CN114237157A - 数据驱动的机床进给伺服系统机器学习建模方法及系统 - Google Patents

数据驱动的机床进给伺服系统机器学习建模方法及系统 Download PDF

Info

Publication number
CN114237157A
CN114237157A CN202111562218.2A CN202111562218A CN114237157A CN 114237157 A CN114237157 A CN 114237157A CN 202111562218 A CN202111562218 A CN 202111562218A CN 114237157 A CN114237157 A CN 114237157A
Authority
CN
China
Prior art keywords
network
trained
electric signal
prediction network
feeding system
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
CN202111562218.2A
Other languages
English (en)
Other versions
CN114237157B (zh
Inventor
杨吉祥
管寅昕
丁汉
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 CN202111562218.2A priority Critical patent/CN114237157B/zh
Publication of CN114237157A publication Critical patent/CN114237157A/zh
Application granted granted Critical
Publication of CN114237157B publication Critical patent/CN114237157B/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
    • G05B19/408—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 data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4086—Coordinate conversions; Other special calculations
    • 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
    • G05B2219/35356—Data handling

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)
  • Feedback Control In General (AREA)

Abstract

本发明属于机床进给系统建模技术领域，公开了一种数据驱动的机床进给伺服系统机器学习建模方法及系统，设计训练集轨迹，采集运行结果；根据速度v构建非线性摩擦特征ftfric；选择神经网络的类型和结构，确定网络层数和每层神经单元数；构建电信号预测网络和进给系统输出预测网络，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；利用模型输出的目标轨迹预测结果对目标轨迹进行预补偿，得到预补偿后的轨迹命令。本发明利用中间量和构建的非线性摩擦特征提高了数据驱动的进给系统的建模精度和预测精度。

Description

数据驱动的机床进给伺服系统机器学习建模方法及系统
技术领域
本发明属于机床进给系统建模技术领域，尤其涉及一种数据驱动的机床进给伺服系统机器学习建模方法及系统。
背景技术
目前，数控机床的加工精度与进给传动系统的动态性能密切相关。进给系统是机床的核心部件，其动态性能直接决定零件的加工精度。为了提高进给系统的动态性能，对进给系统的精确建模和响应预测是进行控制策略优化、参数设置和轮廓误差补偿的基础。高精度的进给系统动力学模型是消除跟踪误差的关键因素之一。因此，有必要通过系统辨识得到高精度的进给驱动动力学模型。现有的对于进给系统的建模的方法主要有两种，分别是理论驱动的传递函数建模和数据驱动的机器学习建模。传递函数模型有着可解释性强、稳定性好的优点，但是其有着需要进行理论精确建模，系统参数的辨识复杂且要求高，而且为了提高精度需要考虑额外的误差因素。而机器学习模型不需要进行参数辨识，但也存在着对中间量利用差，对先验知识利用少，需要对复杂系统整体建模等问题。也有一些研究结合两种方法使用了复合模型，但大多专注于取得更高精度，不能避免复杂的参数辨识过程，也无法避免参数辨识误差影响最终精度。因此，一种能够避免复杂的参数辨识过程，且能够充分利用中间量和先验知识提高精度的机器学习建模方法是很有意义的。通过对现有文献的检索，发现对于机床进给伺服系统建模的方法，现无相关专利。因此，亟需设计一种新的数据驱动的机床进给伺服系统机器学习建模方法及系统。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有的对于进给系统的建模方法中，传递函数模型需要进行理论精确建模，系统参数的辨识复杂且要求高，且需要考虑额外的误差因素。
(2)现有的对于进给系统的建模方法中，机器学习模型存在着对中间量利用差，对先验知识利用少，需要对复杂系统整体建模等问题。
(3)现有复合模型大多专注于取得更高精度，不能避免复杂的参数辨识过程，也无法避免参数辨识误差影响最终精度。
(4)通过对现有文献的检索发现，对于机床进给伺服系统建模的方法，现无相关专利。
解决以上问题及缺陷的难度为：
理论驱动的建模方法需要复杂且精确的参数辨识，这是理论驱动的建模方法无法避免的。而数据驱动的建模方法首先目前大多采用端到端的模型，对于进给系统的中间状态无法进行分析，而且中间量大多是运行中产生的，无法在运行前获取，因此难以作为模型的输入；其次，运用先验知识需要研究误差源和干扰影响进给系统运行的机理，目前关于将误差源的作用机理结合进数据驱动的建模中的研究很少。而现有的复合模型大多是通过数据驱动的模型来预测理论驱动模型建模因为参数辨识误差、建模考虑不够全面等原因导致的残差，以提高最终的精度，没有尝试在维持高精度的情况下，去避免复杂的参数辨识过程，以降低建模的难度和复杂度。
解决以上问题及缺陷的意义为：
如果能够在避免复杂的参数辨识过程的同时，充分利用中间量和先验知识，则能够相对简单和容易地获得进给系统的更高精度的模型。利用中间量可以有效地将进给系统进行分解，降低整体建模的复杂度和难度，同时可以让模型对进给系统内的中间过程进行分析，改善了端到端模型的弊端。利用先验知识可以构建一些特征以反映误差源和干扰对进给系统影响的机理，让数据驱动的模型能够获取相关信息，从而更好地分析进给系统。通过充分利用中间量和先验知识解决以上问题及缺陷，可以在避免复杂的参数辨识过程的同时，有效提高建模的精度，保证建模方法的高易行性和高精度。
发明内容
针对现有机床进给伺服系统建模方法中存在的问题，本发明提供了一种数据驱动的机床进给伺服系统机器学习建模方法及系统，涉及一种利用中间量和先验知识的数据驱动的机床进给伺服系统机器学习建模方法及系统，尤其涉及一种在数据驱动的机床进给系统建模中考虑中间量和人工构建的干扰特征的时序神经网络建模方法及系统。
本发明是这样实现的，一种数据驱动的机床进给伺服系统机器学习建模方法，所述数据驱动的机床进给伺服系统机器学习建模方法包括以下步骤：
步骤一，按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果；
步骤二，结合经典Stribeck摩擦理论，根据速度v构建非线性摩擦特征ftfric；
步骤三，根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数；
步骤四，构建电信号预测网络和进给系统输出预测网络，选取合适的输入特征和输出目标值，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；
步骤五，将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；
步骤六，利用模型输出的目标轨迹预测结果，对目标轨迹进行预补偿，得到预补偿后的轨迹命令。
进一步，所述步骤一中的按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果包括：
根据所涉及的训练集轨迹，计算速度v、加速度a和急动度j，并采集运行得到的控制电信号I和跟踪误差te。
进一步，所述步骤二中的非线性摩擦特征ftfric的构建方法包括：
结合经典Stribeck摩擦理论：
Figure BDA0003420875940000041
其中，Tstat(N·m)为静摩擦力矩，Tcoul(N·m)为库伦摩擦力矩，Tvisc[(N·m)/(rad/s)]为粘滞阻尼系数，速度常数Ω1和Ω2用于确定不同速度对应的摩擦区域。
将相对难以建模的静摩擦力的影响，根据速度v构建成为非线性摩擦特征：
Figure BDA0003420875940000042
其中，Vm为速度常数，用于确定静摩擦影响的边界。
进一步，所述步骤三中的根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数包括：
考虑到机床进给系统输入输出的强时间相关性为明显的时序数据，机器学习模型选择具有长序列处理能力的时序神经网络LSTM网络。
进一步，所述步骤四中的构建电信号预测网络包括：
以速度v、加速度a、急动度j和构建的非线性摩擦特征ftfric为输入，控制电信号I为输出，训练神经网络，得到训练好的电信号预测网络NetI；
构建跟踪误差预测网络，以速度v、加速度a、急动度j和控制电信号I为输入，跟踪误差te为输出，训练神经网络，得到训练好的跟踪误差预测网络Nette。
进一步，所述步骤五中的将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果包括：
将目标轨迹的速度v、加速度a、急动度j以及利用速度构建的非线性摩擦特征ftfric输入训练好的电信号预测网络NetI，得到预测的电信号Ipred；
将目标轨迹的速度v、加速度a、急动度j以及得到的预测电信号Ipred输入训练好的跟踪误差预测网络Nette，得到预测的跟踪误差tepred。
本发明的另一目的在于提供一种应用所述的数据驱动的机床进给伺服系统机器学习建模方法的数据驱动的机床进给伺服系统机器学习建模系统，所述数据驱动的机床进给伺服系统机器学习建模系统包括：
训练集轨迹设计模块，用于按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果；
非线性摩擦特征构建模块，用于结合经典Stribeck摩擦理论，根据速度v构建非线性摩擦特征ftfric；
神经网络选择模块，用于根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数；
预测网络构建及训练模块，用于构建电信号预测网络和进给系统输出预测网络，选取合适的输入特征和输出目标值，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；
目标轨迹预测模块，用于将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；
目标轨迹补偿模块，用于利用模型输出的目标轨迹预测结果，对目标轨迹进行预补偿，得到预补偿后的轨迹命令。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果；结合经典Stribeck摩擦理论，根据速度v构建非线性摩擦特征ftfric；根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数；
构建电信号预测网络和进给系统输出预测网络，选取合适的输入特征和输出目标值，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；利用模型输出的目标轨迹预测结果，对目标轨迹进行预补偿，得到预补偿后的轨迹命令。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果；结合经典Stribeck摩擦理论，根据速度v构建非线性摩擦特征ftfric；根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数；
构建电信号预测网络和进给系统输出预测网络，选取合适的输入特征和输出目标值，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；利用模型输出的目标轨迹预测结果，对目标轨迹进行预补偿，得到预补偿后的轨迹命令。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的数据驱动的机床进给伺服系统机器学习建模系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的数据驱动的机床进给伺服系统机器学习建模方法，在避免复杂的参数辨识过程的同时，充分利用中间量和先验知识提高建模的精度。通过本发明，在避免参数辨识的情况下，利用中间量和构建的非线性摩擦特征提高了数据驱动的进给系统的建模精度。
本发明通过对控制电信号进行预测，利用控制电信号作为中间量，使得所提出的模型能够更多的利用进给系统运动过程中的信息，一定程度上拆分了复杂的进给系统，也一定程度上反映了干扰量的影响，提高了对跟踪误差的预测精度。
本发明基于摩擦理论，通过根据速度构建非线性摩擦特征，提高了对控制电信号的预测精度，进一步提高了最终对跟踪误差的预测精度，将先验知识利用在了数据驱动的模型构建中，而且利用了神经网络强大的学习能力避免了传统方法复杂的参数辨识过程。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的数据驱动的机床进给伺服系统机器学习建模的方法流程图。
图2是本发明实施例提供的数据驱动的机床进给伺服系统机器学习建模的方法原理图。
图3是本发明实施例提供的数据驱动的机床进给伺服系统机器学习建模的系统结构框图；
图中：1、训练集轨迹设计模块；2、非线性摩擦特征构建模块；3、神经网络选择模块；4、预测网络构建及训练模块；5、目标轨迹预测模块；6、目标轨迹进补偿模块。
图4是本发明实施例提供的建模过程中的模型结构和数据流程示意图。
图5是本发明实施例提供的所用到的设备图。
图6是本发明实施例提供的所采用的训练轨迹图。
图7是本发明实施例提供的构建的LSTM网络结构示意图。
图8是本发明实施例提供的构建的进给伺服系统模型对跟踪误差的预测结果和预测偏差示意图。
图9是本发明实施例提供的构建的进给伺服系统模型与单纯的LSTM模型在X轴和Y轴的预测偏差曲线对比图。
图10是本发明实施例提供的构建的进给伺服系统模型使用预测的电信号、真实电信号和不使用电信号的方法构建的模型的最大预测偏差对比图。
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。
针对现有技术存在的问题，本发明提供了一种数据驱动的机床进给伺服系统机器学习建模方法及系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的数据驱动的机床进给伺服系统机器学习建模方法包括以下步骤：
S101，按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果；
S102，结合经典Stribeck摩擦理论，根据速度v构建非线性摩擦特征ftfric；
S103，根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数；
S104，构建电信号预测网络和进给系统输出预测网络，选取合适的输入特征和输出目标值，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；
S105，将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；
S106，利用模型输出的目标轨迹预测结果，对目标轨迹进行预补偿，得到预补偿后的轨迹命令。
本发明实施例提供的数据驱动的机床进给伺服系统机器学习建模的方法原理图如图2所示。
如图3所示，本发明实施例提供的数据驱动的机床进给伺服系统机器学习建模系统包括：
训练集轨迹设计模块1，用于按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果；
非线性摩擦特征构建模块2，用于结合经典Stribeck摩擦理论，根据速度v构建非线性摩擦特征ftfric；
神经网络选择模块3，用于根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数；
预测网络构建及训练模块4，用于构建电信号预测网络和进给系统输出预测网络，选取合适的输入特征和输出目标值，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；
目标轨迹预测模块5，用于将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；
目标轨迹进补偿模块6，用于利用模型输出的目标轨迹预测结果，对目标轨迹进行预补偿，得到预补偿后的轨迹命令。
下面结合具体实施例对本发明的技术方案作进一步描述。
实施例1
针对现有机床进给伺服系统建模方法的不足，本发明提出了一种利用中间量和先验知识的数据驱动的进给伺服系统机器学习建模方法，旨在避免复杂的参数辨识过程的同时，充分利用中间量和先验知识提高建模的精度。
为实现上述目的，按照本发明的一个方面，提供了一种利用中间量和先验知识的数据驱动的进给伺服系统机器学习建模方法，该方法包括下列步骤：
(a)按照包含尽可能多的速度、加速度等信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果；
(b)结合经典Stribeck摩擦理论，根据速度v构建非线性摩擦特征ftfric；
(c)根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数；
(d)构建电信号预测网络和进给系统输出预测网络，选取合适的输入特征和输出目标值，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；
(e)将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；
(f)利用模型输出的目标轨迹预测结果，对目标轨迹进行预补偿，得到预补偿后的轨迹命令。
优选地，在步骤(a)，根据所涉及的训练集轨迹，计算其速度v、加速度a、急动度j，采集运行得到的控制电信号I、跟踪误差te。
进一步地，在步骤(b)，所述的非线性摩擦特征ftfric构建方法为：
结合经典Stribeck摩擦理论：
Figure BDA0003420875940000101
其中Tstat(N·m)为静摩擦力矩，Tcoul(N·m)为库伦摩擦力矩，Tvisc[(N·m)/(rad/s)]为粘滞阻尼系数，速度常数Ω1和Ω2用于确定不同速度对应的摩擦区域。
将其中相对难以建模的静摩擦力的影响，根据速度v构建成为非线性摩擦特征：
Figure BDA0003420875940000102
其中，Vm为速度常数，用于确定静摩擦影响的边界。
优选地，在步骤(c)，考虑到机床进给系统输入输出的强时间相关性，其为明显的时序数据，机器学习模型选择具有长序列处理能力的时序神经网络LSTM网络。
优选地，在步骤(d)，构建电信号预测网络，以速度v，加速度a，急动度j，构建的非线性摩擦特征ftfric为输入，控制电信号I为输出，训练神经网络，得到训练好的电信号预测网络NetI；构建跟踪误差预测网络，以速度v，加速度a，急动度j，控制电信号I为输入，跟踪误差te为输出，训练神经网络，得到训练好的跟踪误差预测网络Nette。
优选地，在步骤(e)，将目标轨迹的速度v，加速度a，急动度j，以及利用速度构建的非线性摩擦特征ftfric输入训练好的电信号预测网络NetI，得到预测的电信号Ipred；将目标轨迹的速度v，加速度a，急动度j，以及刚刚得到的预测电信号Ipred输入训练好的跟踪误差预测网络Nette，得到预测的跟踪误差tepred。
本发明通过对控制电信号进行预测，利用控制电信号作为中间量，使得所提出的模型能够更多的利用进给系统运动过程中的信息，一定程度上拆分了复杂的进给系统，也一定程度上反映了干扰量的影响，提高了对跟踪误差的预测精度；本发明基于摩擦理论，通过根据速度构建非线性摩擦特征，提高了对控制电信号的预测精度，进一步提高了最终对跟踪误差的预测精度，将先验知识利用在了数据驱动的模型构建中，而且利用了神经网络强大的学习能力避免了传统方法复杂的参数辨识过程。
实施例2
如图5所示，本发明所使用的到的设备由以下部件组成：X轴运动组件1、Y轴运动组件2、Z轴运动组件3、Z轴固定支架4，本发明还使用到了Matlab计算程序、Simulink控制程序。
按照本发明的优选实施例，如图5所示，Y轴运动组件2通过螺栓固定在平台上，X轴运动组件1通过螺栓安装在Y轴运动组件2的工作台上，Z轴固定支架4相对于Y轴运动组件2位置确定，也固定在平台上，Z轴运动组件3通过螺栓安装在Z轴固定支架4上。
按照本发明的优选实施例，使用如图6所示的训练轨迹，其由平面内随机取点，依次顺序连接并在拐角处光顺得到，取不同进给速度分别运行，保证能够尽量涵盖足够多的加减速信息。
按照本发明的优选实施例，所使用的LSTM网络结构如图7所示，相较于其他时序网络，其引入了3个门，即更新门、遗忘门和输出门，以及与隐藏状态形状相同的记忆细胞，从而记录额外的信息，具有较强的长序列处理能力和非线性拟合能力。
按照本发明的优选实施例，如图4所示，构建利用中间量和构建干扰特征的数据驱动的进给系统模型，使用如图6所示的训练轨迹在如图5所示实验平台上运行得到的数据进行训练，并对目标轨迹进行预测，其预测结果和实际运行结果对比如图8所示。
按照本发明的优选实施例，分别在测试轨迹上使用本发明所提出的方法构建的模型和单纯的LSTM模型来预测跟踪误差，所提出方法构建的模型与LSTM模型的在X轴和Y轴上的预测偏差对比如图9所示，可以看到，所提出方法构建的模型相较于单纯的LSTM模型，在各峰值处，其预测偏差普遍较小。本发明所提出方法使用预测的电信号、真实电信号和不使用电信号的方法的最大预测偏差对比如图10所示，可以看到，所提出方法构建的模型相较于不使用电信号的模型最大预测偏差显著减小，在X轴上精度提升了17.79％，Y轴上精度提升了11.73％。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种数据驱动的机床进给伺服系统机器学习建模方法，其特征在于，所述数据驱动的机床进给伺服系统机器学习建模方法包括以下步骤：
步骤一，按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果；
步骤二，结合经典Stribeck摩擦理论，根据速度v构建非线性摩擦特征ftfric；
步骤三，根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数；
步骤四，构建电信号预测网络和进给系统输出预测网络，选取合适的输入特征和输出目标值，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；
步骤五，将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；
步骤六，利用模型输出的目标轨迹预测结果，对目标轨迹进行预补偿，得到预补偿后的轨迹命令。
2.如权利要求1所述的数据驱动的机床进给伺服系统机器学习建模方法，其特征在于，所述步骤一中的按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果包括：
根据所涉及的训练集轨迹，计算速度v、加速度a和急动度j，并采集运行得到的控制电信号I和跟踪误差te。
3.如权利要求1所述的数据驱动的机床进给伺服系统机器学习建模方法，其特征在于，所述步骤二中的非线性摩擦特征ftfric的构建方法包括：
结合经典Stribeck摩擦理论：
Figure FDA0003420875930000011
其中，Tstat(N·m)为静摩擦力矩，Tcoul(N·m)为库伦摩擦力矩，Tvisc[(N·m)/(rad/s)]为粘滞阻尼系数，速度常数Ω1和Ω2用于确定不同速度对应的摩擦区域；
将相对难以建模的静摩擦力的影响，根据速度v构建成为非线性摩擦特征：
Figure FDA0003420875930000021
其中，Vm为速度常数，用于确定静摩擦影响的边界。
4.如权利要求1所述的数据驱动的机床进给伺服系统机器学习建模方法，其特征在于，所述步骤三中的根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数包括：
考虑到机床进给系统输入输出的强时间相关性为明显的时序数据，机器学习模型选择具有长序列处理能力的时序神经网络LSTM网络。
5.如权利要求1所述的数据驱动的机床进给伺服系统机器学习建模方法，其特征在于，所述步骤四中的构建电信号预测网络包括：
以速度v、加速度a、急动度j和构建的非线性摩擦特征ftfric为输入，控制电信号I为输出，训练神经网络，得到训练好的电信号预测网络NetI；
构建跟踪误差预测网络，以速度v、加速度a、急动度j和控制电信号I为输入，跟踪误差te为输出，训练神经网络，得到训练好的跟踪误差预测网络Nette。
6.如权利要求1所述的数据驱动的机床进给伺服系统机器学习建模方法，其特征在于，所述步骤五中的将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果包括：
将目标轨迹的速度v、加速度a、急动度j以及利用速度构建的非线性摩擦特征ftfric输入训练好的电信号预测网络NetI，得到预测的电信号Ipred；
将目标轨迹的速度v、加速度a、急动度j以及得到的预测电信号Ipred输入训练好的跟踪误差预测网络Nette，得到预测的跟踪误差tepred。
7.一种应用如权利要求1～6任意一项所述的数据驱动的机床进给伺服系统机器学习建模方法的数据驱动的机床进给伺服系统机器学习建模系统，其特征在于，所述数据驱动的机床进给伺服系统机器学习建模系统包括：
训练集轨迹设计模块，用于按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果；
非线性摩擦特征构建模块，用于结合经典Stribeck摩擦理论，根据速度v构建非线性摩擦特征ftfric；
神经网络选择模块，用于根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数；
预测网络构建及训练模块，用于构建电信号预测网络和进给系统输出预测网络，选取合适的输入特征和输出目标值，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；
目标轨迹预测模块，用于将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；
目标轨迹进补偿模块，用于利用模型输出的目标轨迹预测结果，对目标轨迹进行预补偿，得到预补偿后的轨迹命令。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果；结合经典Stribeck摩擦理论，根据速度v构建非线性摩擦特征ftfric；根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数；
构建电信号预测网络和进给系统输出预测网络，选取合适的输入特征和输出目标值，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；利用模型输出的目标轨迹预测结果，对目标轨迹进行预补偿，得到预补偿后的轨迹命令。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
按照包含尽可能多的速度和加速度信息的原则，设计训练集轨迹，并在目标设备上运行，采集运行得到的结果；结合经典Stribeck摩擦理论，根据速度v构建非线性摩擦特征ftfric；根据机床进给系统特性，选择合适的神经网络的类型和结构，确定网络层数和每层神经单元数；
构建电信号预测网络和进给系统输出预测网络，选取合适的输入特征和输出目标值，训练神经网络，得到训练好的电信号预测网络和进给系统输出预测网络；将目标轨迹的特征输入训练好的电信号预测网络和进给系统输出预测网络，得到目标轨迹的输出预测结果；利用模型输出的目标轨迹预测结果，对目标轨迹进行预补偿，得到预补偿后的轨迹命令。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述的数据驱动的机床进给伺服系统机器学习建模系统。
CN202111562218.2A 2021-12-20 2021-12-20 数据驱动的机床进给伺服系统机器学习建模方法及系统 Active CN114237157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111562218.2A CN114237157B (zh) 2021-12-20 2021-12-20 数据驱动的机床进给伺服系统机器学习建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111562218.2A CN114237157B (zh) 2021-12-20 2021-12-20 数据驱动的机床进给伺服系统机器学习建模方法及系统

Publications (2)

Publication Number Publication Date
CN114237157A true CN114237157A (zh) 2022-03-25
CN114237157B CN114237157B (zh) 2022-12-16

Family

ID=80759265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111562218.2A Active CN114237157B (zh) 2021-12-20 2021-12-20 数据驱动的机床进给伺服系统机器学习建模方法及系统

Country Status (1)

Country Link
CN (1) CN114237157B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195438A (zh) * 2023-11-07 2023-12-08 清华大学 轴类零件尺寸误差补偿方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5659667A (en) * 1995-01-17 1997-08-19 The Regents Of The University Of California Office Of Technology Transfer Adaptive model predictive process control using neural networks
US20040015933A1 (en) * 2000-10-03 2004-01-22 Board Of Regents, The University Of Texas System Backlash compensation with filtered prediction in discrete time nonlinear systems by dynamic inversion using neural networks
US20160274561A1 (en) * 2013-06-17 2016-09-22 Ashley Stone Manufacturing process control systems and methods
CN106695458A (zh) * 2017-02-22 2017-05-24 华中科技大学 一种数控机床进给系统的摩擦力建模方法
CN109800537A (zh) * 2019-02-20 2019-05-24 大连理工大学 一种基于深度神经网络和蒙特卡洛法的机床热误差模型可靠度计算方法
CN110007645A (zh) * 2019-04-11 2019-07-12 华中科技大学 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
CN111639422A (zh) * 2020-05-19 2020-09-08 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
CN112733296A (zh) * 2021-01-12 2021-04-30 天津大学 基于grnn的混联机器人铣削加工误差预测及补偿方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5659667A (en) * 1995-01-17 1997-08-19 The Regents Of The University Of California Office Of Technology Transfer Adaptive model predictive process control using neural networks
US20040015933A1 (en) * 2000-10-03 2004-01-22 Board Of Regents, The University Of Texas System Backlash compensation with filtered prediction in discrete time nonlinear systems by dynamic inversion using neural networks
US20160274561A1 (en) * 2013-06-17 2016-09-22 Ashley Stone Manufacturing process control systems and methods
CN106695458A (zh) * 2017-02-22 2017-05-24 华中科技大学 一种数控机床进给系统的摩擦力建模方法
CN109800537A (zh) * 2019-02-20 2019-05-24 大连理工大学 一种基于深度神经网络和蒙特卡洛法的机床热误差模型可靠度计算方法
US20210064988A1 (en) * 2019-02-20 2021-03-04 Dalian University Of Technology Reliability calculation method of the thermal error model of a machine tool based on deep neural network and the monte carlo method
CN110007645A (zh) * 2019-04-11 2019-07-12 华中科技大学 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
CN111639422A (zh) * 2020-05-19 2020-09-08 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
CN112733296A (zh) * 2021-01-12 2021-04-30 天津大学 基于grnn的混联机器人铣削加工误差预测及补偿方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DAILIN ZHANG等: "Variable-parameter-model-based iterative pre-compensation method of the tracking error", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 *
JING ZHANG等: "A sample construction method in kinematics characteristics domain to identify the feed drive model", 《PRECISION ENGINEERING》 *
刘陈等: "一种基于摩擦补偿的起重机自动转载智能定位控制器设计", 《机床与液压》 *
沈云波，童景琳: "数控机床空间位置误差的检测及神经网络误差补偿技术", 《工具技术》 *
聂建华等: "数控伺服进给系统中的非线性预测控制", 《组合机床与自动化加工技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195438A (zh) * 2023-11-07 2023-12-08 清华大学 轴类零件尺寸误差补偿方法及装置
CN117195438B (zh) * 2023-11-07 2024-01-23 清华大学 轴类零件尺寸误差补偿方法及装置

Also Published As

Publication number Publication date
CN114237157B (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
Lee* Motion planning for three-dimensional overhead cranes with high-speed load hoisting
CN111221312B (zh) 机器人在生产线的优化方法、系统及在数字孪生的应用
US20080097734A1 (en) System And Method For Simulating Global Product Development
CN112077839B (zh) 一种机械臂的运动控制方法及装置
CN114237157B (zh) 数据驱动的机床进给伺服系统机器学习建模方法及系统
WO2022030041A1 (ja) 予測システム、情報処理装置および情報処理プログラム
CN110530379A (zh) 一种提供车辆行驶信息的方法、装置及系统
CN115496201A (zh) 一种基于深度强化学习的列车精确停车控制方法
Lu et al. Cross-coupled fuzzy logic sliding mode control of dual-driving feed system
CN116047934A (zh) 一种无人机集群的实时仿真方法、系统以及电子设备
CN109189781B (zh) 一种车联网知识库表示方法，装置及系统
Li et al. Data‐driven urban traffic model‐free adaptive iterative learning control with traffic data dropout compensation
EP1959324B1 (en) Resonant frequency identification
Ge et al. State-constrained bipartite tracking of interconnected robotic systems via hierarchical prescribed-performance control
Arshad et al. Deep Deterministic Policy Gradient to Regulate Feedback Control Systems Using Reinforcement Learning.
Wang et al. Tracking moving target for 6 degree-of-freedom robot manipulator with adaptive visual servoing based on deep reinforcement learning PID controller
CN114967472A (zh) 一种无人机轨迹跟踪状态补偿深度确定性策略梯度控制方法
CN115454082A (zh) 车辆避障方法及系统、计算机可读存储介质和电子设备
Malikopoulos et al. A real-time computational learning model for sequential decision-making problems under uncertainty
Deng et al. A method for reliability detection of automated guided vehicle based on timed automata
Gil et al. Hardware-in-the-loop simulations of a railway pantograph with a finite element periodic catenary model
CN114415519B (zh) 一种adrc扩张观测器参数快速收敛的实时优化方法
US20210142801A1 (en) Determining a controller for a controlled system
Pystina et al. Digital Twin for production systems: A literature perspective
Zhang et al. Disturbance observer–based backstepping sliding mode cascade control of 2–degrees of freedom hydraulic tunneling robot

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