CN111240268B - 基于slstm神经网络的轴系统热误差建模方法和热误差补偿系统 - Google Patents
基于slstm神经网络的轴系统热误差建模方法和热误差补偿系统 Download PDFInfo
- Publication number
- CN111240268B CN111240268B CN202010036594.7A CN202010036594A CN111240268B CN 111240268 B CN111240268 B CN 111240268B CN 202010036594 A CN202010036594 A CN 202010036594A CN 111240268 B CN111240268 B CN 111240268B
- Authority
- CN
- China
- Prior art keywords
- thermal
- thermal error
- slstm
- neural network
- shaft
- 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
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
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35015—Calculate production compensation, heat shrinkage, overetching
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了本发明首先提出了一种基于SLSTM神经网络的轴系统热误差建模方法,包括如下步骤:1)输入轴系统随时间变化的热误差数据;2)利用EMD算法将所述热误差数据分解为N个固有模态分量和一个残余分量,并分别将分量数据转换为三维输入矩阵;3)编码每个分量数据的初始时间窗口大小、批处理大小和单元数量,得到原始代蝙蝠种群;4)采用BA算法初始化原始代蝙蝠种群,得到具有不同时间窗口大小,不同批处理大小和不同单元数量的SLSTM神经网络;5)利用轴系统的热误差数据训练SLSTM神经网络以确定超参数,用最优超参数构造EMD‑BA‑SLSTM网络模型,然后重构预测组件,以获得预测结果的输出,即:本发明还公开了一种基于SLSTM神经网络的轴系统热误差补偿系统。
Description
技术领域
本发明属于机械误差分析技术领域,具体的为一种基于SLSTM神经网络的轴系统热误差建模方法和热误差补偿系统
背景技术
轴系统的热膨胀具有迟滞效应,且迟滞效应对于轴系统是明显的。迟滞效应对于热误差的鲁棒建模非常重要,它会导致热膨胀温度行为的时变、非线性和非稳态特性。迟滞效应意味着当前的热致误差不仅取决于当前的输入,且对历史热效应具有记忆特性,且受历史热效应的显著影响。因此,应在轴系统的热致误差建模中考虑历史热信息对当前热误差的影响。传统的热误差模型无法应用过去的热信息,从而导致不良的预测性能和较差的鲁棒性。
长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中,这个重复的结构模块只有一个非常简单的结构,例如一个tanh层。由于独特的设计结构,LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。
SLSTM的架构由n个LSTM层+1个全连接层组成,为降低模型维度,第n层LSTM输出一维向量。SLSTM向前计算跟ANN类似,并采用通过时间反向传播(Back Propagation ThroughTime,BPTT)算法,将SLSTM展开后使用误差反向传播(Back Propagation,BP)算法对网络进行训练。计算实际输出与真实值之间的误差,按最小误差的方法调整权值矩阵,求出权值梯度并进行迭代更新。
发明内容
有鉴于此,本发明的目的在于提供一种基于SLSTM神经网络的轴系统热误差建模方法和热误差补偿系统,利用SLSTM神经网络的记忆特性来利用轴系统的先前热信息,建立考虑轴系统热膨胀迟滞效应的热误差模型。
为达到上述目的,本发明提供如下技术方案:
本发明首先提出了一种基于SLSTM神经网络的轴系统热误差建模方法,包括如下步骤:
1)输入轴系统随时间变化的热误差数据;
2)利用EMD算法将所述热误差数据分解为N个固有模态分量和一个残余分量,并分别将分量数据转换为三维输入矩阵;
3)对每个分量数据的初始时间窗口大小、批处理大小和单元数量进行编码,得到原始代蝙蝠种群;
4)采用BA算法初始化原始代蝙蝠种群,得到具有不同时间窗口大小,不同批处理大小和不同数量单位的SLSTM神经网络;
5)利用轴系统的热误差数据训练SLSTM神经网络以确定超参数,用最优超参数构造EMD-BA-SLSTM网络模型,然后重构预测组件,以获得预测结果的输出,即:
其中,Pi为每个预测的固有模态分量,Pr为残余成分数据,P为最终的预测结果。
进一步,所述热误差数据包括热伸长、热偏摆角和热俯仰角。
进一步,轴系统随时间变化的热误差为:
E(x,t,T)=(Att3+Btt+Ct)·(axx3+bxx+cx)
其中,At,Bt,Ct表示与时间t相关的系数;ax,bx,cx表示与位置x相关的系数;T为轴在时刻t、位置x处的温度。
进一步,轴系统的热偏摆角为:
其中,ΔX2和ΔX4表示轴在偏航方向上的两个测量点的平移误差,ΔH1为轴在偏航方向上的两个测量点之间的间距;
轴系统的热俯仰角为:
其中,ΔY1和ΔY3表示轴在俯仰方向上的两个测量点在的平移误差,ΔH2为轴在俯仰方向上的两个测量点之间的间距。
进一步,所述步骤2)的方法为:
21)将热误差数据作为原始信号x(t),由原始信号x(t)的局部最大值和最小值确定上包络线Xmax(t)和下包络线Xmin(t);
22)对上包络线Xmax(t)和下包络线Xmin(t)求平均值:
23)将原始信号x(t)与平均包络m1(t)相减,得到残差信号d1(t):
d1(t)=x(t)-m1(t)
24)以残差信号d1(t)替代所述原始信号x(t),循环步骤21)至23),直到筛分门限值SD小于门限值后结束循环,得到最终合适的第一阶模态分量c1(t);
25)将原始信号x(t)与c1(t)求差,得到第一阶残差量r1(t):
r1(t)=x(t)-c1(t)
26)以第一阶残差量r1(t)替代原始信号x(t),循环步骤21)至25),重复n次后可获得第n阶阶模态分量cn(t)和最终复合标准的第n阶残差量rn(t),原始信号经EMD算法分解后的表达式为:
进一步,所述筛分门限值SD为:
其中,dk-1(t)和dk(t)分别为步骤24)循环k-1次和k次后得到的残差信号。
进一步,所述步骤4)的方法为:蝙蝠在寻找目标、对象或猎物时,在位置xi以速度vi随机飞行,其具有静态的频率fmin,变化的波长λ,响度A0;频率变化范围为fmin到fmax,声音的响度可以根据需要在A0和Amin之间变化,其数学表达式为:
fi=fmin+(fmax-fmin)β
其中,β为[0,1]内均匀分布的随机数;x*表示当前种群中的全局最优解;r为脉冲发射率,α和γ为常数且0<α<1,γ>0;
选择全局最优解后,当前种群中每一个局部解采用如下公式更新其位置:
进一步,所述步骤5)中,利用轴系统的热误差数据训练SLSTM神经网络的适应度函数为:
其中,n0表示热误差数据集的数量,yi和Qi分别表示热误差数据的预测输出和预期输出。
本发明还提出了一种基于SLSTM神经网络的轴系统热误差补偿系统,包括:
CNC加工中心,包括PLC控制器和温度传感器;
热采集系统,与所述CNC加工中心相连,用于采集热误差数据,并将热误差数据经滤波器、放大器和A/D转换器处理后得到轴系统的实际物理信息;
热误差补偿系统,与所述热采集系统连接,并采用如上所述基于SLSTM神经网络的轴系统热误差建模方法实时预测下一个时间段的热误差,生成不同方向的误差补偿分量;
所述PLC控制器与所述热误差补偿系统相连,从所述热误差补偿系统获热误差补偿分量,并将所述热误差补偿分量反向叠加于伺服控制器的输出指令,通过比较轴系统的实际位置和命令位置来补偿位置偏差,实现轴系统热误差的实时补偿。
本发明的有益效果在于:
本发明的基于SLSTM神经网络的轴系统热误差建模方法,热误差数据作为时间序列,具有不稳定,非线性和周期性不确定性的热误差数据受许多因素影响,首先利用EMD算法将所述热误差数据转换为平稳和线性数据,有助于热误差预测模型充分利用其隐藏的时序关系;BA算法(蝙蝠优化算法)具有良好的全局搜索能力,BA算法可以快速求解整个解决方案空间中的所有解决方案,并且很难陷入局部最优解的快速下降陷阱中,全局搜索能力强,收敛速度快;BA算法用于全局搜索每个SLSTM神经网络的时间窗口大小,批处理大小和单位数,直到满足预测精度为止;为了提高热误差模型的性能,本发明建立了轴系统热误差模型的预测模型,以充分利用蝙蝠优化算法神经网络模型在时间序列分析中的优势。
本发明的EMD-BA-SLSTM神经网络是通过将EMD,BA和SLSTM模型相结合而构建的,SLSTM神经网络能够通过更改其内部状态来记住历史信息,从而使信息可以在整个时间轴上平稳地反向传播,可使模型网络结构与热误差数据的特征相匹配,能充分利用SLSTM神经网络在时间序列分析中的优势,提高轴系统热误差的预测精度和鲁棒性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为单一热源作用下轴系统的温度响应和热膨胀的结构示意图;
图2为轴芯热特性的曲线图;
图3为热误差与温度之间的关系曲线图;
图4为端部自由的轴系统的结构示意图;
图5为采用本发明端部自由的轴系统热误差建模方法得到的热误差与实测值之间的拟合曲线示意图;
图6为采用本发明端部自由的轴系统热误差建模方法得到的不同工况下的热误差与实测值之间的拟合曲线示意图;
图7为轴在热偏摆方向上的角误差测量的原理图;
图8为轴在热俯仰方向上的角误差测量的原理图;
图9为本实施例基于SLSTM神经网络的轴系统热误差模型的神经网络结构示意图;
图10为轴系统的三个方向上的热误差的拟合曲线图;
图11为基于LSTM神经网络的轴系统热误差补偿系统的原理图;
图12为轴系统的误差补偿结果的曲线图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
在单一热负荷作用下,具有相同圆形横截面的轴的轴芯温度可表示为:
主轴轴芯热伸长表示为:
轴芯热膨胀的精确模型取决于轴对热负荷的温度响应。热膨胀系数λ是温度的函数,因此,轴芯温度场和热变形在时空范围内具有时变、非线性和非稳态特性,很难获得准确的轴温升高。为了模拟轴系统的实际加工过程,将工作条件#1,#2,#3和#4的热通量分别定义为以时间为函数的自变量,视为系统的输入:
其中,Hf1、Hf2、Hf3和Hf4分别为工作条件#1,#2,#3和#4的热通量。
如图1所示,将热通量从轴系统的一端输入,计算轴的热膨胀。
轴固定在其左端,并在右端受到支撑。即,主轴系统中使用了固定支撑装置。根据图2为轴建立了主轴系统的分析模型。热通量从轴的左端作为一个单一的热源输入。
表1列出了主轴系统误差产生机理模型的输入参数。在分析建模中忽略了对温度的依赖性,以简化建模过程。
如图2所示,获得了在工作条件#3下轴的热伸长和温度响应,轴芯热特性的形状和趋势与输入热通量的形状和趋势一致,但曲线的相位发生了变化。更重要的是,在热膨胀和温度升高之间存在明显的时间延迟,这意味着热膨胀不仅取决于当前温度,而且还受先前的热效应影响。热变形和温度之间的关系不是一个快速过程,存在一个滞后效应。
如图3所示,获得了在工作条件#1,#2,#3和#4下的热特性的迟滞效应。揭示了在不同的工作条件下热迟滞效应是显着的。此外,当前的热误差具有先前热状态的记忆特性,这意味着轴系统中的当前热误差不仅取决于当前的热效应,而且还受轴的先前热状态的影响很大,应在轴系统的热致误差建模中考虑历史热效应信息对当前热误差的影响。从以上讨论可以得出结论,轴系统的热误差取决于当前输入和先前的热信息。传统的热误差模型无法应用过去的热信息,从而导致不良的预测性能和较差的鲁棒性。
本实施例基于SLSTM神经网络的轴系统热误差建模方法,包括如下步骤:
1)输入轴系统随时间变化的热误差数据。本实施例的热误差数据包括热伸长、热偏摆角和热俯仰角。
具体的,本实施例的轴系统为端部自由的轴系统。端部自由的轴系统包括两大类。第一类为轴的一端被径向和轴向约束,即为固定端;另一端仅被径向约束,轴向方向有自由伸缩,即为自由端。第二类为轴的两端均仅被径向约束,轴的两端均可在轴向方向自由伸缩,即轴的两端均为自由端。如图4所示,本实施例的轴系统包括轴1,轴1的两端分别设有与其转动配合的轴承,第一轴承2与轴1之间轴向定位,即与轴1之间形成轴向约束,第二轴承3与轴1之间仅径向约束,轴1在第二轴承3所在的一端可自由伸缩。当然,在一些实施例中,轴1可以是丝杆,在丝杆上套装设有螺母3,也可以在丝杆与螺母4之间设置滚珠5,构成滚珠丝杆轴系统。滚珠丝杆轴系统可将丝杆的旋转运动转换为螺母4沿着丝杆轴向方向的直线运动,也可将螺母4沿丝杆轴向方向的直线运动转换为丝杆的旋转运动。
本实施例的轴系统热伸长建模方法如下:
确定轴系统所受到的热源,将每一个热源的热载荷温度Ti(x,t)分解为初始温度分量Ti(0)、与位置相关的温度分量Ti(x)和与时间相关的温度分量Ti(t),其中,i=1,2,3……,n。
具体的,设任意一个所述热载荷温度Ti(x,t)可表示为:
Ti(x,t)=Ti(0)·Ti(x)·Ti(t)。
采用热载荷温度响应叠加的方式,得到在t时刻轴上任意位置处的温度T(x,t)和由温度T(x,t)引起的轴瞬态热伸长ΔL(t,x,T)。
具体的,则在t时刻轴上任意位置处的温度T(x,t)为:
其中,T0为轴的初始温度。
由温度T(x,t)引起的轴瞬态热伸长ΔL(t,x,T)为:
其中,αT为依赖于温度的热伸长系数;ΔT为轴的温升;L为轴的长度。
利用泰勒级数分别对所述与位置相关的温度分量Ti(x)和与时间相关的温度分量Ti(t)进行泰勒展开,得到与位置相关的泰勒展开温度分量和与时间相关的泰勒展开温度分量。
具体的,与位置相关的泰勒展开温度分量为:
与时间相关的泰勒展开温度分量为:
将所述与位置相关的泰勒展开温度分量和与时间相关的泰勒展开温度分量代入到所述轴瞬态热伸长ΔL(t,x,T)模型中,并将轴瞬态热伸长ΔL(t,x,T)模型转换为以时间为自变量多项式函数及以位置为自变量多项式函数的乘积,得到轴系统的热伸长方程E(x,t,T)。
注意到在不同位置的热膨胀是随时间作为其独立变量的函数。如果忽略高阶项,则轴系统的热伸长方程E(x,t,T)为:
E(x,t,T)=ΔL(t,x,T)=(Att3+Btt+Ct)·(axx3+bxx+cx)
其中,At,Bt,Ct表示与时间相关的系数,ax,bx,cx表示与位置相关的系数。
本实施例将热伸长公式转换为以时间为自变量多项式函数及以位置为自变量多项式函数的乘积,根据轴系统的热伸长方程E(x,t,T)对X,Y和Z轴的热误差进行相关性拟合,这里使用了次数为3的多项式模型,R2的最大拟合优度为0.95,验证了本文模型的拟合性能。然后将拟合的定位误差与测得的数据进行比较,如图5所示。结果表明,在整个运动范围和整个热平衡过程中,拟合的定位误差与测得的数据非常吻合,从而证明了拟合的正确性。
为了验证本实施例轴系统热伸长建模方法的有效性,用建立的静态热误差模型来预测不同工况下的滚珠丝杆进给轴系统的热伸长,并将预测的热伸长与实测值进行比较,如图6所示。预测误差和测量数据之间的残差在[-0.6μm,0.6μm]范围内。预测误差与整个测量范围内的测量数据吻合良好,验证了热伸长建模方法的有效性和鲁棒性。
如图7所示,轴系统的热偏摆角γx为:
其中,ΔX2和ΔX4表示轴在偏航方向上的两个测量点的平移误差,ΔH1为轴在偏航方向上的两个测量点之间的间距;
如图8所示,轴系统的热俯仰角γy为:
其中,ΔY1和ΔY3表示轴在俯仰方向上的两个测量点在的平移误差,ΔH2为轴在俯仰方向上的两个测量点之间的间距。
2)利用EMD算法将所述热误差数据分解为N个固有模态分量和一个残余分量,并分别将分量数据转换为三维输入矩阵。
由于热引起误差的非线性变化,EMD方法用于将非平稳和非线性数据转换为平稳和线性数据,这极大地有助于热误差预测模型充分利用其隐藏的时序关系。具体的,其方法如下:
21)将热误差数据作为原始信号x(t),由原始信号x(t)的局部最大值和最小值确定上包络线Xmax(t)和下包络线Xmin(t);
22)对上包络线Xmax(t)和下包络线Xmin(t)求平均值:
23)将原始信号x(t)与平均包络m1(t)相减,得到残差信号d1(t):
d1(t)=x(t)-m1(t)
24)以残差信号d1(t)替代所述原始信号x(t),循环步骤21)至23),直到筛分门限值SD小于门限值后结束循环,得到最终合适的第一阶模态分量c1(t);
具体的,筛分门限值SD为:
其中,dk-1(t)和dk(t)分别为步骤24)循环k-1次和k次后得到的残差信号。
25)将原始信号x(t)与c1(t)求差,得到第一阶残差量r1(t):
r1(t)=x(t)-c1(t)
26)以第一阶残差量r1(t)替代原始信号x(t),循环步骤21)至25),重复n次后可获得第n阶阶模态分量cn(t)和最终复合标准的第n阶残差量rn(t),原始信号经EMD算法分解后的表达式为:
3)对每个分量数据的初始时间窗口大小、批处理大小和单元数量进行编码,得到原始代蝙蝠种群。
4)采用BA算法初始化原始代蝙蝠种群,得到具有不同时间窗口大小,不同批处理大小和不同数量单位的SLSTM神经网络。
蝙蝠是唯一一种带有翅膀的哺乳动物,它们利用回声定位来捕获猎物并避开障碍物。蝙蝠利用发射和接收回声的时间延迟,两耳之间的时间差以及回声响度的变化来构造周围的场景,从而确定捕食对象的方位,大小和类型。蝙蝠的回声定位行为可以通过数学模型描述,并与要优化的目标函数结合,从而形成蝙蝠优化算法。具体的,BA算法(蝙蝠优化算法)的方法为:
蝙蝠在寻找目标、对象或猎物时,在位置xi以速度vi随机飞行,其具有静态的频率fmin,变化的波长λ,响度A0;频率变化范围为fmin到fmax,声音的响度可以根据需要在A0和Amin之间变化,其数学表达式为:
fi=fmin+(fmax-fmin)β
其中,β为[0,1]内均匀分布的随机数;x*表示当前种群中的全局最优解;r为脉冲发射率,α和γ为常数且0<α<1,γ>0;
选择全局最优解后,当前种群中每一个局部解采用如下公式更新其位置:
5)利用轴系统的热误差数据训练SLSTM神经网络以确定超参数,具体的,本实施例利用轴系统的热误差数据训练LSTM神经网络的适应度函数为:
其中,n0表示热误差数据集的数量,yi和Qi分别表示热误差数据的预测输出和预期输出。
用最优超参数构造EMD-BA-SLSTM网络模型,然后重构预测组件,以获得预测结果的输出,即:
其中,Pi为每个预测的固有模态分量,Pr为残余成分数据,P为最终的预测结果。
堆栈式长短期记忆神经网络的超参数的合理设计非常重要。蝙蝠优化算法具有良好的全局搜索能力。这样,蝙蝠优化算法可以快速求解整个解决方案空间中的所有解决方案,并且很难陷入局部最优解的快速下降陷阱中。全局搜索能力强,收敛速度快。蝙蝠优化算法用于全局搜索每个SLSTM神经网络的时间窗口大小,批处理大小和单位数,直到满足预测精度为止。因此,应用蝙蝠优化算法的优势来优化SLSTM神经网络的超参数是可行的。
作为时间序列,具有不稳定、非线性和周期性不确定性的热误差数据会受到环境温度,材料特性,转速和冷却效果等因素的影响。为了提高热误差模型的性能,本文建立了轴系统热误差模型的预测模型,以充分利用蝙蝠优化算法神经网络模型在时间序列分析中的优势。SLSTM模型中的某些超参数控制着模型的网络结构和参数。EMD-BA-SLSTM神经网络的基本思想是优化SLSTM神经网络的时间窗口大小,批处理大小和单元数量,而EMD会将非线性和非平稳热数据转换为线性和稳态数据。自适应EMD-BA-LSTM是通过将EMD,BA和SLSTM模型相结合而构建的,以使模型网络结构与热误差数据的特征相匹配。EMD算法用于将短期热误差数据分解为N个IMF分量和一个残余分量。然后,使用BA-SLSTM网络对误差数据分量进行建模和预测。重构热致误差分量的预测结果以获得最终的预测热致误差。本实施例MD-BA-SLSTM神经网络的结构如图9所示。
通过RMSE,拟合能力η,绝对平均值,绝对最大值和绝对最小值等拟合优度参数来评估模型的拟合效果,如图10所示。EMD-BA-SLSTM模型的拟合精度高于其他两个模型。此外,EMD-BA-SLSTM模型的拟合能力η为95.64%。对于热偏摆和热俯仰,EMD-BA-SLSTM模型的绝对平均误差和最大误差分别约为0.74”和2.18”;对于热伸长,EMD-BA-SLSTM模型的绝对平均误差和最大误差分别为0.41μm和1.29μm。EMD-SLSTM模型与RNN的拟合能力η均低于EMD-BA-SLSTM模型,EMD-SLSTM模型与RNN模型的拟合能力η相当。由于RNN神经网络的非线性映射能力特别强,并且对受监督神经网络的训练非常精确,因此EMD-SLSTM和RNN模型的拟合性能也非常好。
如图11所示,本实施例还提出了一种基于SLSTM神经网络的轴系统热误差补偿系统,包括:
CNC加工中心,包括PLC控制器和温度传感器;
热采集系统,与所述CNC加工中心相连,用于采集热误差数据,并将热误差数据经滤波器、放大器和A/D转换器处理后得到轴系统的实际物理信息;
热误差补偿系统,与所述热采集系统连接,并采用如上所述基于SLSTM神经网络的轴系统热误差建模方法实时预测下一个时间段的热误差,生成不同方向的误差补偿分量;
所述PLC控制器与所述热误差补偿系统相连,从所述热误差补偿系统获热误差补偿分量,并将所述热误差补偿分量反向叠加于伺服控制器的输出指令,通过比较轴系统的实际位置和命令位置来补偿位置偏差,实现轴系统热误差的实时补偿。
热误差对加工工件的几何误差有不良影响。为了减少热引起的误差,人为地制作了补偿分量以抵消热误差的影响。补偿分量和热引起的误差在大小和方向上相等。由热误差引起的位置偏差矢量表示为
OO'=[ΔOx,ΔOy,ΔOz]
然后将补偿向量表示为:ΔHs=-OO'
轴从初始位置展开并倾斜到最终位置。然后获得不同方向的补偿值:
ΔOx=PO'sinθx=(D0x+D+ΔD)sinθx
ΔOy=(D0y+D)θy
ΔOz=ΔD-ΔOD=ΔD-(D0x+D+ΔD)(1-cosθx)
其中,ΔOx,ΔOy,ΔOz分别表示X,Y和Z方向的补偿值;D表示刀具的长度;ΔD表示轴向热伸长;,D0x表示偏转中心与主轴鼻之间的距离。
本实施例通过基于SLSTM神经网络的轴系统热误差补偿系统进行热致误差补偿实验,以验证使用EMD-BA-SLSMT神经网络模型,具有随机超参数的EMD-SLSMT神经网络模型和RNN模型进行热致误差建模和补偿方法的有效性。补偿系统由硬件和软件子系统组成。硬件子系统由热特性采集系统,PC,PLC和CNC系统组成。软件子系统由热采集系统和热误差补偿系统组成。热诱导误差由热采集系统进行采集。然后,对热感应的信号进行滤波,放大和A/D转换。在轴系统的运行过程中,借助EMD-BA-SLSTM神经网络,带有随机超参数的EMD-SLSTM神经网络和RNN对热误差补偿模型进行训练。将以上三个模型嵌入到PC中以计算热误差。然后计算不同方向的补偿分量并将其发送给PLC。最后,将补偿分量与零件加工程序叠加在一起,以实现实时和在线误差补偿。
如图12所示,比较了不同热误差模型的补偿效果。在工作条件#3下的热诱导误差非常明显。结果表明,通过三种热误差补偿模型可以显着降低热致误差。此外,EMD-BA-SLSTM模型的补偿效果是三种补偿模型中最好的,其次是EMD-SLSTM补偿模型;RNN模型的补偿效果是三种补偿模型中最差的。然后评估三种补偿模型的补偿性能。对于EMD-BA-SLSTM模型,带补偿的热伸长的绝对平均和最大残留分别约为0.40μm和1.24μm。在EMD-SLSTM模型中,热伸长的平均残差和最大残差分别约为1.55μm和5.26μm。对于RNN模型,平均和最大热偏摆角分别约为2.30”和9.57”。可以看出,EMD-BA-SLSTM模型的补偿性能远优于EMD-SLSTM模型和RNN模型。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (8)
1.一种基于SLSTM神经网络的轴系统热误差建模方法,其特征在于:包括如下步骤:
1)输入轴系统随时间变化的热误差数据;
2)利用EMD算法将所述热误差数据分解为N个固有模态分量和一个残余分量,并分别将分量数据转换为三维输入矩阵;
3)对每个分量数据的初始时间窗口大小、批处理大小和单元数量进行编码,得到原始代蝙蝠种群;
4)采用BA算法初始化原始代蝙蝠种群,得到具有不同时间窗口大小,不同批处理大小和不同数量单元的SLSTM神经网络;
5)利用轴系统的热误差数据训练SLSTM神经网络以确定超参数,用最优超参数构造EMD-BA-SLSTM网络模型,然后重构预测组件,以获得预测结果的输出,即:
其中,Pi为每个预测的固有模态分量,Pr为残余成分数据,P为最终的预测结果;
所述步骤2)的方法为:
21)将热误差数据作为原始信号x(t),由原始信号x(t)的局部最大值和最小值确定上包络线Xmax(t)和下包络线Xmin(t);
22)对上包络线Xmax(t)和下包络线Xmin(t)求平均值:
23)将原始信号x(t)与平均包络m1(t)相减,得到残差信号d1(t):
d1(t)=x(t)-m1(t)
24)以残差信号d1(t)替代所述原始信号x(t),循环步骤21)至23),直到筛分门限值SD小于门限值后结束循环,得到最终合适的第一阶模态分量c1(t);
25)将原始信号x(t)与c1(t)求差,得到第一阶残差量r1(t):
r1(t)=x(t)-c1(t)
26)以第一阶残差量r1(t)替代原始信号x(t),循环步骤21)至25),重复n次后可获得第n阶阶模态分量cn(t)和最终复合标准的第n阶残差量rn(t),原始信号经EMD算法分解后的表达式为:
2.根据权利要求1所述的基于SLSTM神经网络的轴系统热误差建模方法,其特征在于:所述热误差数据包括轴向热伸长、热偏摆和热俯仰角。
3.根据权利要求2所述的基于SLSTM神经网络的轴系统热误差建模方法,其特征在于:轴系统随时间变化的热误差为:
E(x,t,T)=(Att3+Btt+Ct)·(axx3+bxx+cx)
其中,At,Bt,Ct表示与时间t相关的系数;ax,bx,cx表示与位置x相关的系数;T为轴在时刻t、位置x处的温度。
6.根据权利要求1所述的基于SLSTM神经网络的轴系统热误差建模方法,其特征在于:所述步骤4)的方法为:蝙蝠在寻找目标、对象或猎物时,在位置xi以速度vi随机飞行,其具有静态的频率fmin,变化的波长λ,响度A0;频率变化范围为fmin到fmax,声音的响度可以根据需要在A0和Amin之间变化,其数学表达式为:
fi=fmin+(fmax-fmin)β
ri t+1=ri 0[1-e-γt]
其中,β为[0,1]内均匀分布的随机数;x*表示当前种群中的全局最优解;r为脉冲发射率,α和γ为常数且0<α<1,γ>0;
选择全局最优解后,当前种群中每一个局部解采用如下公式更新其位置:
8.一种基于SLSTM神经网络的轴系统热误差补偿系统,其特征在于:包括:
CNC加工中心,包括PLC控制器和温度传感器;
热采集系统,与所述CNC加工中心相连,用于采集热误差数据,并将热误差数据经滤波器、放大器和A/D转换器处理后得到轴系统的实际物理信息;
热误差补偿系统,与所述热采集系统连接,并采用如权利要求1-7任一项所述基于SLSTM神经网络的轴系统热误差建模方法实时预测下一个时间段的热误差,生成不同方向的误差补偿分量;
所述PLC控制器与所述热误差补偿系统相连,从所述热误差补偿系统获热误差补偿分量,并将所述热误差补偿分量反向叠加于伺服控制器的输出指令,通过比较轴系统的实际位置和命令位置来补偿位置偏差,实现轴系统热误差的实时补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036594.7A CN111240268B (zh) | 2020-01-14 | 2020-01-14 | 基于slstm神经网络的轴系统热误差建模方法和热误差补偿系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036594.7A CN111240268B (zh) | 2020-01-14 | 2020-01-14 | 基于slstm神经网络的轴系统热误差建模方法和热误差补偿系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111240268A CN111240268A (zh) | 2020-06-05 |
CN111240268B true CN111240268B (zh) | 2021-03-16 |
Family
ID=70865459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010036594.7A Active CN111240268B (zh) | 2020-01-14 | 2020-01-14 | 基于slstm神经网络的轴系统热误差建模方法和热误差补偿系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111240268B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112162860A (zh) * | 2020-09-25 | 2021-01-01 | 中国民航大学 | 基于if-emd-lstm的cpu负载趋势预测方法 |
CN112664185A (zh) * | 2020-12-23 | 2021-04-16 | 中国石油大学(华东) | 一种基于示功图的抽油机井工况预测方法 |
CN112699545A (zh) * | 2020-12-23 | 2021-04-23 | 重庆大学 | 基于改进的人工神经网络模型三维加工图建立方法、系统 |
CN113051831B (zh) * | 2021-04-01 | 2022-07-01 | 重庆大学 | 机床热误差自学习预测模型建模方法及热误差控制方法 |
CN113093545B (zh) * | 2021-04-01 | 2022-11-04 | 重庆大学 | 基于能量平衡的直线伺服系统热误差建模方法及补偿系统 |
CN113051832B (zh) * | 2021-04-01 | 2023-04-18 | 重庆大学 | 主轴系统热误差建模方法、误差预测系统、误差控制系统、误差控制方法及云雾计算系统 |
CN113627337B (zh) * | 2021-08-10 | 2023-12-05 | 吉林大学 | 一种基于堆栈式自动编码的力触觉信号处理方法 |
CN113536696B (zh) * | 2021-08-11 | 2023-04-07 | 重庆大学 | Sto-tcn热误差预测模型建模方法及其迁移学习方法 |
CN113688773B (zh) * | 2021-09-03 | 2023-09-26 | 重庆大学 | 一种基于深度学习的储罐穹顶位移数据修复方法及其装置 |
CN114019909B (zh) * | 2021-10-27 | 2024-10-08 | 华中科技大学 | 一种主轴热误差建模方法、预测方法和建模系统 |
CN114237154B (zh) * | 2021-11-26 | 2023-06-30 | 重庆大学 | 基于ont-gcn时空模型的热误差预测模型及建模方法和霾-边-雾-云误差补偿系统 |
CN114896771B (zh) * | 2022-04-27 | 2024-07-09 | 重庆大学 | 一种考虑热迟滞的数控机床主轴热误差分段建模方法 |
CN116460321B (zh) * | 2023-04-12 | 2024-02-09 | 阿帕斯数控机床制造(上海)有限公司 | 数控机床主轴伸长量的补偿方法、装置以及数控机床 |
CN116562008B (zh) * | 2023-05-04 | 2024-07-30 | 广东工业大学 | 一种基于emd-lstm的锂电池温度场时空建模方法 |
CN116594353B (zh) * | 2023-07-13 | 2023-11-07 | 湖北工业大学 | 基于cwp-bpnn的机床定位误差补偿建模方法与系统 |
CN117686064B (zh) * | 2024-01-31 | 2024-04-05 | 西安华和实业有限公司 | 一种水文地质勘探水位观测方法 |
CN117784849B (zh) * | 2024-02-27 | 2024-05-07 | 泰安德图自动化仪器有限公司 | 一种基于人工智能的制冷恒温槽自动控制系统 |
CN117943893B (zh) * | 2024-03-22 | 2024-05-31 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴转动刀具热伸长测量方法及测量装置 |
CN118536407B (zh) * | 2024-07-24 | 2024-10-01 | 哈尔滨工业大学(威海) | 一种基于符号动态分析的海面风速预测算法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537444A (zh) * | 2015-01-13 | 2015-04-22 | 安徽理工大学 | 一种基于emd和elm的瓦斯突出预测方法 |
CN104597842A (zh) * | 2015-02-02 | 2015-05-06 | 武汉理工大学 | 经遗传算法优化的bp神经网络重型机床热误差建模方法 |
CN105204435A (zh) * | 2014-05-29 | 2015-12-30 | 山东理工大学 | 基于多元投影寻踪聚类的机床热误差建模方法 |
CN107391888A (zh) * | 2017-09-01 | 2017-11-24 | 电子科技大学 | 基于fs+wp__svm的数控机床主轴热误差建模方法 |
CN108803486A (zh) * | 2018-08-16 | 2018-11-13 | 重庆理工大学 | 基于并联深度学习网络的数控机床热误差预测与补偿方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736558A (zh) * | 2011-04-07 | 2012-10-17 | 姚晓栋 | 基于时间序列算法的数控机床热误差实时补偿建模方法 |
CN105094053A (zh) * | 2014-05-22 | 2015-11-25 | 山东理工大学 | 一种基于蚁群神经网络的机床热误差建模方法 |
KR20170054091A (ko) * | 2015-11-09 | 2017-05-17 | 현대위아 주식회사 | 공작기계의 스핀들 열변위 측정방법 및 측정시스템 |
JP6464203B2 (ja) * | 2017-01-10 | 2019-02-06 | ファナック株式会社 | 工作機械の機械学習装置および熱変位補正装置 |
JP6464220B2 (ja) * | 2017-03-21 | 2019-02-06 | ファナック株式会社 | 機械学習装置及び熱変位補正装置 |
JP6538772B2 (ja) * | 2017-07-26 | 2019-07-03 | ファナック株式会社 | 数値制御装置 |
CN108363870B (zh) * | 2018-02-11 | 2021-05-25 | 宁波大学 | 一种基于深度学习的数控机床主轴热误差建模方法 |
DE102018206488A1 (de) * | 2018-04-26 | 2019-10-31 | Deckel Maho Pfronten Gmbh | Verfahren zum ausgleich einer temperaturbedingten längenänderung eines werkzeugs bzw. einer werkzeugeinheit an einer werkzeugmaschine |
CN109240204B (zh) * | 2018-09-30 | 2021-05-11 | 山东大学 | 一种基于两步法的数控机床热误差建模方法 |
CN109146209A (zh) * | 2018-11-02 | 2019-01-04 | 清华大学 | 基于遗传算法小波神经网络的机床主轴热误差预测方法 |
CN109739181B (zh) * | 2019-01-22 | 2021-03-16 | 宁波大学 | 一种基于检测神经网络的机床主轴热误差建模检测方法 |
CN109709895B (zh) * | 2019-01-22 | 2021-03-16 | 宁波大学 | 一种基于图像阈值设置的机床主轴热误差建模训练方法 |
CN110039373B (zh) * | 2019-04-04 | 2020-06-09 | 华中科技大学 | 一种数控机床主轴热变形预测方法及系统 |
CN110083125B (zh) * | 2019-05-19 | 2021-05-07 | 重庆理工大学 | 一种基于深度学习的机床热误差建模方法 |
-
2020
- 2020-01-14 CN CN202010036594.7A patent/CN111240268B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105204435A (zh) * | 2014-05-29 | 2015-12-30 | 山东理工大学 | 基于多元投影寻踪聚类的机床热误差建模方法 |
CN104537444A (zh) * | 2015-01-13 | 2015-04-22 | 安徽理工大学 | 一种基于emd和elm的瓦斯突出预测方法 |
CN104597842A (zh) * | 2015-02-02 | 2015-05-06 | 武汉理工大学 | 经遗传算法优化的bp神经网络重型机床热误差建模方法 |
CN107391888A (zh) * | 2017-09-01 | 2017-11-24 | 电子科技大学 | 基于fs+wp__svm的数控机床主轴热误差建模方法 |
CN108803486A (zh) * | 2018-08-16 | 2018-11-13 | 重庆理工大学 | 基于并联深度学习网络的数控机床热误差预测与补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111240268A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111240268B (zh) | 基于slstm神经网络的轴系统热误差建模方法和热误差补偿系统 | |
CN113051831B (zh) | 机床热误差自学习预测模型建模方法及热误差控制方法 | |
Zhang et al. | Machine tool thermal error modeling and prediction by grey neural network | |
CN111259498A (zh) | 基于lstm神经网络的轴系统热误差建模方法和热误差补偿系统 | |
Liu et al. | Thermal error modeling based on BiLSTM deep learning for CNC machine tool | |
CN113051832B (zh) | 主轴系统热误差建模方法、误差预测系统、误差控制系统、误差控制方法及云雾计算系统 | |
CN110728088B (zh) | 工件三维热膨胀变形的跟踪仪转站参数优化方法及装置 | |
CN113534679B (zh) | 系统监测模型生成方法、处理器芯片以及工业系统 | |
JP6216294B2 (ja) | 重回帰分析装置および重回帰分析方法 | |
Drgoňa et al. | Deep learning explicit differentiable predictive control laws for buildings | |
CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
Gharghory | Deep network based on long short-term memory for time series prediction of microclimate data inside the greenhouse | |
CN115841004A (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
CN113495486A (zh) | 一种结构热试验基于扩展状态观测器的模型预测控制方法 | |
Al-Hajj et al. | A predictive evaluation of global solar radiation using recurrent neural models and weather data | |
CN113093545B (zh) | 基于能量平衡的直线伺服系统热误差建模方法及补偿系统 | |
CN112307684B (zh) | 一种多重分辨率weno格式结合ilw边界处理的定点快速扫描方法 | |
JP2021049841A (ja) | 制御装置、学習装置、制御方法、学習方法、及びプログラム | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
Han et al. | Boundary control and exponential stability of a flexible Timoshenko beam manipulator with measurement delays | |
CN110046412B (zh) | 一种基于优化bp神经网络的圆光栅测角误差修正方法 | |
CN113370208A (zh) | 一种可重构机械臂子系统的控制方法及系统 | |
CN109061544B (zh) | 一种电能计量误差估计方法 | |
Li et al. | Modeling and applying of RBF neural network based on fuzzy clustering and pseudo-inverse method | |
CN114186477A (zh) | 一种基于Elman神经网络的轨道预测算法 |
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 |