN201910288720.5A
Other languages
English (en)
Other versions
CN110007645A (zh
Inventor
周会成
蒋亚坤
杨建中
陈吉红
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910288720.5A priority Critical patent/CN110007645B/zh
Publication of CN110007645A publication Critical patent/CN110007645A/zh
Application granted granted Critical
Publication of CN110007645B publication Critical patent/CN110007645B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

发明公开了一种数控机床进给系统混合建模方法，包括一个动力学基础模型和一个基于大数据的神经网络偏差模型；动力学基础模型由动力学理论分析及参数辨识得到；神经网络偏差模型通过利用指令序列、动力学基础模型的仿真预测数据和实际响应数据分析训练得到；将指令序列输入进给系统混合模型中，对实际响应序列进行预测，得到混合预测序列。本发明技术方案相比单纯的动力学模型，对高度非线性过程(如反向过程)的仿真更精准，相比单纯的神经网络模型，对不同加工工艺下的泛化能力更强。通过混合建模的方式，实现对复杂动态的进给系统的准确模拟。

Description

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
技术领域
本发明属于数控领域，具体涉及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。
背景技术
数控机床的加工精度与机床进给系统动态性能密切相关。机床进给系统建模，是实现控制策略优化、参数设定、跟随误差和轮廓误差预测及补偿，提升进给系统动态性能的基础。在机床设计与调试阶段，可以利用进给系统模型进行稳态误差、动态误差进行分析，指导控制策略优化与参数设定；在机床投入使用阶段，可以利用进给系统模型，进行跟随误差和轮廓误差的预测与补偿。目前的数控机床进给系统建模，主要分为两个方向一个是在基于理论分析的动力学建模中对其进行研究，另一个是基于数控系统内部数据及人工神经网络的大数据建模方法对其进行研究。
针对第一种研究方式，在基于理论分析的动力学建模方面，论文《基于Simulink的机床伺服进给系统仿真技术研究》中通过对进给系统的各个环节进行理论分析和研究，建立了各环节数学模型，考虑摩擦和延时等非线性因素，最终建立了整体数学模型，实现对机械传动机构的频率分析；在另一篇名为《滚珠丝杠进给系统刚度建模及仿真》的论文中，通过进给系统轴向刚度和扭转刚度分析，建立包含刚度环节的进给系统动力学模型，对进给系统动态性能进行分析，提高进给系统的稳定性和快速响应特性。
基于理论分析的动力学建模的优势在于，便于对控制机理进行分析和优化，以及仿真鲁棒性高等特点。但也有其局限性：首先，进给系统是一个复杂的动态系统，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在机床非线性要素(反向间隙、润滑情况、阻尼等)的表达能力上存在不足，难以完整、精确地描述其模型。另外，动力学模型存在模型复杂性与准确性的矛盾，采用低阶模型计算效率高、便于分析，但误差大，特别是在动态误差的预测上误差更大；采用高阶或有限元模型则带来计算效率低、模型参数辨识困难等问题。
针对第二种研究方式，基于数控系统内部数据以及神经网络进行大数据建模方面，利用伺服或数控系统提供的位置指令和位移反馈等信号进行大数据分析建模方式，现有技术中，《Neural Network Contour Error Predictor in CNC Control Systems》公开了一种基于伺服位置指令输入和响应输出数据，利用多层感知机神经网络，建立进给系统运动响应模型。而专利《一种基于指令域分析的数控机床建模误差补偿方法》则公开了一种通过在赛博空间建立机床工作过程中的运行传感数据U、内部电控数据V、外部传感数据W与事前工作任务数据w1、事前制造资源数据w2、误差补偿数据w3之间的映射关系函数Y{U，V，M}＝y{w1，w2，w3}，进而通过函数模型进行误差补偿的方法。
虽然大数据建模方法只需建立建模对象的黑盒模型，建模过程相对简单。且大数据建模对建模对象中的非线性关系拟合效果比较好，仿真精度高。但也有其局限性：首先，模型没有理论支持，指令输入存在扰动时模型的鲁棒性不够。其次，大数据建模方法无法用于设计阶段，必须在机械、控制完全安装好后才能施行，此时进行的分析得到的结果很难再用于机械的结构优化和控制器的选取。
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动力学及深度神经网络的进给系统混合建模方法。本发明技术方案针对动力学模型所采用的数学物理方法对复杂非线性要素难以精准仿真、而单一的神经网络建模方法对于不同加工工艺下的泛化能力较弱的问题，通过混合建模的方式，实现对复杂动态的进给系统的准确模拟。
为实现上述目的，按照本发明的一个方面，提供了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，其特征在于，包括
S1根据数控机床进给系统组成部件的动力学分析，建立进给系统对应的动力学基础模型；
S2获取至少一个数控指令序列，将指令序列分别输入到数控机床进给系统及其对应的动力学基础模型；
S3采集进给系统的实际响应输出及其对应的动力学基础模型的仿真预测输出，获取该指令序列对应的实际响应序列和仿真预测序列；
S4利用同一指令序列及其对应的实际响应序列和仿真预测序列对神经网络进行训练，获得能够修正实际响应序列和仿真预测序列之间偏差的偏差模型；
S5将指令序列输入动力学基础模型，获取对应的仿真预测序列并输入所述偏差模型得到对应的模型偏差序列，通过仿真预测序列和模型偏差序列获取该指令序列所对应的进给系统混合模型输出。
作为本发明技术方案的一个优选，步骤S4中包括，
S41获取至少一个指令序列及其对应的实际响应序列和仿真预测序列，构成至少一个训练样本；
S42将一个训练样本中的指令序列及其对应的仿真预测序列输入神经网络，控制输出对应的偏差预测序列；
S43遍历所有训练样本，完成仿真预测序列的偏差模型训练。
作为本发明技术方案的一个优选，步骤S4中包括，
S41’获取至少一个指令序列及其对应的实际响应序列和仿真预测序列，构成至少一个训练样本；
S42’根据指令序列分别获取进给系统各个轴的单轴指令序列，根据训练样本获取与进给系统各个轴相对应的至少一个单轴训练样本；
S43’将单轴训练样本中指令序列和仿真预测序列对应的变量参数输入神经网络，控制输出该单轴训练样本实际响应序列对应的变量参数；
S44’遍历所有单轴训练样本，完成当前参考系下各个变量的偏差模型训练。
作为本发明技术方案的一个优选，步骤S5中包括，
S51根据指令序列获取进给系统各个轴的单轴指令序列，获取该指令序列中的各个单轴指令序列对应的仿真预测序列；
S52将单轴指令序列和及其对应的仿真预测序列输入对应偏差模型，获取该单轴指令序列的预测输出；
S53遍历所有单轴指令序列，获取当前参考系下各个单轴指令序列的预测输出；
S54将各个单轴指令序列的预测输出进行合并，获得指令序列所对应的进给系统仿真输出。
作为本发明技术方案的一个优选，步骤S3中，进给系统的实际响应序列为通过光栅尺采集获得的数控机床工作台实际位置序列。
作为本发明技术方案的一个优选，进给系统优选采用正交坐标系进行动力学分析，所述步骤S4和/或步骤S5中优选在正交坐标系下对每个坐标轴分别进行训练和/或仿真输出。
作为本发明技术方案的一个优选，步骤S1中，所述动力学基础模型优选通过进给系统对应的参数传递函数进行表示。
作为本发明技术方案的一个优选，步骤S2中，所述指令序列按照时间顺序排列，任意两个指令序列之间的时间间隔可以相等或者不相等。
按照本发明的一个方面，提供了一种基于动力学及深度神经网络的进给系统混合建模系统，其特征在于，包括
模型模块，用于根据数控机床进给系统组成部件的动力学分析，建立进给系统对应的动力学基础模型；
指令模块，用于获取至少一个数控指令序列，将指令序列分别输入到数控机床进给系统及其对应的动力学基础模型；
采集模块，用于采集进给系统的实际响应输出及其对应的动力学基础模型的仿真预测输出，获取该指令序列对应的实际响应序列和仿真预测序列；
训练模块，用于利用同一指令序列及其对应的实际响应序列和仿真预测序列对神经网络进行训练，获得能够修正实际响应序列和仿真预测序列之间偏差的偏差模型；
仿真模块，用于将指令序列输入动力学基础模型，获取对应的仿真预测序列并输入所述偏差模型得到对应的模型偏差序列，通过仿真预测序列和模型偏差序列获取该指令序列所对应的进给系统混合模型输出。
作为本发明技术方案的一个优选，训练模块中包括，
第一样本模块，用于获取至少一个指令序列及其对应的实际响应序列和仿真预测序列，构成至少一个训练样本；
第一神经网络模块，用于将一个训练样本中的指令序列及其对应的仿真预测序列输入神经网络，控制输出对应的偏差预测序列；
遍历模块，用于遍历所有训练样本，完成仿真预测序列的偏差模型训练。
作为本发明技术方案的一个优选，训练模块中包括，
第二样本模块，用于获取至少一个指令序列及其对应的实际响应序列和仿真预测序列，构成至少一个训练样本；
单轴样本模块，用于根据指令序列分别获取进给系统各个轴的单轴指令序列，根据训练样本获取与进给系统各个轴相对应的至少一个单轴训练样本；
第二神经网络模块，用于将单轴训练样本中指令序列和仿真预测序列对应的变量参数输入神经网络，控制输出该单轴训练样本实际响应序列对应的变量参数；
第二遍历模块，用于遍历所有单轴训练样本，完成当前参考系下各个变量的偏差模型训练。
作为本发明技术方案的一个优选，仿真模块中包括，
参考系模块，用于根据指令序列获取进给系统各个轴的单轴指令序列，获取该指令序列中的各个单轴指令序列对应的仿真预测序列；
输入模块，用于将单轴指令序列和及其对应的仿真预测序列输入对应偏差模型，获取该单轴指令序列的预测输出；
输出模块，用于遍历所有单轴指令序列，获取当前参考系下各个单轴指令序列的预测输出；
映射模块，用于将各个单轴指令序列的预测输出进行合并，获得指令序列所对应的进给系统仿真输出。
作为本发明技术方案的一个优选，采集模块中，进给系统的实际响应序列为通过光栅尺采集获得的数控机床工作台实际位置序列。
作为本发明技术方案的一个优选，进给系统优选采用正交坐标系进行动力学分析，所述训练模块和/或仿真模块中优选在正交坐标系下对每个坐标轴分别进行训练和/或仿真输出。
作为本发明技术方案的一个优选，模型模块中，所述动力学基础模型优选通过进给系统对应的参数传递函数进行表示。
作为本发明技术方案的一个优选，指令模块中，所述指令序列按照时间顺序排列，任意两个指令序列之间的时间间隔可以相等或者不相等。
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根据数控机床进给系统组成部件的动力学分析，建立进给系统对应的动力学基础模型；
S2获取至少一个数控指令序列，将指令序列分别输入到数控机床进给系统及其对应的动力学基础模型；
S3采集进给系统的实际响应输出及其对应的动力学基础模型的仿真预测输出，获取该指令序列对应的实际响应序列和仿真预测序列；
S4利用同一指令序列及其对应的实际响应序列和仿真预测序列对神经网络进行训练，获得能够修正实际响应序列和仿真预测序列之间偏差的偏差模型；
S5将指令序列输入动力学基础模型，获取对应的仿真预测序列并输入所述偏差模型得到对应的模型偏差序列，通过仿真预测序列和模型偏差序列获取该指令序列所对应的进给系统混合模型输出。
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根据数控机床进给系统组成部件的动力学分析，建立进给系统对应的动力学基础模型；
S2获取至少一个数控指令序列，将指令序列分别输入到数控机床进给系统及其对应的动力学基础模型；
S3采集进给系统的实际响应输出及其对应的动力学基础模型的仿真预测输出，获取该指令序列对应的实际响应序列和仿真预测序列；
S4利用同一指令序列及其对应的实际响应序列和仿真预测序列对神经网络进行训练，获得能够修正实际响应序列和仿真预测序列之间偏差的偏差模型；
S5将指令序列输入动力学基础模型，获取对应的仿真预测序列并输入所述偏差模型得到对应的模型偏差序列，通过仿真预测序列和模型偏差序列获取该指令序列所对应的进给系统混合模型输出。
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)本发明技术方案中，相对单一的大数据模型，具有稳定的动力学基础模型作为基础，偏差模型用于对动力学基础模型的输出进行误差预测，混合模型预测鲁棒性更好。混合模型中的基于理论分析的动力学基础模型，抗扰动性能好，当有指令输入波动较大时，仍能保持较高的稳定性。
2)本发明技术方案中，相对于单一的动力学模型，混合模型预测精度更高。单一动力学模型在预测的过程中，对于部分参数(如一些随机问题或者是难以用具体数学物理公式表达的参数)的预测效果较差，而混合模型中的大数据偏差模型，对动力学模型不擅长的非线性过程的仿真能力强，能够根据输入，精确的仿真输出。
3)本发明技术方案中，具有针对性的预测方法。传统的机床多项误差测量、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预测。采用混合模型，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。
4)本发明技术方案中，模型的可迁移性好。参数辨识是建立动力学模型的重要一环，也是最复杂的一环。相对于传统单一的动力学模型，混合模型中的动力学基础模型，对参数的辨识精度要求不是非常苛刻。在需要迁移到另一台机床使用时，只需大致辨识出机床进给系统参数，通过大数据偏差模型对动力学基础模型的预测偏差进行修正。
附图说明
图1是本发明技术方案实施例中数控机床进给系统混合建模方法框架；
图2是本发明技术方案实施例中进给系统动力学基础模型的一个优选实施例；
图3是本发明技术方案实施例中进给系统混合建模的仿真预测模型；
图4是本发明技术方案实施例中进给系统混合建模的训练模型；
图5本发明技术方案的一个具体实施例中基于进给系统混合模型的一种响应预测；
图6本发明技术方案的一个具体实施例中正交坐标轴下的圆形指令轮廓、实际轮廓与预测轮廓；
图7本发明技术方案的一个具体实施例中正交坐标轴下的圆形实际轮廓误差、预测轮廓误差与预测误差。
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。
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。动力学基础模型在仿真预测过程中，也会产生预测输出数据。这些数据与机床特性有密切的联系。把这些数据记录下来，并进行统计、分析、提取样本，建立进给系统大数据偏差模型。通过融合动力学基础模型和大数据基础模型，可以获得一个鲁棒性好且预测准确的进给系统混合模型。
本发明技术方案的实施例中提供了一种基于动力学分析和深度神经网络的进给系统混合建模方法。该方法通过建立与物理实体之间精确映射的进给系统混合模型，可以实现通过输入进给系统指令序列(单轴指令序列)精准预测出实际响应，继而可以用来进行优化补偿。因此本实施例中，为了实现机床进给系统精确建模，在建立进给系统动力学基础模型的基础上，引入大数据偏差模型对动力学基础模型的预测偏差进行修正，最终建立进给系统混合模型。如图1所示，为本实施例的混合建模方法框架，其中包括两个方面：
第一是模型组成，本实施例中利用混合建模方法所建立的模型包含基础模型和偏差模型，其中基础模型为利用数学物理方法搭建的，由多个参数传递公式组成的动力学理论模型，如图2所示；偏差模型为依赖于大数据的，通过大量参数训练而来的神经网络模型。
第二是建模方法，本实施例中，在初始阶段建立动力学基础模型并进行模型参数辨识，具体来说就是在机床实际运行过程中，采集实际进给系统运行过程的指令输入序列、响应输出序列和动力学基础模型的仿真预测序列。在此基础上，基于以上数据提取样本，训练大数据偏差模型，即将真实的响应输出序列和动力学基础模型的仿真预测序列同时输入神经网络模型之中，计算两者之间的误差，完成偏差模型的训练，如图3所示。
针对上述的技术问题，本发明技术方案的实施例中提供的方法如附图1所示，具体包括如下几个步骤：
步骤1：动力学基础模型建模阶段。基于进给系统各部件的动力学分析，建立包含伺服、电机、机械传动机构的进给系统动力学基础模型。如图2所示，本实施例中基于理论分析，建立的进给系统动力学基础模型。
本实施例中的进给系统，是指包含驱动、电机、机械传动机构的进给系统；在构建进给系统力学基础模型的过程中，需要对上述进给系统的各个部分进行合理考虑后，纳入整体进给系统力学基础模型中去。本实施例中，采用数学物理方法的形式，对进给系统中所包含的各个结构进行了表达，形成了一个完整的参数传递函数，图2所示即为一个简单的具体实施例。本实施例中，为了叙述方便，对进给系统的动力学模型进行了适当简化，但是这种简化仅用作对本实施例的动力学模型进行解释之用，其并不视为对本申请的方案作出具体的限制。
进一步地，本实施例中的动力学建模，包含对传递函数的建立和参数识别。本实施例中，传递函数的建立是指基于控制、部件运动关系的简化描述，建立描述进给系统输入与输出间的关系，本实施例中优选采用经拉普拉斯变换而来的函数进行表示，称为传递函数；进一步地，参数辨识是根据实验数据和建立的模型来确定一组模型的参数值，使得由模型计算得到的数值结果能最好地拟合测试数据，如对机床刚度、摩擦力辨识等。
步骤2：样本数据生成阶段。其中包括同步抽取并存储数控系统在加工控制过程中产生进给系统指令序列、位置采集装置(如光栅尺)采集的位置信息及动力学基础的仿真预测数据，如图4所示，就是在一个具体的实施例中，利用实测数据对大数据偏差模型进行训练的过程。本实施例中，优选利用数控系统内部的数据提取算法模块，实时提取数控系统在加工控制中的进给系统指令时间序列和进给系统运动响应的实际位置，并存储在数控装置硬盘当中。并且，对应的采集和存储动力学模型的仿真预测输出数据。生成训练样本。进一步地，如何获取和存储训练样本属于现有技术常见技术方案，本实施例中对此不多加赘述。
优选的，本实施例中的进给系统指令序列，包含进给系统在以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，即为进给系统指令序列。更具体地说，本实施例中优选以进给系统在任意时间周期的时序上的指令增量集作为进给系统的指令输入。进一步地，按照时序先后排列后，任意两个系统指令序列(单轴指令序列)之间的时间间隔可以固定或者不固定，其可以根据进给系统的预测需求另行确定，本申请中对此不作赘述。
在明确了指令输入以后，实际的进给系统会给出对应的输出，本实施例中进给系统运动响应的实际位置，是指机床位置检测检测装置采集到的进给系统实际运动位置。进一步地，这些内容以抽象的数据表达，即为进给系统的输出。也就是说，本实施例中，进给系统的指令输入对应的输出内容，是进给系统动力学模型训练的原始样本。通过这些参数，可以对进给系统动力学模型和/或神经网络偏差模型进行训练，即为训练样本，进而获得准确的进给系统混合模型。
优选的，本实施例中在数控系统的强实时任务完成之后的CPU空闲时间，还可以对历史运动状态数据进行分析和处理。
将进给系统指令序列分别输入真实的进给系统和进给系统的动力学基础模型(动力学模型)，对应获得真实进给系统的实际响应序列，以及动力学模型的仿真预测序列，通过实际响应序列和仿真预测序列之间的差异，来对大数据偏差模型进行训练，从而获得本实施例中的进给系统混合模型。
因此，在一个具体的实施例中，训练样本包含进给系统指令序列、动力学模型仿真预测序列和实际响应序列，通过训练样本对本实施中的进给系统混合模型进行训练。
步骤3：进给系统大数据偏差模型的训练。利用标记好的样本数据，进给系统指令序列和动力学基础模型的预测输出序列作为深度神经网络的输入，实际响应序列作为深度神经网络的输出，训练进给系统的大数据偏差模型。如图3所示，本实施例采用深度回归神经网络，模型的输入为进给系统指令序列和动力学模型的仿真预测序列，输出为实际响应序列。实际上，本实施例中，进给系统的动力学基础模型也是可以通过仿真预测序列和实际响应序列进行调整的，但是这种调整一般限于数学物理方程中部分参数的调整，本实施例中对此不作赘述，而是对大数据偏差模型进行详细描述。
具体来说，首先设置深度回归神经网络，本实施例中优选输入层神经元个数为样本中输入特征的维度，优选输出层为1个神经元。在本实施例的技术方案之下，大数据偏差模型可以根据需求进行具体的调整，上述神经网络的结构可以根据需求具体确定。
在一个具体的实施例中，指令序列为真实数控系统下发的控制指令，该控制指令既是真实的数控机床进给系统的输入指令，同时也是进给系统动力学基础模型的输入指令。对应的，仿真序列为动力学基础模型输入指令序列时的仿真输出，以及采集序列优选为光栅尺采集的实物系统的实际响应序列。
步骤4：对进给系统混合模型进行完善，其中具体包括两个阶段，第一个是训练阶段，第二个是预测阶段。训练阶段的主要目的是利用训练样本对混合模型中的大数据偏差模型进行训练，即将同一指令序列分别输入到实际的数控机床进给系统和进给系统的动力学基础模型中去，获取对应的实际响应序列(即图4中的采集序列)，以及对应的仿真预测序列(即图3、4中的仿真序列)，然后将上述实际响应序列及其对应的仿真预测序列一起输入到神经网络之中，获取仿真预测序列与实际响应序列之间的偏差模型。
换而言之，通过进给系统的实际响应序列与动力学模型的仿真预测序列之间的差别，使得神经网络可以对动力学基础模型的仿真预测序列进行修正，其修正基础即由训练样本而来。本实施例中，由于动力学基础模型是由多个数学物理公式所构成的，其与真实状态下的进给系统运行状况存在一定的偏差，在同一指令序列的驱动下，动力学模型的仿真预测序列数据是需要进行误差修正后才能被采用的。因此，本实施例中的偏差模型本身是针对动力学基础模型所存在的多种不足而进行设置的，其本质上是对动力学模型仿真预测序列的偏差进行修正。如图3所示，从神经网络偏差模型中输出的偏差预测序列与从动力学基础模型中输出的仿真预测序列相结合，共同构成混合模型最终输出的混合预测序列，即为本申请的进给系统混合模型输出。
预测阶段，获得上述偏差模型后，利用该模型对动力学模型的仿真预测序列进行预测，即为输入进给系统指令序列，预测出实际响应序列。本实施例中，训练好的模型在数控装置中运行，通过输入进给系统的进给系统指令序列，即可预测出对应时序的实际响应序列。与训练阶段相比，由于偏差模型已经训练完成，此时神经网络对于动力学基础模型的误差体系已经有了相对准确的判断，神经网络可以对当前收到的仿真输出指令进行误差修正，输出较为准确的仿真预测序列。
如附图5所示，在一个具体的实施例中，优选利用进给系统混合模型，输入圆度测试曲线，通过预测X和Y轴实际响应位置，即可仿真出圆度测试时的实际响应圆的轨迹。具体来说，本实施例中优选将进给系统在正交坐标系中予以呈现，更具体地说，本实施例中优选针对每个正交坐标轴的实际响应序列和仿真预测序列分别进行偏差模型的训练，对应的，每个正交坐标轴上的仿真预测序列是分别进行修正的。更进一步的，本实施例中，坐标轴形式并不限于正交坐标系，更不限于图5的平面坐标系，实际上，坐标系的形式可以根据需求进行调整，如更换为正交立体坐标系或者极坐标系等形式。
如附图6所示，在一个具体的实施例中，进给系统的输出为圆形曲线，需要确定实际采集的轮廓误差、模型预测出的轮廓误差，以及预测误差曲线。所述预测误差曲线即为实际采集轨迹与预测轨迹的差值。由附图6可知，在一个具体的实施例中，预测误差可以达到3um内。进一步地，其对应的误差曲线如图7所示。
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 (14)

1.一种基于动力学及深度神经网络的进给系统混合建模方法，其特征在于，包括
S1根据数控机床进给系统组成部件的动力学分析，建立进给系统对应的动力学基础模型；
S2获取至少一个数控指令序列，将指令序列分别输入到数控机床进给系统及其对应的动力学基础模型；
S3采集进给系统的实际响应输出及其对应的动力学基础模型的仿真预测输出，获取该指令序列对应的实际响应序列和仿真预测序列；
S4利用同一指令序列及其对应的实际响应序列和仿真预测序列对神经网络进行训练，获得能够修正实际响应序列和仿真预测序列之间偏差的偏差模型；
S5将指令序列输入动力学基础模型，获取对应的仿真预测序列并输入所述偏差模型得到对应的模型偏差序列，通过仿真预测序列和模型偏差序列获取该指令序列所对应的进给系统混合模型输出；
其中，步骤S4中包括，
S41获取至少一个指令序列及其对应的实际响应序列和仿真预测序列，构成至少一个训练样本；
S42将一个训练样本中的指令序列及其对应的实际响应序列和仿真预测序列输入神经网络；
S43遍历所有训练样本，完成仿真预测序列的偏差模型训练。
2.根据权利要求1所述的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，其中，步骤S5中包括，
S51根据指令序列获取进给系统各个轴的单轴指令序列，获取该指令序列中的各个单轴指令序列对应的仿真预测序列；
S52将单轴指令序列和及其对应的仿真预测序列输入对应偏差模型，获取该单轴指令序列的预测输出；
S53遍历所有单轴指令序列，获取当前参考系下各个单轴指令序列的预测输出；
S54将各个单轴指令序列的预测输出进行合并，获得指令序列所对应的进给系统仿真输出。
3.根据权利要求1或2所述的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，其中，步骤S3中，进给系统的实际响应序列为通过光栅尺采集获得的数控机床工作台实际位置序列。
4.根据权利要求1或2所述的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，其中，所述进给系统采用正交坐标系进行动力学分析，所述步骤S4和/或步骤S5中在正交坐标系下对每个坐标轴分别进行训练和/或仿真输出。
5.根据权利要求1或2所述的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，其中，步骤S1中，所述动力学基础模型通过进给系统对应的参数传递函数进行表示。
6.根据权利要求1或2所述的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，其中，步骤S2中，所述指令序列按照时间顺序排列，任意两个指令序列之间的时间间隔相等或者不相等。
7.一种基于动力学及深度神经网络的进给系统混合建模系统，其特征在于，包括
模型模块，用于根据数控机床进给系统组成部件的动力学分析，建立进给系统对应的动力学基础模型；
指令模块，用于获取至少一个数控指令序列，将指令序列分别输入到数控机床进给系统及其对应的动力学基础模型；
采集模块，用于采集进给系统的实际响应输出及其对应的动力学基础模型的仿真预测输出，获取该指令序列对应的实际响应序列和仿真预测序列；
训练模块，用于利用同一指令序列及其对应的实际响应序列和仿真预测序列对神经网络进行训练，获得能够修正实际响应序列和仿真预测序列之间偏差的偏差模型；
仿真模块，用于将指令序列输入动力学基础模型，获取对应的仿真预测序列并输入所述偏差模型得到对应的模型偏差序列，通过仿真预测序列和模型偏差序列获取该指令序列所对应的进给系统混合模型输出；
其中，训练模块中包括，
第一样本模块，用于获取至少一个指令序列及其对应的实际响应序列和仿真预测序列，构成至少一个训练样本；
第一神经网络模块，用于将一个训练样本中的指令序列及其对应的实际响应序列、仿真预测序列输入神经网络；
遍历模块，用于遍历所有训练样本，完成仿真预测序列的偏差模型训练。
8.根据权利要求7所述的一种基于动力学及深度神经网络的进给系统混合建模系统，其中，仿真模块中包括，
参考系模块，用于根据指令序列获取进给系统各个轴的单轴指令序列，获取该指令序列中的各个单轴指令序列对应的仿真预测序列；
输入模块，用于将单轴指令序列和及其对应的仿真预测序列输入对应偏差模型，获取该单轴指令序列的预测输出；
输出模块，用于遍历所有单轴指令序列，获取当前参考系下各个单轴指令序列的预测输出；
映射模块，用于将各个单轴指令序列的预测输出进行合并，获得指令序列所对应的进给系统仿真输出。
9.根据权利要求7或8所述的一种基于动力学及深度神经网络的进给系统混合建模系统，其中，采集模块中，进给系统的实际响应序列为通过光栅尺采集获得的数控机床工作台实际位置序列。
10.根据权利要求7或8所述的一种基于动力学及深度神经网络的进给系统混合建模系统，其中，所述进给系统采用正交坐标系进行动力学分析，所述训练模块和/或仿真模块中在正交坐标系下对每个坐标轴分别进行训练和/或仿真输出。
11.根据权利要求7或8所述的一种基于动力学及深度神经网络的进给系统混合建模系统，其中，模型模块中，所述动力学基础模型通过进给系统对应的参数传递函数进行表示。
12.根据权利要求7或8所述的一种基于动力学及深度神经网络的进给系统混合建模系统，其中，指令模块中，所述指令序列按照时间顺序排列，任意两个指令序列之间的时间间隔相等或者不相等。
13.一种存储设备，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根据数控机床进给系统组成部件的动力学分析，建立进给系统对应的动力学基础模型；
S2获取至少一个数控指令序列，将指令序列分别输入到数控机床进给系统及其对应的动力学基础模型；
S3采集进给系统的实际响应输出及其对应的动力学基础模型的仿真预测输出，获取该指令序列对应的实际响应序列和仿真预测序列；
S4利用同一指令序列及其对应的实际响应序列和仿真预测序列对神经网络进行训练，获得能够修正实际响应序列和仿真预测序列之间偏差的偏差模型；
S5将指令序列输入动力学基础模型，获取对应的仿真预测序列并输入所述偏差模型得到对应的模型偏差序列，通过仿真预测序列和模型偏差序列获取该指令序列所对应的进给系统混合模型输出；
其中，步骤S4中包括，
S41获取至少一个指令序列及其对应的实际响应序列和仿真预测序列，构成至少一个训练样本；
S42将一个训练样本中的指令序列及其对应的实际响应序列、仿真预测序列输入神经网络；
S43遍历所有训练样本，完成仿真预测序列的偏差模型训练。
14.一种终端，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根据数控机床进给系统组成部件的动力学分析，建立进给系统对应的动力学基础模型；
S2获取至少一个数控指令序列，将指令序列分别输入到数控机床进给系统及其对应的动力学基础模型；
S3采集进给系统的实际响应输出及其对应的动力学基础模型的仿真预测输出，获取该指令序列对应的实际响应序列和仿真预测序列；
S4利用同一指令序列及其对应的实际响应序列和仿真预测序列对神经网络进行训练，获得能够修正实际响应序列和仿真预测序列之间偏差的偏差模型；
S5将指令序列输入动力学基础模型，获取对应的仿真预测序列并输入所述偏差模型得到对应的模型偏差序列，通过仿真预测序列和模型偏差序列获取该指令序列所对应的进给系统混合模型输出；
其中，步骤S4中包括，
S41获取至少一个指令序列及其对应的实际响应序列和仿真预测序列，构成至少一个训练样本；
S42将一个训练样本中的指令序列及其对应的实际响应序列、仿真预测序列输入神经网络；
S43遍历所有训练样本，完成仿真预测序列的偏差模型训练。
CN201910288720.5A 2019-04-11 2019-04-11 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 Active CN110007645B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910288720.5A CN110007645B (zh) 2019-04-11 2019-04-11 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910288720.5A CN110007645B (zh) 2019-04-11 2019-04-11 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

Publications (2)

Publication Number Publication Date
CN110007645A CN110007645A (zh) 2019-07-12
CN110007645B true CN110007645B (zh) 2020-11-03

Family

ID=67171034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910288720.5A Active CN110007645B (zh) 2019-04-11 2019-04-11 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

Country Status (1)

Country Link
CN (1) CN110007645B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021046723A1 (zh) * 2019-09-10 2021-03-18 西门子股份公司 传感器模型的生成方法和系统、传感器测量方法和系统
CN110561438B (zh) * 2019-09-19 2021-02-05 华中科技大学 基于动力学参数辨识的工业机器人力/位柔顺控制方法
CN111639422B (zh) * 2020-05-19 2022-08-02 华中科技大学 基于动力学与神经网络的机床进给系统建模方法及设备
CN113657036B (zh) * 2021-08-17 2023-09-26 上海交通大学 基于神经网络和物理模型的车辆动力学模拟实现方法
CN114237157B (zh) * 2021-12-20 2022-12-16 华中科技大学 数据驱动的机床进给伺服系统机器学习建模方法及系统
CN116224930B (zh) * 2023-01-17 2023-08-22 扬州市职业大学(扬州开放大学) 一种数控磨床产品的加工控制方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7080055B2 (en) * 2000-10-03 2006-07-18 Board Of Regents, The University Of Texas System Backlash compensation with filtered prediction in discrete time nonlinear systems by dynamic inversion using neural networks
CN103472724B (zh) * 2013-09-16 2016-03-02 江苏大学 一种用于多自由度并联机构的实时控制动力学建模方法
CN105938329B (zh) * 2016-04-08 2019-02-22 北京稳力科技有限公司 一种用于数控机床动态特性仿真及其与数控系统集成的方法
CN107589723B (zh) * 2017-09-04 2019-09-24 四川大学 一种数控机床铣削加工稳定性的动-静态优化方法
CN108958163A (zh) * 2018-08-07 2018-12-07 安徽理工大学 一种基于dsp的数控机床x-y工作台定位误差实时补偿方法
CN109447235B (zh) * 2018-09-21 2021-02-02 华中科技大学 基于神经网络的进给系统模型训练和预测方法及其系统

Also Published As

Publication number Publication date
CN110007645A (zh) 2019-07-12

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
Chen et al. CPS modeling of CNC machine tool work processes using an instruction-domain based approach
CN110262394B (zh) 一种数控加工中轮廓误差的补偿方法
CN112668227A (zh) 一种薄壁件让刀变形误差预测模型建立方法及其应用
CN113703412B (zh) 基于数字孪生的数控机床虚拟调试系统及系统构建方法
CN112926152B (zh) 一种数字孪生驱动的薄壁件装夹力精准控制与优化方法
CN111007804A (zh) 一种切削加工机器人的动态误差补偿与控制方法
CN111723440A (zh) 一种薄壁件加工精度预测混合建模方法
CN102509152A (zh) 一种基于rbf神经网络的开关磁阻电机在线建模方法
US20230116059A1 (en) Digital twin
Stryczek A metaheuristic for fast machining error compensation
Liu et al. A dynamic linearization modeling of thermally induced error based on data-driven control for CNC machine tools
García Barbosa et al. Simulation and verification of parametric numerical control programs using a virtual machine tool
Hu et al. Implementation of Real‐Time Machining Process Control Based on Fuzzy Logic in a New STEP‐NC Compatible System
Parkinson et al. Automatic planning for machine tool calibration: A case study
Friedrich et al. Correction of Thermal Errors In Machine Tools by a Hybrid Model Approach
Naumann et al. Optimization of characteristic diagram based thermal error compensation via load case dependent model updates
Huang et al. Ai-driven digital process twin via networked digital process chain
Jiang et al. Nonlinear time-series modeling of feed drive system based on motion states classification
Gao Simulation of Mechanical NC Machining Based on CAD/CAM
Ihlenfeldt et al. On the selection and assessment of input variables for the characteristic diagram based correction of thermo-elastic deformations in machine tools
CN104503227B (zh) 一种平面轮廓轨迹抗扰动跟踪控制方法
Zhu et al. Full compensation method of thermal error of NC machine tool based on sequence depth learning
Geist et al. Concept of Integrating a Hybrid Thermal Error Compensation Into an Existing Machine Tool Control Architecture
KSICA et al. POSITION-DEPENDENT RESPONSE SIMULATION OF MACHINE TOOL USING STATE-SPACE MODELS.

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