CN110244658A - 一种基于改进bp神经网络提高裁床插补位置精度的方法 - Google Patents

Abstract

本发明公开了一种基于改进BP神经网络提高裁床插补位置精度的方法，将当前节点的节点参数输入到训练好的BP神经网络插补模型，获取BP神经网络插补模型输出的节点参数预测值，将BP神经网络插补模型输出的节点参数预测值代入B样条曲线，获取预测插补点，计算预测插补点与实际插补点的偏差与对应的反馈校正输出，将反馈校正输出与原始加工轨迹曲线进行比较，利用牛顿搜索路径法，优化预测下一次插补的节点参数，将预测的节点参数代入拟合得到的B样条曲线求出实际插补点，进行插补动作。本发明的方法具有良好的非线性逼近能力，插补精度高，收敛速度快。

Description

一种基于改进BP神经网络提高裁床插补位置精度的方法

技术领域

本发明涉及工业自动化数控技术领域，尤其设计一种基于改进BP神经网络提高裁床插补位置精度的方法，针对插补精度不高的问题，加入动量因子，利用反馈校正改进BP神经网络提高裁床插补位置精度。

背景技术

近几年来，随着我国“工业4.0”的提出，传统工业开始向智能化工业转变，工业生产的控制对象与控制流程也因此越来越变得复杂，同时，企业对产品加工的自动化效率与精确度的要求越来越高，导致原有的控制方法难以满足要求。

插补计算就是对数控系统输入基本数据(如直线的起点、终点坐标，圆弧的起点、终点、圆心坐标等)，运用一定的算法计算，根据计算结果向相应的坐标发出进给指令。对应着每一进给指令，机床在相应的坐标方向上移动一定的距离，从而加工出工件所需的轮廓形状。数控系统的加工中，刀具的轨迹必须严格准确地按零件轮廓曲线运动，插补运算的任务就是在已知加工轨迹曲线的起点和终点间进行“数据点的密化”。具体是在每个插补周期(极短时间，一般为毫秒级)内根据指令、进给速度计算出一个微小直线段的数据，刀具沿着微小直线段运动，经过若干个插补周期后，刀具从起点运动到终点，完成这段轮廓的加工。

在一些典型的数控裁床的运动控制中，比如，在服装布料的切割中，刀具不能够严格按照所设计的加工路线进行曲线切割，只能够用折线轨迹去逼近所要加工的曲线。这种方法带来的结果就是容易造成进给速度的不连续和波动，切出来的布料边缘会出现毛刺。现在所采用的加工方式一般都是基于迭代方法进行的，这就使得插补的计算过程复杂，精度低，速度慢，无法满足现在加工的要求。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于改进BP神经网络自适应学习提高裁床插补位置精度的方法，具有良好的非线性逼近能力、插补精度高以及收敛速度快等优点，可以对未知曲线数学模型进行插补运算，并且可以非常方便地应用在嵌入式设备上。

为了实现上述目的，本发明技术方案如下：

一种基于改进BP神经网络提高裁床插补位置精度的方法，包括：

步骤1、获取待加工产品的原始加工轨迹曲线以及根据原始加工轨迹曲线拟合得到的B样条曲线节点矢量，从所述节点矢量中选取初始加工位置对应的节点作为当前节点；

步骤2、将当前节点的节点参数代入B样条曲线，求出实际插补点，进行插补动作；

步骤3、判断是否插补完成，如果完成则结束插补，否则返回步骤2；

其中，所述基于改进BP神经网络提高裁床插补位置精度的方法，在步骤S2之后，还包括：

将当前节点的节点参数输入到训练好的BP神经网络插补模型，获取BP神经网络插补模型输出的节点参数预测值；

将BP神经网络插补模型输出的节点参数预测值代入B样条曲线，获取预测插补点，计算预测插补点与实际插补点的偏差以及对应的反馈校正输出；

根据反馈校正输出与原始加工轨迹曲线，结合牛顿搜索路径法，预测出下一次插补的节点参数，将预测出的节点参数作为当前节点的节点参数返回步骤2。

进一步地，所述计算预测插补点与实际插补点的偏差与对应的反馈校正输出，包括：

计算预测插补点与实际插补点的偏差e(u_j)：

e(u_j)＝p(u_j)-p(u_j′)

进一步计算对应的反馈校正输出p^*(u_j)：

p*(u_j)＝p(u_j′)+he(u_j)；

其中，u_j为当前节点的节点参数，u_j′为BP神经网络插补模型输出的节点参数预测值，p(u_j)为实际插补点，p(u_j′)为预测插补点，h为修正因子。

进一步地，所述根据反馈校正输出与原始加工轨迹曲线，结合牛顿搜索路径法，预测出下一次插补的节点参数，包括：

采用如下公式预测出下一次插补的节点参数u_j+1：

其中，f(u_j)＝p^*(u_j)-y_org(u_j)，f′(u_j)为f(u_j)在u_j处的导数，y_org(u_j)为原始加工轨迹曲线对应u_j的数据点。

进一步地，所述训练好的BP神经网络插补模型，其训练过程包括：

步骤F1、获取解析样本产品的原始加工轨迹曲线后拟合得到的B样条曲线节点矢量；

步骤F2、将获取的节点矢量中的节点参数依次输入到预先建立的BP神经网络插补模型进行迭代，对于当前输入的节点参数，获取BP神经网络插补模型的输出；

步骤F3、将BP神经网络插补模型的当前输出带入B样条曲线计算出预测插补点，与实际插补点进行比较，如果他们的差小于预设的精度阈值，则进入步骤F4，否则进入步骤F5；

步骤F4、判断是否达到迭代终止条件，如果达到则结束，否则返回步骤F2继续进行迭代；

步骤F5、计算损失函数，利用梯度下降法完成BP神经网络插补模型参数的更新；

步骤F6、加入动量因子对BP神经网络插补模型参数进行修正，返回F2继续进行迭代。

本发明提出的一种基于改进BP神经网络自适应学习提高裁床插补位置精度的方法，可以对未知曲线数学模型进行插补运算，并且可以非常方便地应用在嵌入式设备上。本发明的方法具有良好的非线性逼近能力、插补精度高以及收敛速度快等优点。可以在较为廉价的嵌入式设备上快速的实现出来，尤其在路径规划方面，较传统插补方法，能够让整个运动系统的工作效率与路径规划的精度大幅提高。

附图说明

图1为本发明实施例数控系统结构示意图；

图2为本发明基于改进BP神经网络提高裁床插补位置精度的方法流程图；

图3为本发明实施例BP神经网络插补模型训练过程示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请提供的一种基于改进BP神经网络提高裁床插补位置精度的方法，可以应用于如图1所示的应用数控系统中。如图1所示，整个数控系统主要包括上位机与下位机，上位机一般采用PC机，下位机一般是数控机床，下位机一般包括主控单元、伺服电机、开关电源等，上位机与主控单元采用网线进行连接，上位机主要负责将待加工产品的曲线轨迹发送到下位机的主控单元，主控单元通过CAN总线与伺服电机建立通信，通信的协议采用的是CANopen，实时控制伺服电机并读取伺服电机的状态信息。

在一个实施例中，如图2所示，提供了一种基于改进BP神经网络提高裁床插补位置精度的方法，包括：

步骤S1、获取待加工产品的原始加工轨迹曲线以及根据原始轨迹曲线拟合得到的B样条曲线节点矢量，从所述节点矢量中选取初始加工位置对应的节点作为当前节点。

在本技术领域，待加工产品的原始加工轨迹曲线通常采用工程绘图文件(例如plt文件)来描述，上位机对待加工产品的工程绘图文件进行数据点解析，根据解析的数据点拟合出B样条曲线的控制点以及节点矢量。关于plt文件的解析，以及如何根据解析的数据点拟合出B样条曲线的控制点和节点矢量，已经是比较成熟的技术，这里不再赘述。

通常，拟合出的k+1阶(k次)B样条曲线表达式如下：

式中有n+1个控制点p_i(i＝0,1,…n)，u为节点矢量U＝[u₀,u₁,u₂,...u_m]中的一个节点参数，N_i,k(u)为第i个k次B样条基函数，m＝n+k+1。以下以u_j表示节点矢量U中的一个节点对应的节点参数，j属于m。上述k+1阶(k次)B样条曲线的表达式是本领域的成熟技术，这里不再赘述。

容易理解的是，在数控加工中，首先要将裁床刀具移动到初始加工位置，一般来说，初始加工位置对应了节点矢量中的第一个节点，将其作为当前节点。

步骤S2、将当前节点的节点参数代入B样条曲线，求出实际插补点，进行插补动作。

在本实施例中，对于节点参数u_j，将其代入到B样条曲线方程中，就可以将插补点p(u_j)的值得出。同理，对于节点参数u_j+1，将其代入到B样条曲线方程中，就可以将插补点p(u_j+1)的值得出。

假设p(u_j)是上一次插补点，在将当前节点参数u_j+1代入到B样条曲线方程中得到当前插补点p(u_j+1)后，再通过这两个插补点p(u_j+1)与p(u_j)作差,可以得到进给的插补步长△l＝|p(u_j+1)-p(u_j)|，利用三角形数学关系计算出裁床刀具在X,Y轴的各自需要进给步长的分量△l·cosθ与△l·sinθ，传送给主控单元，最终通过同步控制伺服电机动作，完成插补动作。

需要说明的是，如果当前节点是初始加工位置，则将当前节点对应的插补点与裁床的零点作差，从而将裁床刀具移动在初始加工位置，这里不再赘述。

步骤S3、判断是否插补完成，如果完成则结束插补，否则返回步骤S2。

节点矢量U＝[u₀,u₁,u₂,...u_m]中有m个节点，在每次插补完成后，判断是否插补结束，即是不是m个节点都插补完成，如果都插补完成，则已经运行到最后节点，整个裁切过程结束。

本申请采用BP神经网络插补模型来预测下一次插补的节点参数，即在步骤2将当前节点的节点参数代入B样条曲线，求的实际插补点，进行插补动作的同时，还采用BP神经网络插补模型来预测下一次插补的节点参数，具体过程如下：

将当前节点的节点参数输入到训练好的BP神经网络插补模型，获取BP神经网络插补模型输出的节点参数预测值；

将BP神经网络插补模型输出的节点参数预测值代入B样条曲线，获取预测插补点，计算预测插补点与实际插补点的偏差以及对应的反馈校正输出；

根据反馈校正输出与原始加工轨迹曲线，结合牛顿搜索路径法，预测出下一次插补的节点参数，将预测出的节点参数作为当前节点的节点参数返回步骤2。

具体地，对于当前节点的节点参数u_j，输入到训练好的BP神经网络插补模型中，BP神经网络插补模型输出节点参数预测值u_j′，将BP神经网络插补模型输出的节点参数预测值u_j′代入B样条曲线，获取预测插补点p(u_j′)。

计算预测插补点与实际插补点的偏差e(u_j)：

e(u_j)＝p(u_j)-p(u_j′)

进一步计算对应的反馈校正输出p^*(u_j)：

p*(u_j)＝p(u_j′)+he(u_j)；

其中，h为修正因子。

本实施例将反馈校正输出p*(u_j)与原始加工轨迹曲线y_org(u_j)进行比较，利用牛顿迭代法，预测出下一次插补的节点参数u_j+1。

牛顿迭代法(Newton's method)是本领域比较成熟的技术，牛顿迭代公式可以化简为：

在本实施例中，x_j对应于节点参数u_j，x_j+1对应于预测的下一次插补的节点参数u_j+1，f(x_j)对应于p^*(u_j)-y_org(u_j)，f′(x_j)对应于p^*(u_j)-y_org(u_j)在u_j处的导数。

采用公式表达如下：

其中，f(u_j)＝p^*(u_j)-y_org(u_j)，f′(u_j)为f(u_j)在u_j处的导数。y_org(u_j)为原始加工轨迹曲线对应u_j的数据点。

从而可以预测出下一次插补的节点参数u_j+1，将预测出的节点参数u_j+1作为当前节点的节点参数返回步骤2，求出下一次插补点，进行插补动作。并再次将节点参数u_j+1输入到训练好的BP神经网络插补模型，并最后预测出下一次的节点参数u_j+2，以此类推，这里不再赘述。

本实施例训练好的BP神经网络插补模型，是进行插补预测的关键，以下描述BP神经网络插补模型的训练过程。如图3所示，包括：

步骤F1、获取解析样本产品的原始加工轨迹曲线后拟合得到的B样条曲线节点矢量。

对于神经网络的训练，采用已知的样本数据来进行训练，同样的，本实施例通过样本产品的原始加工轨迹曲线后拟合得到的B样条曲线节点矢量，作为样本数据。

步骤F2、将获取的节点矢量中的节点参数依次输入到预先建立的BP神经网络插补模型进行迭代，对于当前输入的节点参数，获取BP神经网络插补模型的输出。

本实施例获取的节点矢量中的节点参数依次输入到预先建立的BP神经网络插补模型进行迭代，对于当前输入的节点参数u_j，获取BP神经网络插补模型的输出u_j'。

其中，预先建立的BP神经网络插补模型为三层BP神经网络模型，三层BP神经网络模型是本领域常用的神经网络，这里不再赘述。

步骤F3、将BP神经网络插补模型的当前输出带入B样条曲线计算出预测插补点，与实际插补点进行比较，如果他们的差小于预设的精度阈值，则进入步骤F4，否则进入步骤F5。

本实施例将BP神经网络插补模型的当前输出u_j'带入B样条曲线计算出预测插补点p(u_j′)，与实际插补点p(u_j)进行比较，如果他们的差小于预设的精度阈值，则进入步骤F4，否则进入步骤F5。其中实际插补点就是将u_j代入B样条曲线，求的实际插补点。

步骤F4、判断是否达到迭代终止条件，如果达到则结束，否则返回步骤F2继续进行迭代。

通常神经网络训练会设置迭代终止条件，可以是运行的样本数量，也可以是看预测插补点p(u_j′)与实际插补点p(u_j)的差值，当达到迭代次数或差值满足精度要求后，结束训练。

步骤F5、计算损失函数，利用梯度下降法完成BP神经网络插补模型参数的更新。

本实施例损失函数E_j如下：

其中：p(u_j′)对应实例中的实际输出B样条曲线插补值，p(u_j)为理想插补值。

利用梯度下降法完成BP神经网络插补模型参数的更新，BP神经网络插补模型一般表示为：

u_j′＝g(∑W_ju_j+b_j)

其中W_j为权值，b_j为阈值，都是BP神经网络插补模型参数，g为激活函数。

本实施例每次对单个数据权值W_j与阈值b_j进行更新训练：

其中:η为反向传播学习率，取值范围为(0,1)，j＝0,1,...m。

步骤F6、加入动量因子对BP神经网络插补模型参数进行修正，返回F2继续进行迭代。

引入动量因子的BP权值优化过程可以用数学表达式表示为：

其中：第一项是BP算法的第一项，η为反向传播学习率，第二项为动量项，α为动量项系数，α根据工程经验通常取0.95左右。

根据裁床的刀具在切割服装轮廓的实际位置过程中，需要不断比较进行刀具与服装轮廓之间的相对位置，并根据比较的结果决定了下一步需要插补的方向，裁刀的插补方向始终指向偏差的方向，利用改进BP神经网络与反馈校正实现预测插补，相对于传统的插补方法，精度会进一步的提高。

本发明与现有技术中插补算法相比，对插补位置不精确，在小路径段过渡困难进行了算法优化。提出基于神经网络加入动量因子神经网络自适应学习修正插补方法，通过反馈校正，滚动优化输入参数，使插补路线与实际加工曲线尽可能逼近。在同等硬件情况下，保证算法的可实施性，可将算法在主控单元(如STM32F407单片机)上运行实现，很好的控制了伺服电机进行准确的完成插补切割任务。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种基于改进BP神经网络提高裁床插补位置精度的方法，其特征在于，所述基于改进BP神经网络提高裁床插补位置精度的方法，包括：

步骤1、获取待加工产品的原始加工轨迹曲线以及根据原始加工轨迹曲线拟合得到的B样条曲线节点矢量，从所述节点矢量中选取初始加工位置对应的节点作为当前节点；

步骤2、将当前节点的节点参数代入B样条曲线，求出实际插补点，进行插补动作；

步骤3、判断是否插补完成，如果完成则结束插补，否则返回步骤2；

其中，所述基于改进BP神经网络提高裁床插补位置精度的方法，在步骤S2之后，还包括：

将当前节点的节点参数输入到训练好的BP神经网络插补模型，获取BP神经网络插补模型输出的节点参数预测值；

将BP神经网络插补模型输出的节点参数预测值代入B样条曲线，获取预测插补点，计算预测插补点与实际插补点的偏差以及对应的反馈校正输出；

根据反馈校正输出与原始加工轨迹曲线，结合牛顿搜索路径法，预测出下一次插补的节点参数，将预测出的节点参数作为当前节点的节点参数返回步骤2。

2.根据权利要求1所述的基于改进BP神经网络提高裁床插补位置精度的方法，其特征在于，所述计算预测插补点与实际插补点的偏差与对应的反馈校正输出，包括：

计算预测插补点与实际插补点的偏差e(u_j)：

e(u_j)＝p(u_j)-p(u_j′)

进一步计算对应的反馈校正输出p*(u_j)：

p*(u_j)＝p(u_j′)+he(u_j)；

其中，u_j为当前节点的节点参数，u_j′为BP神经网络插补模型输出的节点参数预测值，p(u_j)为实际插补点，p(u_j′)为预测插补点，h为修正因子。

3.根据权利要求2所述的基于改进BP神经网络提高裁床插补位置精度的方法，其特征在于，所述根据反馈校正输出与原始加工轨迹曲线，结合牛顿搜索路径法，预测出下一次插补的节点参数，包括：

采用如下公式预测出下一次插补的节点参数u_j+1：

其中，f(u_j)＝p^*(u_j)-y_org(u_j)，f′(u_j)为f(u_j)在u_j处的导数，y_org(u_j)为原始加工轨迹曲线对应u_j的数据点。

4.根据权利要求1所述的基于改进BP神经网络提高裁床插补位置精度的方法，其特征在于，所述训练好的BP神经网络插补模型，其训练过程包括：

步骤F1、获取解析样本产品的原始加工轨迹曲线后拟合得到的B样条曲线节点矢量；

步骤F2、将获取的节点矢量中的节点参数依次输入到预先建立的BP神经网络插补模型进行迭代，对于当前输入的节点参数，获取BP神经网络插补模型的输出；

步骤F3、将BP神经网络插补模型的当前输出带入B样条曲线计算出预测插补点，与实际插补点进行比较，如果他们的差小于预设的精度阈值，则进入步骤F4，否则进入步骤F5；

步骤F4、判断是否达到迭代终止条件，如果达到则结束，否则返回步骤F2继续进行迭代；

步骤F5、计算损失函数，利用梯度下降法完成BP神经网络插补模型参数的更新；

步骤F6、加入动量因子对BP神经网络插补模型参数进行修正，返回F2继续进行迭代。