CN113031518A - 基于迭代学习的数控机床快速误差补偿控制系统及方法 - Google Patents

基于迭代学习的数控机床快速误差补偿控制系统及方法 Download PDF

Info

Publication number
CN113031518A
CN113031518A CN202110296461.8A CN202110296461A CN113031518A CN 113031518 A CN113031518 A CN 113031518A CN 202110296461 A CN202110296461 A CN 202110296461A CN 113031518 A CN113031518 A CN 113031518A
Authority
CN
China
Prior art keywords
sampling
fast
error compensation
iterative learning
machine tool
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
Application number
CN202110296461.8A
Other languages
English (en)
Other versions
CN113031518B (zh
Inventor
刘焕牢
王宇林
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.)
Dragon Totem Technology Hefei Co ltd
Shenzhen Credible Intelligent Equipment Technology Co ltd
Original Assignee
Guangdong Ocean University
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 Guangdong Ocean University filed Critical Guangdong Ocean University
Priority to CN202110296461.8A priority Critical patent/CN113031518B/zh
Publication of CN113031518A publication Critical patent/CN113031518A/zh
Application granted granted Critical
Publication of CN113031518B publication Critical patent/CN113031518B/zh
Priority to PCT/CN2021/132311 priority patent/WO2022160894A1/zh
Priority to LU502053A priority patent/LU502053B1/en
Priority to US17/582,229 priority patent/US11360455B1/en
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
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35408—Calculate new position data from actual data to compensate for contour error

Landscapes

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

Abstract

本发明提出一种基于迭代学习的数控机床快速误差补偿控制系统及方法，解决了当前基于迭代学习控制进行误差补偿的方法大多停留于慢采样率，忽视实际频率特征的丰富性，导致误差补偿效果差的问题，利用轨迹生成模块生成快速期望轨迹命令，系统输出反馈至位置控制器之前构成位置环，电机与机械传动模块作为被控对象，输出反馈至速度控制器之前，构成速度环，在速度环实现快速误差补偿的迭代学习控制策略，系统构成基础上应用于数控机床重复加工过程，在多样率架构下取得高采样率位置误差信号，进行高采样率的快速误差补偿，避免传统的基于位置环迭代学习控制方案所求解的慢速误差补偿量仅是次优解的问题，提高数控机床控制精度。

Description

基于迭代学习的数控机床快速误差补偿控制系统及方法
技术领域
本发明涉及数控机床误差补偿控制的技术领域，更具体地，涉及一种基于迭代学习的数控机床快速误差补偿控制系统及方法。
背景技术
数控机床精密控制基于复杂的伺服控制系统，伴随着热力误差、几何误差、摩擦力模型和动力学模型的不确定性，简单PID(比例-积分-微分)控制技术和常规误差补偿技术无法实现数控平台的精密控制，作为高端精密制造重要的一环，在规模化量产阶段，数控机床一般在某个工序过程重复生产加工同一零部件，如果延续采用加工单件零件的控制策略，那么加工误差实际上也会重复出现。
典型的数控机床控制系统架构如图1所示，控制对象为电机+机械系统，rd为经过速度规划和插补的电机位置参考输入，y为系统实际输出，控制器为典型的三环控制结构，最内层为电流环，其次是速度环，最外层为位置环，其中，电流控制器和速度控制器一般采用PI控制方法，位置控制器采用P或者PD控制方法。为了强调不同控制回路的频宽，和制约于成本因素考虑，商用产品的速度控制器工作在高的采样率，位置控制器工作在低的采样率，例如：位置控制器采样率NHz，而速度控制器的采样率为4NHz。然而这种常见配置下，即使执行相同的加工路径，控制量并不会因知悉过往数据的前提下机型修正和改善。
迭代学习控制(iterative learning control,ILC)算法是一种非常有效的误差补偿方法，当前的加工过程根据过往的加工误差进行学习，使得批次操作过程中重复出现的误差信号得到修正，在工业机器人，注塑机，光刻机，数控机床等方面都有广泛的应用。2017年03月22日，中国专利(公开号：CN106527347A)中公开了一种数控机床自学习修正误差系统及方法，内层的位置环迭代学习控制器为控制器方面的学习控制，是实时控制，在施加重复性位置指令时，使输出跟随输入，以输出轨迹与期望轨迹的偏差修正不理想的控制信号，产生新的控制信号，使得系统的跟踪性能得以提升，具有记忆系统与经验修正功能，有效减小了输出轨迹与期望轨迹的误差；通过设计迭代学习控制器，干扰观测器以及变增益条件补偿策略，实现了对期望轨迹的跟踪及加工过程中干扰的抑制，即通过此专利提出的方法，实现数控系统在重复加工中积累误差经验、自主修正误差的自学习功能，但是此方案中引入迭代学习控制方法没有考虑工程实际中采样频率的快慢，而多数迭代学习控制方法仅是在位置环内实现慢速采样率(如NHz)下的位置误差信号做慢速采样率的误差补偿，而在仅获取慢采样点的情况下，采样点之间的振荡效应无法体现，导致部分频率特征丧失，且误差信号容易混叠，实际误差补偿效果不佳。
发明内容
为解决当前基于迭代学习控制进行误差补偿的方法大多停留于慢采样率，忽视了实际频率特征的丰富性，导致实际误差补偿效果差的问题，本发明提供一种基于迭代学习的数控机床快速误差补偿控制系统及方法，在多样率架构下取得高采样率位置误差信号，进行高采样率的快速误差补偿，提高数控机床控制精度。
为了达到上述技术效果，本发明的技术方案如下：
一种基于迭代学习的数控机床快速误差补偿控制系统，所述系统包括：轨迹生成模块、下采样模块、位置控制器、第一保持器、速度环迭代学习控制器、速度控制器、第二保持器、电机与机械传动模块；
所述轨迹生成模块生成快速期望轨迹命令，分别传输至下采样模块与速度环迭代学习控制器，快速期望轨迹命令的采样率包括快速采样命令和慢速采样命令，下采样模块通过降采样得到慢速采样命令，速度环迭代学习控制器接收快速采样命令，存储前一次数控机床加工路径的快速采样误差序列和快速误差修正量序列，得到快速误差补偿量；所述位置控制器接收下采样模块输出的慢速采样命令，输出速度控制量，速度控制量经过第一保持器与数控机床平台的实时速度进行叠加后输入至速度控制器，速度控制器输出电流量与快速误差补偿量叠加后传输至第二保持器，第二保持器驱动电机与机械传动模块，输出数控机床平台的实际位移。
在本技术方案中，系统输出反馈至位置控制器之前构成位置环，电机与机械传动模块作为被控对象，输出反馈至速度控制器之前，构成速度环，在多样率架构基础上，速度环实现快速误差补偿的迭代学习控制策略，快速误差补偿注入至速度环内，强化不同频率特征，实现架构是在原多样率系统下，并不会因误差采样率提高而增加系统成本，仅在原有架构上实现提高数控机床控制精度，保证迭代学习过程的快速收敛。
优选地，所述快速采样命令表示为rf，慢速采样命令表示为rs，慢速采样命令rs通过下采样模块由快速采样命令rf降采样获得，降采样过程
Figure BDA0002984534910000031
表示为：
Figure BDA0002984534910000032
其中，n表示任意正整数，表明快速采样命令rf的数据点数量是慢速采样命令rs数据点数量的整数倍，强化不同频率特征，即按照工程实际实践运行在不同的采样率，分别以慢、快的采样率来执行。
优选地，所述速度环迭代学习控制器包括存储器及迭代学习控制器，前一次数控机床加工路径的快速采样误差序列表示为ej-1，是快速采样命令rf与数控机床平台位移y比较的结果，快速误差修正量序列表示为uj-1，所述存储器存储前一次数控机床加工路径的快速采样误差序列ej-1和快速采样误差序列uj-1，快速采样误差序列ej-1和快速采样误差序列uj-1输入至迭代学习控制器后，迭代计算得到快速误差补偿量uj。
优选地，快速采样误差序列ej-1和快速采样误差序列uj-1输入至迭代学习控制器，迭代得到快速误差补偿量uj的过程是在离线状态下完成的。
优选地，所述位置控制器接收下采样模块输出的慢速采样命令，工作在慢采样命令对应的采样率下，输入为慢速采样命令rs与数控机床平台位移y，数控机床上设有编码器位移检测模块，工作人员通过实时读取编码器位移检测模块的电机转角，获得数控机床平台位移y。
优选地，所述系统还包括速度估测器，用于实时估测数控机床平台的实时速度。
本发明还提出一种基于迭代学习的数控机床快速误差补偿控制方法，所述方法通过所述的基于迭代学习的数控机床快速误差补偿控制系统实现，包括：
S1.利用轨迹生成模块生成快速期望轨迹命令，快速期望轨迹命令传输至下采样模块，通过降采样过程得到慢速采样命令，速度环迭代学习控制器接收快速采样命令；
S2.设定数控机床的加工任务量次数，初始化数控机床快速误差补偿控制系统的增益参数，将误差补偿量清零；
S3.数控机床进行第一次加工过程，第一次加工过程的快速采样误差序列和快速误差修正量序列存储于速度环迭代学习控制器；
S4.利用速度环迭代学习控制器迭代计算快速误差补偿量；
S5.下采样模块输出的慢速采样命令至位置控制器，位置控制器输出速度控制量，速度控制量经过第一保持器与数控机床平台的实时速度进行叠加后输入至速度控制器；
S6.速度控制器输出电流量与快速误差补偿量叠加后传输至第二保持器，第二保持器驱动电机与机械传动模块，输出数控机床平台的实际位移；
S7.判断数控机床的加工任务量次数是否达到步骤S1设定的加工任务量次数；若是，结束；否则，返回步骤S4。
方法技术方案基于系统方案实现，在系统构成基础上应用于数控机床重复加工过程，在多样率架构下取得高采样率位置误差信号，进行高采样率的快速误差补偿，避免传统的基于位置环迭代学习控制方案所求解的慢速误差补偿量仅是次优解的问题，提高数控机床控制精度。
优选地，步骤S4所述的快速误差补偿量表示为uj，快速误差补偿量的计算采用PD法，公式为：
Figure BDA0002984534910000041
其中，j表示迭代次数，Γp和Γd为迭代学习增益，Q为低通滤波过程。
优选地，所述低通滤波过程采用IIR类型低通滤波器，采用非因果方法：先对括号内项进行一次滤波，然后将结果进行翻转再进行一次滤波，接着将结果再翻转一次，即是整个低通滤波的结果，减少相位延迟的影响。
优选地，步骤S5所述的第一保持器的数学实现表达式为：
Figure BDA0002984534910000042
其中，HN表示第二保持器，为零阶保持器，
Figure BDA0002984534910000043
表示升采样过程，零阶保持器的表达式为：
Figure BDA0002984534910000044
升采样过程
Figure BDA0002984534910000045
表示为：
Figure BDA0002984534910000046
Figure BDA0002984534910000047
当
Figure BDA0002984534910000048
其中，z表示时移算子。
与现有技术相比，本发明技术方案的有益效果是：
本发明提出一种基于迭代学习的数控机床快速误差补偿控制系统及方法，基于工程上常用多样率架构，首先轨迹生成模块生产期望轨迹命令，系统输出反馈至位置控制器之前构成位置环，电机与机械传动模块作为被控对象，输出反馈至速度控制器之前，构成速度环，基于本发明方法快速误差补偿注入至速度环内，在系统构成基础上应用于数控机床重复加工过程，在多样率架构下取得高采样率位置误差信号，进行高采样率的快速误差补偿，与常规慢速误差补偿注入至位置环内的方法相比，避免传统的基于位置环迭代学习控制方案所求解的慢速误差补偿量仅是次优解的问题，提高数控机床控制精度。
附图说明
图1表示本发明背景技术提出的数控机床传统误差补偿控制系统的结构框图；
图2表示本发明实施例中提出的基于迭代学习的数控机床快速误差补偿控制系统的结构框图；
图3表示本发明实施例中提出的基于迭代学习的数控机床快速误差补偿控制方法的流程图；
图4表示本发明实施例中提出的轨迹生成模块生成的期望轨迹图；
图5表示本发明实施例中提出的在Matlab/Simulink环境下进行轨迹跟踪过程的常规慢速迭代学习控制(迭代10次)的误差补偿结果图；
图6表示本发明实施例中提出的在Matlab/Simulink环境下进行轨迹跟踪过程的常规快速迭代学习控制(迭代10次)的误差补偿结果图；
图7表示本发明实施例中提出的在实际XY平台进行轨迹跟踪时的一种数控机床实际硬件结构图；
图8表示本发明实施例中提出的在实际XY平台进行轨迹跟踪时快速迭代学习控制(快速ILC，迭代10次)和慢速迭代学习控制(慢速ILC，迭代10次)的误差收敛图；
图9表示本发明实施例中提出的在实际XY平台进行轨迹跟踪时慢速迭代学习控制(慢速ILC，迭代10次)采样频率为1000HZ的误差结果频谱图；
图10表示本发明实施例中提出的在实际XY平台进行轨迹跟踪时慢速迭代学习控制(慢速ILC，迭代10次)采样频率为4000HZ的误差结果频谱图；
图11表示本发明实施例中提出的在实际XY平台进行轨迹跟踪时快速迭代学习控制(慢速ILC，迭代10次)采样频率为1000HZ的误差结果频谱图；
图12表示本发明实施例中提出的在实际XY平台进行轨迹跟踪时快速迭代学习控制(慢速ILC，迭代10次)采样频率为4000HZ的误差结果频谱图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸；
对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的。
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图2所示的基于迭代学习的数控机床快速误差补偿控制系统的结构框图，参见图2，所述系统包括：轨迹生成模块、下采样模块、位置控制器、第一保持器、速度环迭代学习控制器、速度控制器、第二保持器、电机与机械传动模块，其中电机与机械传动模块为被控对象，在图2中，速度环迭代学习控制器标记为1；
所述轨迹生成模块生成快速期望轨迹命令，分别传输至下采样模块与速度环迭代学习控制器，快速期望轨迹命令的采样率包括快速采样命令和慢速采样命令，下采样模块通过降采样得到慢速采样命令，速度环迭代学习控制器接收快速采样命令，存储前一次数控机床加工路径的快速采样误差序列和快速误差修正量序列，得到快速误差补偿量；所述位置控制器接收下采样模块输出的慢速采样命令，输出速度控制量，速度控制量经过第一保持器与数控机床平台的实时速度进行叠加后输入至速度控制器，速度控制器输出电流量与快速误差补偿量叠加后传输至第二保持器，第二保持器驱动电机与机械传动模块，输出数控机床平台的实际位移。
参见图2，系统输出反馈至位置控制器之前构成位置环，电机与机械传动模块作为被控对象，输出反馈至速度控制器之前，构成速度环，在多样率架构基础上，速度环实现快速误差补偿的迭代学习控制策略，快速误差补偿注入至速度环内，数控机床的电机与机械传动模块作为被控对象，系统强化不同频率特征，实现架构是在原多样率系统下，并不会因误差采样率提高而增加系统成本，仅在原有架构上实现提高数控机床控制精度，保证迭代学习过程的快速收敛。
快速采样命令表示为rf，慢速采样命令表示为rs，慢速采样命令rs通过下采样模块由快速采样命令rf降采样获得，降采样过程
Figure BDA0002984534910000071
表示为：
Figure BDA0002984534910000072
其中，n表示任意正整数，表明快速采样命令rf的数据点数量是慢速采样命令rs数据点数量的整数倍，强化不同频率特征，即按照工程实际实践运行在不同的采样率，分别以慢、快的采样率来执行。
参见图2，所述速度环迭代学习控制器包括存储器及迭代学习控制器，在图2中表示为ILC，前一次数控机床加工路径的快速采样误差序列表示为ej-1，是快速采样命令rf与数控机床平台位移y比较的结果，快速误差修正量序列表示为uj-1，存储器存储前一次数控机床加工路径的快速采样误差序列ej-1和快速采样误差序列uj-1，快速采样误差序列ej-1和快速采样误差序列uj-1输入至迭代学习控制器后，迭代计算得到快速误差补偿量uj，此过程是在离线状态下完成的，位置控制器接收下采样模块输出的慢速采样命令，工作在慢采样命令对应的采样率下，输入为慢速采样命令rs与数控机床平台位移y，数控机床上设有编码器位移检测模块，工作人员通过实时读取编码器位移检测模块的电机转角，获得数控机床平台位移y。
在本实施例中，所述系统还包括速度估测器，用于实时估测数控机床平台的实时速度。
如图3所示，本发明还提出一种基于迭代学习的数控机床快速误差补偿控制方法，所述方法通过所述的基于迭代学习的数控机床快速误差补偿控制系统实现，包括：
S1.利用轨迹生成模块生成快速期望轨迹命令，快速期望轨迹命令传输至下采样模块，通过降采样过程得到慢速采样命令，速度环迭代学习控制器接收快速采样命令；
S2.设定数控机床的加工任务量次数，初始化数控机床快速误差补偿控制系统的增益参数，将误差补偿量清零；
S3.数控机床进行第一次加工过程，第一次加工过程的快速采样误差序列和快速误差修正量序列存储于速度环迭代学习控制器；
S4.利用速度环迭代学习控制器迭代计算快速误差补偿量；
S5.下采样模块输出的慢速采样命令至位置控制器，位置控制器输出速度控制量，速度控制量经过第一保持器与数控机床平台的实时速度进行叠加后输入至速度控制器；
S6.速度控制器输出电流量与快速误差补偿量叠加后传输至第二保持器，第二保持器驱动电机与机械传动模块，输出数控机床平台的实际位移；
S7.判断数控机床的加工任务量次数是否达到步骤S1设定的加工任务量次数；若是，结束；否则，返回步骤S4。
在本实施例中，方法技术方案基于系统方案实现，在系统构成基础上应用于数控机床重复加工过程，在多样率架构下取得高采样率位置误差信号，进行高采样率的快速误差补偿，避免传统的基于位置环迭代学习控制方案所求解的慢速误差补偿量仅是次优解的问题，提高数控机床控制精度。
在本实施例中，步骤S4所述的快速误差补偿量表示为uj，快速误差补偿量的计算采用PD法，公式为：
Figure BDA0002984534910000081
其中，j表示迭代次数，Γp和Γd为迭代学习增益，Q为低通滤波过程。低通滤波过程采用IIR类型低通滤波器，采用非因果方法：先对括号内项进行一次滤波，然后将结果进行翻转再进行一次滤波，接着将结果再翻转一次，即是整个低通滤波的结果，减少相位延迟的影响。
在本实施中，步骤S5所述的第一保持器的数学实现表达式为：
Figure BDA0002984534910000082
其中，HN表示第二保持器，为零阶保持器，
Figure BDA0002984534910000083
表示升采样过程，零阶保持器的表达式为：
Figure BDA0002984534910000084
升采样过程
Figure BDA0002984534910000085
表示为：
Figure BDA0002984534910000086
Figure BDA0002984534910000087
当
Figure BDA0002984534910000088
其中，z表示时移算子。
下面分别以Matlab/Simulink环境下进行轨迹跟踪过程和实际XY平台进行轨迹跟踪过程为例进一步说明本发明所提出系统及方法的有效性，图4为两种情况下轨迹生成模块生成的期望轨迹图，其中，横坐标表示时间，纵坐标表示离散位置，为阶跃期望轨迹，进行的是S型速度规划，系统以电机及机械传动模型作为被控对象，线性模型使用系统辨识方法进行构建，通过Matlab自带工具调节速度环控制器和位置环控制器参数，并分别设定位置控制器采样率为1000Hz，速度控制器采样率为4000Hz，分别实现慢速误差补偿和快速误差补偿的迭代学习控制策略，连续迭代10次，前者补偿注入点位于位置环内，后者补偿注入点位于速度环内，比较两种方法的性能优劣，图5表示慢速迭代学习控制(迭代10次)的误差补偿结果图；图6表示快速迭代学习控制(迭代10次)的误差补偿结果图，考虑干扰，测量误差的条件下，从第10次迭代结果可以看出，两种迭代学习控制器都能够提高数控平台轨迹跟踪精度，但快速误差补偿方法明显最终误差结果比慢速误差补偿方法结果要好得多，前者在模拟情景下能达到1e-2数量级，后者仅有1e-1数量级。
其次，在实际XY平台进行轨迹跟踪，图7表示此过程中的一种数控机床实际硬件结构图，位置控制器、速度控制器参数和上述Matlab/Simulink环境下仿真中设置一样，控制器在NICompactRIO实时硬件平台中实现，采集后的误差数据，和补偿量数据通过以太网传输至上位PC机器，经MATLAB按本发明的方法进行运算后得到下次迭代过程的误差补偿数据，经以太网传输NICompactRIO对XY平台实时控制，并且引入均方根误差(RMSE)性能指标对迭代结果进行评价，快速迭代学习控制和慢速迭代学习控制可以得到两种不同方法误差收敛过程图8所示，纵坐标表示均方根误差(RMSE)，横坐标表示迭代次数，对每次迭代结果的轨迹跟踪误差求RMSE，其中，“○”表示慢速ILC方法，“*”表示快速ILC方法，可以看出快速误差修正方法，具有更快的收敛速度，并且得到最优的控制精度。
图9、图10表示在实际XY平台进行轨迹跟踪时慢速迭代学习控制(慢速ILC，迭代10次)误差结果的频谱图，图11、图12表示在实际XY平台进行轨迹跟踪时快速迭代学习控制(快速ILC，迭代10次)误差结果的频谱图，其中9、图11表示采样频率为1000HZ，图10、图12表示采样频率为4000HZ，进一步分析两种方法最终收敛结果的误差频谱发现，因为在慢速ILC过程仅采样1000Hz误差结果进行学习，导致高频成分混叠至低频部分，使得误差所在低频成分失真，最终使慢速ILC不能对这部分误差信息进行学习补偿修正，而如图11、图12所示的快速ILC误差频谱结果却不会有此问题，因而从根本上解释了快速ILC方法的优越性，快速ILC方法比慢速ILC方法对学习收敛过程位置精度结果具有更好的效果。本发明所设计快速ILC方法，实现于多样率系统速度环中，解决了传统实现于位置环慢速ILC方法存在的收敛过程漫长且精度不高的问题，保证了数控机床的加工效率和加工精度，能够很好提高加工精密度。
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于迭代学习的数控机床快速误差补偿控制系统，其特征在于，所述系统包括：轨迹生成模块、下采样模块、位置控制器、第一保持器、速度环迭代学习控制器、速度控制器、第二保持器、电机与机械传动模块；
所述轨迹生成模块生成快速期望轨迹命令，分别传输至下采样模块与速度环迭代学习控制器，快速期望轨迹命令的采样率包括快速采样命令和慢速采样命令，下采样模块通过降采样得到慢速采样命令，速度环迭代学习控制器接收快速采样命令，存储前一次数控机床加工路径的快速采样误差序列和快速误差修正量序列，得到快速误差补偿量；所述位置控制器接收下采样模块输出的慢速采样命令，输出速度控制量，速度控制量经过第一保持器与数控机床平台的实时速度进行叠加后输入至速度控制器，速度控制器输出电流量与快速误差补偿量叠加后传输至第二保持器，第二保持器驱动电机与机械传动模块，输出数控机床平台的实际位移。
2.根据权利要求1所述的基于迭代学习的数控机床快速误差补偿控制系统，其特征在于，所述快速采样命令表示为rf，慢速采样命令表示为rs，慢速采样命令rs通过下采样模块由快速采样命令rf降采样获得，降采样过程
Figure FDA0002984534900000011
表示为：
Figure FDA0002984534900000012
其中，n表示任意正整数，表明快速采样命令rf的数据点数量是慢速采样命令rs数据点数量的整数倍。
3.根据权利要求2所述的基于迭代学习的数控机床快速误差补偿控制系统，其特征在于，所述速度环迭代学习控制器包括存储器及迭代学习控制器，前一次数控机床加工路径的快速采样误差序列表示为ej-1，是快速采样命令rf与数控机床平台位移y比较的结果，快速误差修正量序列表示为uj-1，所述存储器存储前一次数控机床加工路径的快速采样误差序列ej-1和快速采样误差序列uj-1，快速采样误差序列ej-1和快速采样误差序列uj-1输入至迭代学习控制器后，迭代计算得到快速误差补偿量uj。
4.根据权利要求3所述的基于迭代学习的数控机床快速误差补偿控制系统，其特征在于，快速采样误差序列ej-1和快速采样误差序列uj-1输入至迭代学习控制器，迭代得到快速误差补偿量uj的过程是在离线状态下完成的。
5.根据权利要求4所述的基于迭代学习的数控机床快速误差补偿控制系统，其特征在于，所述位置控制器接收下采样模块输出的慢速采样命令，工作在慢采样命令对应的采样率下，输入为慢速采样命令rs与数控机床平台位移y，数控机床上设有编码器位移检测模块，工作人员通过实时读取编码器位移检测模块的电机转角，获得数控机床平台位移y。
6.根据权利要求5所述的基于迭代学习的数控机床快速误差补偿控制系统，其特征在于，所述系统还包括速度估测器，用于实时估测数控机床平台的实时速度。
7.一种基于迭代学习的数控机床快速误差补偿控制方法，所述方法通过权利要求1所述的基于迭代学习的数控机床快速误差补偿控制系统实现，其特征在于，包括：
S1.利用轨迹生成模块生成快速期望轨迹命令，快速期望轨迹命令传输至下采样模块，通过降采样过程得到慢速采样命令，速度环迭代学习控制器接收快速采样命令；
S2.设定数控机床的加工任务量次数，初始化数控机床快速误差补偿控制系统的增益参数，将误差补偿量清零；
S3.数控机床进行第一次加工过程，第一次加工过程的快速采样误差序列和快速误差修正量序列存储于速度环迭代学习控制器；
S4.利用速度环迭代学习控制器迭代计算快速误差补偿量；
S5.下采样模块输出的慢速采样命令至位置控制器，位置控制器输出速度控制量，速度控制量经过第一保持器与数控机床平台的实时速度进行叠加后输入至速度控制器；
S6.速度控制器输出电流量与快速误差补偿量叠加后传输至第二保持器，第二保持器驱动电机与机械传动模块，输出数控机床平台的实际位移；
S7.判断数控机床的加工任务量次数是否达到步骤S1设定的加工任务量次数；若是，结束；否则，返回步骤S4。
8.根据权利要求7所述的基于迭代学习的数控机床快速误差补偿控制方法，其特征在于，步骤S4所述的快速误差补偿量表示为uj，快速误差补偿量的计算采用PD法，公式为：
Figure FDA0002984534900000021
其中，j表示迭代次数，Γp和Γd为迭代学习增益，Q为低通滤波过程。
9.根据权利要求8所述的基于迭代学习的数控机床快速误差补偿控制方法，其特征在于，所述低通滤波过程采用IIR类型低通滤波器，采用非因果方法：先对括号内项进行一次滤波，然后将结果进行翻转再进行一次滤波，接着将结果再翻转一次，即是整个低通滤波的结果。
10.根据权利要求9所述的基于迭代学习的数控机床快速误差补偿控制方法，其特征在于，步骤S5所述的第一保持器的数学实现表达式为：
Figure FDA0002984534900000031
其中，HN表示第二保持器，为零阶保持器，
Figure FDA0002984534900000032
表示升采样过程，零阶保持器的表达式为：
Figure FDA0002984534900000033
升采样过程
Figure FDA0002984534900000034
表示为：
Figure FDA0002984534900000035
Figure FDA0002984534900000036
其中，z表示时移算子。
CN202110296461.8A 2021-03-19 2021-03-19 基于迭代学习的数控机床快速误差补偿控制系统及方法 Active CN113031518B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110296461.8A CN113031518B (zh) 2021-03-19 2021-03-19 基于迭代学习的数控机床快速误差补偿控制系统及方法
PCT/CN2021/132311 WO2022160894A1 (zh) 2021-03-19 2021-11-23 基于迭代学习的数控机床快速误差补偿控制系统及方法
LU502053A LU502053B1 (en) 2021-03-19 2021-11-23 Error compensation system and method for numerical control (nc) machine tool based on iterative learning control
US17/582,229 US11360455B1 (en) 2021-03-19 2022-01-24 Error compensation system and method for numerical control (NC) machine tool based on iterative learning control

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110296461.8A CN113031518B (zh) 2021-03-19 2021-03-19 基于迭代学习的数控机床快速误差补偿控制系统及方法

Publications (2)

Publication Number Publication Date
CN113031518A true CN113031518A (zh) 2021-06-25
CN113031518B CN113031518B (zh) 2021-09-17

Family

ID=76471833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110296461.8A Active CN113031518B (zh) 2021-03-19 2021-03-19 基于迭代学习的数控机床快速误差补偿控制系统及方法

Country Status (3)

Country Link
CN (1) CN113031518B (zh)
LU (1) LU502053B1 (zh)
WO (1) WO2022160894A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113791578A (zh) * 2021-08-23 2021-12-14 五邑大学 基于数控加工系统的轨迹滤波方法、装置和电子设备
CN114102598A (zh) * 2021-11-28 2022-03-01 中国船舶重工集团公司第七一三研究所 一种机器人定点作业轨迹跟踪优化方法
CN114185274A (zh) * 2021-12-06 2022-03-15 东北大学 基于迭代学习的钢铁生产过程重复性误差补偿控制方法
WO2022160894A1 (zh) * 2021-03-19 2022-08-04 广东海洋大学 基于迭代学习的数控机床快速误差补偿控制系统及方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819966B (zh) * 2023-06-29 2024-02-02 无锡物联网创新中心有限公司 一种光刻机工件台的自抗扰运动控制方法及相关装置
CN117991802A (zh) * 2024-03-28 2024-05-07 武汉理工大学 考虑车辆预测误差补偿的轨迹跟踪控制方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060087632A1 (en) * 2004-10-27 2006-04-27 Asml Netherlands B.V. Self-adapting feedforward control tuning for motion system, and lithographic apparatus provided with such a motion system
CN101716730A (zh) * 2009-09-08 2010-06-02 南京工程学院 通过学习提高批量生产中数控机床进给运动精度的方法
US20100198371A1 (en) * 2009-02-03 2010-08-05 Canon Kabushiki Kaisha Control device
CN102323790A (zh) * 2011-07-15 2012-01-18 浙江工业大学 两轴数控系统的串级型迭代学习交叉耦合轮廓误差控制方法
CN102393677A (zh) * 2011-10-27 2012-03-28 浙江工业大学 三轴数控系统的串级型迭代学习交叉耦合轮廓误差控制方法
CN104834219A (zh) * 2015-05-08 2015-08-12 沈阳工业大学 一种基于经验模态分解的pmlsm驱动xy平台控制方法及系统
WO2016073010A1 (en) * 2014-11-04 2016-05-12 Advanced Mechanical Technology, Inc. System and method for joint testing
CN106527347A (zh) * 2016-10-28 2017-03-22 哈尔滨工业大学深圳研究生院 一种数控机床自学习修正误差系统及方法
CN107817761A (zh) * 2016-09-12 2018-03-20 上海铼钠克数控科技股份有限公司 基于误差迭代学习的零件加工方法及系统
CN110018669A (zh) * 2019-04-18 2019-07-16 西北工业大学 五轴数控机床解耦的轮廓误差控制方法
CN110703693A (zh) * 2019-10-15 2020-01-17 华中科技大学 一种机床进给系统的迭代学习前馈控制方法及系统
CN110908334A (zh) * 2018-09-18 2020-03-24 财团法人工业技术研究院 刀具磨耗监控方法
CN110989495A (zh) * 2019-12-24 2020-04-10 广东省智能制造研究所 基于自适应迭代学习的误差补偿方法及数控控制系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105773623B (zh) * 2016-04-29 2018-06-29 江南大学 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法
CN113031518B (zh) * 2021-03-19 2021-09-17 广东海洋大学 基于迭代学习的数控机床快速误差补偿控制系统及方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060087632A1 (en) * 2004-10-27 2006-04-27 Asml Netherlands B.V. Self-adapting feedforward control tuning for motion system, and lithographic apparatus provided with such a motion system
US20100198371A1 (en) * 2009-02-03 2010-08-05 Canon Kabushiki Kaisha Control device
CN101716730A (zh) * 2009-09-08 2010-06-02 南京工程学院 通过学习提高批量生产中数控机床进给运动精度的方法
CN102323790A (zh) * 2011-07-15 2012-01-18 浙江工业大学 两轴数控系统的串级型迭代学习交叉耦合轮廓误差控制方法
CN102393677A (zh) * 2011-10-27 2012-03-28 浙江工业大学 三轴数控系统的串级型迭代学习交叉耦合轮廓误差控制方法
WO2016073010A1 (en) * 2014-11-04 2016-05-12 Advanced Mechanical Technology, Inc. System and method for joint testing
CN104834219A (zh) * 2015-05-08 2015-08-12 沈阳工业大学 一种基于经验模态分解的pmlsm驱动xy平台控制方法及系统
CN107817761A (zh) * 2016-09-12 2018-03-20 上海铼钠克数控科技股份有限公司 基于误差迭代学习的零件加工方法及系统
CN106527347A (zh) * 2016-10-28 2017-03-22 哈尔滨工业大学深圳研究生院 一种数控机床自学习修正误差系统及方法
CN110908334A (zh) * 2018-09-18 2020-03-24 财团法人工业技术研究院 刀具磨耗监控方法
CN110018669A (zh) * 2019-04-18 2019-07-16 西北工业大学 五轴数控机床解耦的轮廓误差控制方法
CN110703693A (zh) * 2019-10-15 2020-01-17 华中科技大学 一种机床进给系统的迭代学习前馈控制方法及系统
CN110989495A (zh) * 2019-12-24 2020-04-10 广东省智能制造研究所 基于自适应迭代学习的误差补偿方法及数控控制系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘焕牢，等: "数控机床误差补偿研究新方向———几何误差动态特性", 《工具技术》 *
梁建智，等: "数控机床位置伺服系统的无模型自适应迭代学习控制", 《机床与液压》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022160894A1 (zh) * 2021-03-19 2022-08-04 广东海洋大学 基于迭代学习的数控机床快速误差补偿控制系统及方法
CN113791578A (zh) * 2021-08-23 2021-12-14 五邑大学 基于数控加工系统的轨迹滤波方法、装置和电子设备
CN114102598A (zh) * 2021-11-28 2022-03-01 中国船舶重工集团公司第七一三研究所 一种机器人定点作业轨迹跟踪优化方法
CN114102598B (zh) * 2021-11-28 2024-03-22 中国船舶重工集团公司第七一三研究所 一种机器人定点作业轨迹跟踪优化方法
CN114185274A (zh) * 2021-12-06 2022-03-15 东北大学 基于迭代学习的钢铁生产过程重复性误差补偿控制方法
CN114185274B (zh) * 2021-12-06 2023-07-04 东北大学 基于迭代学习的钢铁生产过程重复性误差补偿控制方法

Also Published As

Publication number Publication date
WO2022160894A1 (zh) 2022-08-04
LU502053B1 (en) 2022-09-20
CN113031518B (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN113031518B (zh) 基于迭代学习的数控机床快速误差补偿控制系统及方法
Zhou et al. Robust point‐to‐point iterative learning control for constrained systems: a minimum energy approach
Lam et al. Model predictive contouring control for biaxial systems
CN113031439B (zh) 一种双运动台精密协同控制系统及方法
CN107991867A (zh) 一种基于自抗扰控制器的网络化多轴运动控制系统的迭代学习轮廓误差控制方法
CN106325072B (zh) 一种直线伺服系统机械残余振动控制方法
CN108303877A (zh) 一种基于eso的网络化运动控制系统迭代学习高精度轮廓跟踪控制方法
CN110881107A (zh) 一种基于神经网络的增稳云台控制方法
Biagiotti et al. Improving the accuracy of industrial robots via iterative reference trajectory modification
CN109491251A (zh) 考虑数据扰动补偿的交流伺服系统模型辨识方法及设备
CN114055467B (zh) 基于五自由度机器人的空间位姿在线仿真系统
CN110744552B (zh) 一种基于奇异摄动理论的柔性机械臂运动控制方法
CN108490874B (zh) 一种双轴运动控制系统的非线性pid交叉耦合控制方法
US11360455B1 (en) Error compensation system and method for numerical control (NC) machine tool based on iterative learning control
Riaz et al. A future concern of iterative learning control: A survey
CN112379638B (zh) 一种基于有限脉冲响应滤波的样条曲线插补方法
CN113199481A (zh) 机器人运动控制方法、装置、电子设备及介质
Lee et al. Real-time compensation of two-dimensional contour error in CNC machine tools
Chen et al. Design of a trajectory contour controller for a dual‐axis precision motion stage based on improved iterative learning
CN116834009A (zh) 一种分布式虚实孪生的机器人位姿误差在线补偿系统
CN114800523B (zh) 机械臂轨迹修正方法、系统、计算机及可读存储介质
CN116088425A (zh) 一种数控加工的伺服控制方法、装置、设备和存储介质
CN113848809A (zh) 基于数值滤波的轨迹规划方法
Fan et al. Iterative learning control for linear motor motion system
Wang et al. Repetitive control scheme of robotic manipulators based on improved B-spline function

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230818

Address after: 518000, 1st Floor, No. 10-5 Minsheng 1st Road, Baoyuan Community, Shiyan Street, Bao'an District, Shenzhen City, Guangdong Province (Yusheng Industrial Park)

Patentee after: Shenzhen credible Intelligent Equipment Technology Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20230818

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 524088 No. 1 Haida Road, Mazhang District, Zhanjiang City, Guangdong Province

Patentee before: Guangdong Ocean University