CN114690706B - 一种数控机床主轴误差预测补偿方法及系统 - Google Patents
一种数控机床主轴误差预测补偿方法及系统 Download PDFInfo
- Publication number
- CN114690706B CN114690706B CN202210596855.XA CN202210596855A CN114690706B CN 114690706 B CN114690706 B CN 114690706B CN 202210596855 A CN202210596855 A CN 202210596855A CN 114690706 B CN114690706 B CN 114690706B
- Authority
- CN
- China
- Prior art keywords
- target
- information
- data
- numerical control
- control machine
- 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
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)
- Automatic Control Of Machine Tools (AREA)
Abstract
本发明公开了一种数控机床主轴误差预测补偿方法及系统,方法包括:获取数控机床在当前采集时刻对应的待处理数据,包括数控机床的主轴在第一目标时间段对应的电压信息、电流信息、环境温度信息及目标点温度信息;根据环境温度信息和各目标点温度信息计算获取各目标测温点的目标点温度差信息;根据电压信息、电流信息及目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取数控机床在当前采集时刻对应的热误差预测信息,热误差预测信息中包括预测获得的多个连续的主轴误差数据,主轴误差数据属于第二目标时间段;根据热误差预测信息对数控机床的主轴进行补偿控制。本发明方案有利于提高误差补偿效率和数控机床的工作效率。
Description
技术领域
本发明涉及精密加工机床技术领域,尤其涉及的是一种数控机床主轴误差预测补偿方法及系统。
背景技术
随着科学技术的发展,数控机床的应用越来越广泛。而随着精密和超精密加工技术的高速发展,对数控机床的加工精度的要求也越来越高。而数控机床运行过程中,其内部的发热源(如轴承、伺服电机、滚珠丝杠等)产生热量,会造成温度变化,从而使得数控机床的零部件形变。
主轴是数控机床的核心部件以及主要热源,且主轴的误差对加工精度影响也较大。现有技术中,通常通过采集温度,然后在预先设置的离线文件中人工查找获得该温度对应的补偿值,并人工手动操作对主轴的热误差进行补偿。现有技术的问题在于,在预先设置的离线文件中人工查找获得采集的温度对应的补偿值的方案,需要耗费大量的人工查找的时间,不利于提高误差补偿效率和数控机床的工作效率。
因此,现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种数控机床主轴误差预测补偿方法及系统,旨在解决现有技术中在预先设置的离线文件中人工查找获得采集的温度对应的补偿值的方案,需要耗费大量的人工查找的时间,不利于提高误差补偿效率和数控机床的工作效率的问题。
为了实现上述目的,本发明第一方面提供一种数控机床主轴误差预测补偿方法,其中,上述数控机床主轴误差预测补偿方法包括:
获取数控机床在当前采集时刻对应的待处理数据,其中,上述待处理数据包括上述数控机床的主轴在第一目标时间段对应的电压信息、电流信息、环境温度信息以及目标点温度信息,上述第一目标时间段所包括的结束时间点是上述当前采集时刻,上述环境温度信息由连续采集的多个环境温度值构成,上述目标点温度信息中包括多组目标点温度数据,一组上述目标点温度数据由一个目标测温点处连续采集获取的多个目标温度值构成,各上述目标点温度数据中的目标温度值分别与上述环境温度信息中的环境温度值一一对应,上述电压信息由连续采集的多个电压值组成,上述电流信息由连续采集的多个电流值组成;
根据上述环境温度信息和各上述目标点温度信息计算获取各上述目标测温点对应的目标点温度差信息,其中,一个上述目标测温点对应的上述目标点温度差信息中包括多个温度差值,上述温度差值是一个上述目标温度值与对应的一个上述环境温度值的差值;
根据上述电压信息、上述电流信息以及上述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取上述数控机床在上述当前采集时刻对应的热误差预测信息,其中,上述热误差预测信息中包括预测获得的多个连续的主轴误差数据,上述主轴误差数据属于第二目标时间段,上述第二目标时间段所包括的起始时间点是上述当前采集时刻;
根据上述热误差预测信息对上述数控机床的主轴进行补偿控制。
可选的,上述获取数控机床在当前采集时刻对应的待处理数据,包括:
通过预设的传感器实时获取上述数控机床的主轴在当前采集时刻的电压值、电流值以及各上述目标测温点处对应的目标温度值;
通过预设的红外成像仪实时获取上述数控机床所在的目标区域在当前采集时刻的环境温度值;
获取上述数控机床对应的历史数据,上述历史数据包括在上述当前采集时刻之前采集和存储的电压信息、电流信息、环境温度信息以及多个目标点温度信息;
根据上述当前采集时刻的电压值、电流值、各上述目标测温点对应的目标温度值、环境温度值以及上述历史数据获取上述待处理数据。
可选的,上述通过预设的红外成像仪实时获取上述数控机床所在的目标区域在当前采集时刻的环境温度值,包括:
通过预设的红外成像仪采集获取上述目标区域在当前采集时刻对应的红外图像;
根据预设的测温点区域半径对上述红外图像中各上述目标测温点对应的测温点区域进行剔除,获得环境区域红外图像;
根据上述环境区域红外图像计算获取上述当前采集时刻的环境温度值。
可选的,上述热误差预测信息中包括预测获得的预测步数个连续的主轴误差数据,上述根据上述热误差预测信息对上述数控机床的主轴进行补偿控制,包括:
从上述热误差预测信息中的第1个主轴误差数据开始,选择上述热误差预测信息中的目标步数个连续的主轴误差数据并作为目标误差数据;
根据上述目标误差数据对上述数控机床的主轴进行逐步补偿控制;
其中,上述目标步数小于上述预测步数。
可选的,上述目标步数为1。
可选的,上述预先训练好的数控机床热误差预测模型是预先训练好的循环神经网络预测模型,上述循环神经网络预测模型通过以下步骤进行预先训练:
获取训练数据集,其中,上述训练数据集包括多个训练数据以及多个训练目标数据,上述训练数据与上述训练目标数据一一对应,一个上述训练数据中包括采集获取的训练机床在第一训练时间段对应的训练电压信息、训练电流信息以及训练目标点温度差信息,一个上述训练目标数据中包括采集获取的上述训练机床在第二训练时间段对应的训练热误差信息,一个上述训练数据的第一训练时间段所包括的结束时间点是与该训练数据对应的训练目标数据的第二训练时间段所包括的起始时间点;
根据上述训练数据、上述训练目标数据以及预设的热误差阈值,通过多目标优化算法对上述循环神经网络的参数进行更新并获得训练好的循环神经网络预测模型,其中,上述训练好的循环神经网络模型针对输入的训练数据进行预测获得对应的模型预测数据,上述模型预测数据与该训练数据对应的训练目标数据之间的损失值不大于上述热误差阈值。
可选的,在根据上述电压信息、上述电流信息以及上述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取上述数控机床在上述当前采集时刻对应的热误差预测信息之后,上述方法还包括:
存储上述当前采集时刻对应的热误差预测信息。
可选的,上述方法还包括:
根据预设的数据格式判断上述数控机床在当前采集时刻对应的待处理数据是否出错;
当上述数控机床在当前采集时刻对应的待处理数据出错时,获取上述数控机床的历史热误差预测信息,根据上述历史热误差预测信息中与上述当前采集时刻对应的主轴误差数据对上述数控机床的主轴进行补偿控制,其中,上述历史热误差预测信息是上述数控机床在前一采集时刻对应的热误差预测信息。
可选的,在根据上述电压信息、上述电流信息以及上述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取上述数控机床在上述当前采集时刻对应的热误差预测信息之后,上述方法还包括:
当上述当前采集时刻对应的热误差预测信息中有任意一个主轴误差数据超过预先设置的主轴误差最大值时,控制上述数控机床停止运行并发出告警信号。
本发明第二方面提供一种数控机床主轴误差预测补偿系统,其中,上述数控机床主轴误差预测补偿系统包括:
数据获取模块,用于获取数控机床在当前采集时刻对应的待处理数据,其中,上述待处理数据包括上述数控机床的主轴在第一目标时间段对应的电压信息、电流信息、环境温度信息以及目标点温度信息,上述第一目标时间段所包括的结束时间点是上述当前采集时刻,上述环境温度信息由连续采集的多个环境温度值构成,上述目标点温度信息中包括多组目标点温度数据,一组上述目标点温度数据由一个目标测温点处连续采集获取的多个目标温度值构成,各上述目标点温度数据中的目标温度值分别与上述环境温度信息中的环境温度值一一对应,上述电压信息由连续采集的多个电压值组成,上述电流信息由连续采集的多个电流值组成;
数据处理模块,用于根据上述环境温度信息和各上述目标点温度信息计算获取各上述目标测温点对应的目标点温度差信息,其中,一个上述目标测温点对应的上述目标点温度差信息中包括多个温度差值,上述温度差值是一个上述目标温度值与对应的一个上述环境温度值的差值;
误差预测模块,用于根据上述电压信息、上述电流信息以及上述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取上述数控机床在上述当前采集时刻对应的热误差预测信息,其中,上述热误差预测信息中包括预测获得的多个连续的主轴误差数据,上述主轴误差数据属于第二目标时间段,上述第二目标时间段所包括的起始时间点是上述当前采集时刻;
误差补偿模块,用于根据上述热误差预测信息对上述数控机床的主轴进行补偿控制。
由上可见,本发明方案中,获取数控机床在当前采集时刻对应的待处理数据,其中,上述待处理数据包括上述数控机床的主轴在第一目标时间段对应的电压信息、电流信息、环境温度信息以及目标点温度信息,上述第一目标时间段所包括的结束时间点是上述当前采集时刻,上述环境温度信息由连续采集的多个环境温度值构成,上述目标点温度信息中包括多组目标点温度数据,一组上述目标点温度数据由一个目标测温点处连续采集获取的多个目标温度值构成,各上述目标点温度数据中的目标温度值分别与上述环境温度信息中的环境温度值一一对应,上述电压信息由连续采集的多个电压值组成,上述电流信息由连续采集的多个电流值组成;根据上述环境温度信息和各上述目标点温度信息计算获取各上述目标测温点对应的目标点温度差信息,其中,一个上述目标测温点对应的上述目标点温度差信息中包括多个温度差值,上述温度差值是一个上述目标温度值与对应的一个上述环境温度值的差值;根据上述电压信息、上述电流信息以及上述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取上述数控机床在上述当前采集时刻对应的热误差预测信息,其中,上述热误差预测信息中包括预测获得的多个连续的主轴误差数据,上述主轴误差数据属于第二目标时间段,上述第二目标时间段所包括的起始时间点是上述当前采集时刻;根据上述热误差预测信息对上述数控机床的主轴进行补偿控制。与现有技术中在预先设置的离线文件中人工查找获得采集的温度对应的补偿值的方案相比,本发明方案可以根据数控机床在当前采集时刻的待处理数据自动进行处理并通过预先训练好的数控机床热误差预测模型预测并获取对应的热误差预测信息,从而实现对数控机床的主轴进行热误差的补偿控制,无需通过人工查找获取对应的补偿值,有利于提高误差补偿效率和数控机床的工作效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种数控机床主轴误差预测补偿方法的流程示意图;
图2是本发明实施例图1中步骤S100的具体流程示意图;
图3是本发明实施例提供的一种数控机床主轴误差预测补偿系统的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
随着科学技术的发展,数控机床的应用越来越广泛。而随着精密和超精密加工技术的高速发展,对数控机床的加工精度的要求也越来越高。而数控机床运行过程中,其内部的发热源(如轴承、伺服电机、滚珠丝杠等)产生热量,会造成温度变化,从而使得数控机床的零部件形变。
主轴是数控机床的核心部件以及主要热源,且主轴的误差对加工精度影响也较大。现有技术中,通常通过采集温度,然后在预先设置的离线文件中人工查找获得该温度对应的补偿值,并人工手动操作对主轴的热误差进行补偿。现有技术的问题在于,在预先设置的离线文件中人工查找获得采集的温度对应的补偿值的方案,需要耗费大量的人工查找的时间,不利于提高误差补偿效率和数控机床的工作效率。
同时,在预先设置的离线文件中人工查找获得采集的温度对应的补偿值的方案无法很好的综合各个不同位置的温度之间的共同作用带来的影响,不利于提高误差预测的准确性,也不利于提高补偿的准确性。
为了解决上述多个问题中的至少一个问题,本发明方案中,获取数控机床在当前采集时刻对应的待处理数据,其中,上述待处理数据包括上述数控机床的主轴在第一目标时间段对应的电压信息、电流信息、环境温度信息以及目标点温度信息,上述第一目标时间段所包括的结束时间点是上述当前采集时刻,上述环境温度信息由连续采集的多个环境温度值构成,上述目标点温度信息中包括多组目标点温度数据,一组上述目标点温度数据由一个目标测温点处连续采集获取的多个目标温度值构成,各上述目标点温度数据中的目标温度值分别与上述环境温度信息中的环境温度值一一对应,上述电压信息由连续采集的多个电压值组成,上述电流信息由连续采集的多个电流值组成;根据上述环境温度信息和各上述目标点温度信息计算获取各上述目标测温点对应的目标点温度差信息,其中,一个上述目标测温点对应的上述目标点温度差信息中包括多个温度差值,上述温度差值是一个上述目标温度值与对应的一个上述环境温度值的差值;根据上述电压信息、上述电流信息以及上述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取上述数控机床在上述当前采集时刻对应的热误差预测信息,其中,上述热误差预测信息中包括预测获得的多个连续的主轴误差数据,上述主轴误差数据属于第二目标时间段,上述第二目标时间段所包括的起始时间点是上述当前采集时刻;根据上述热误差预测信息对上述数控机床的主轴进行补偿控制。
与现有技术中在预先设置的离线文件中人工查找获得采集的温度对应的补偿值的方案相比,本发明方案可以根据数控机床在当前采集时刻的待处理数据自动进行处理并通过预先训练好的数控机床热误差预测模型预测并获取对应的热误差预测信息,从而实现对数控机床的主轴进行热误差的补偿控制,无需通过人工查找获取对应的补偿值,有利于提高误差补偿效率和数控机床的工作效率。
并且,通过训练好的数控机床热误差预测模型针对待处理数据进行热误差的预测,可以综合考虑电压信息、电流信息、环境温度信息以及不同位置的目标点温度信息的影响,从而提高误差预测的准确性和补偿的准确性。
示例性方法
如图1所示,本发明实施例提供一种数控机床主轴误差预测补偿方法,具体的,上述方法包括如下步骤:
步骤S100,获取数控机床在当前采集时刻对应的待处理数据,其中,上述待处理数据包括上述数控机床的主轴在第一目标时间段对应的电压信息、电流信息、环境温度信息以及目标点温度信息,上述第一目标时间段所包括的结束时间点是上述当前采集时刻,上述环境温度信息由连续采集的多个环境温度值构成,上述目标点温度信息中包括多组目标点温度数据,一组上述目标点温度数据由一个目标测温点处连续采集获取的多个目标温度值构成,各上述目标点温度数据中的目标温度值分别与上述环境温度信息中的环境温度值一一对应,上述电压信息由连续采集的多个电压值组成,上述电流信息由连续采集的多个电流值组成。
具体的,上述数控机床是需要进行控制的数控机床设备,本实施例中,使用上述数控机床主轴误差预测补偿方法对上述数控机床的主轴进行热误差预测和补偿控制,以降低热误差对数控机床的加工精确度的影响。
当前采集时刻是当前的数据采集和需要进行预测和控制的时刻,需要说明的是,上述当前采集时刻对应的待处理数据中包括有当前采集时刻的具体数据值和在当前采集时刻之前(以当前采集时刻为结束时间点)的第一目标时间段内的其它具体数据值。例如,上述第一目标时间段的长度可以是一个预设的第一目标时间长度(如5秒),而每一次采集数据的间隔也可以是预先设置的间隔长度(如0.5秒),则当前采集时刻对应的待处理数据包括在这5秒的时间内每隔0.5秒采集的所有数据。
上述电压值和电流值是上述主轴的控制电路(或控制器)对应的电压值和电流值。在一种应用场景中,第一目标时间段是以当前采集时刻为结束时间点的5秒长的时间段,第一目标时间段对应的电压信息和电流信息包括在第一目标时间段内以每隔0.5秒采集一次的频率采集的电压值和电流值,可以通过数组或向量的形式存储。第一目标时间段内的环境温度信息包括在第一目标时间段内以每隔0.5秒采集一次的频率采集的数控机床(的主轴)所在区域的环境温度值。第一目标时间段内的目标点温度信息中包括多组目标点温度数据,一组目标点温度数据与一个目标测温点对应,且由第一目标时间段内在该目标测温点以每隔0.5秒采集一次采集的频率采集获得的目标温度值构成。目标测温点的数目可以根据实际需求进行设置和调整,在此不做具体限定。
本实施例中,如图2所示,上述步骤S100具体包括如下步骤:
步骤S101,通过预设的传感器实时获取上述数控机床的主轴在当前采集时刻的电压值、电流值以及各上述目标测温点处对应的目标温度值。
具体的,可以预先在上述数控机床上设置多个传感器,例如,电压传感器、电流传感器和多个温度传感器,用于采集电压值、电流值和各个目标测温点位置处对应的目标温度值。其中,目标测温点处是指预先设置的多个(例如预设的目标测温点数目个)目标测温点所处的位置,目标测温点的具体位置可以根据实际需求预先确定,本实施例中,上述多个目标测温点设置在主轴的不同位置,因此测量获得的是主轴上不同位置的目标温度值,以更好地对主轴发热情况进行分析。需要说明的是,电压传感器和电流传感器的数据采集频率可以与各个温度传感器相同,也可以不同,本实施例中以相同为例进行说明,但不作为具体限定,但每一个温度传感器的数据采集频率相同,且每一个温度传感器的数据采集频率都与环境温度的采集频率相同,以保证目标温度值与环境温度值一一对应。
步骤S102,通过预设的红外成像仪实时获取上述数控机床所在的目标区域在当前采集时刻的环境温度值。
具体的,本实施例中,为了更好地对环境温度值进行测量,获取更精准的环境温度值,采用预设的红外成像仪对环境温度值进行测量,需要说明的是,上述红外热成像仪已经预先标定好,可以根据其生成的图像进行温度的读取,在一种应用场景中,也可以预先训练红外图像处理模型,根据该红外图像处理模型读取输入该模型的红外图像中的温度值(或平均温度值)。
本实施例中,上述步骤S102包括:通过预设的红外成像仪采集获取上述目标区域在当前采集时刻对应的红外图像;根据预设的测温点区域半径对上述红外图像中各上述目标测温点对应的测温点区域进行剔除,获得环境区域红外图像;根据上述环境区域红外图像计算获取上述当前采集时刻的环境温度值。
其中,上述测温点区域半径可以根据实际需求进行预先设定,从而可以剔除温度变化较大的目标测温点的影响,更好的计算环境温度。对于环境区域红外图像,可以计算该图像对应的平均温度。或者在该图像中随机选择预设的环境点数目个点并计算其对应的平均温度,作为环境温度值。
需要说明的是,也可以预先在上述目标区域中选择多个环境测温点,并设置对应的温度传感器,根据环境测温点对应的温度传感器的平均值确定环境温度值。还可以有其它测量环境温度值的方法,在此不作具体限定。
在一种应用场景中,也可以预先采集连续获取多张目标区域的红外图像,根据红外图像获取主轴上温度变化最快的目标测温点数目个点作为目标测温点,以更好地对主轴进行温度监测。
步骤S103,获取上述数控机床对应的历史数据,上述历史数据包括在上述当前采集时刻之前采集和存储的电压信息、电流信息、环境温度信息以及多个目标点温度信息。
具体的,上述历史数据属于上述第一目标时间段,且上述历史数据包括上述第一目标时间段内除上述当前采集时刻对应的数据之外的所有数据。
需要说明的是,本实施例中,在每一个时刻采集获得对应的数据后都进行存储,以便后续调用。优选的,为了节约存储空间,可以预先设置存储时间长度,超过存储时间长度的数据会被清除,上述存储时间长度不小于上述第一目标时间段的第一目标时间长度。优选的,上述存储时间长度等于上述第一目标时间的段的第一目标时间长度,且可以保证存储上述第一目标时间段内所有的数据。
步骤S104,根据上述当前采集时刻的电压值、电流值、各上述目标测温点对应的目标温度值、环境温度值以及上述历史数据获取上述待处理数据。
具体的,根据测量获得的当前采集时刻的电压值、电流值、各上述目标测温点对应的目标温度值、环境温度值以及对应的历史数据,组合构建上述待处理数据。
步骤S200,根据上述环境温度信息和各上述目标点温度信息计算获取各上述目标测温点对应的目标点温度差信息,其中,一个上述目标测温点对应的上述目标点温度差信息中包括多个温度差值,上述温度差值是一个上述目标温度值与对应的一个上述环境温度值的差值。
具体的,环境温度信息中的环境温度值和各组目标点温度信息中的目标温度值是一一对应的。在一种应用场景中,设置有3个目标测温点,则待处理数据中包括3组目标点温度信息,若第一目标时间段内有10个采集时刻,则每一组目标温度信息中包括10个目标温度值,而环境温度信息中也包括10个环境温度值。其中,对于各目标温度信息,其第1个目标温度值与环境温度信息中的第1个环境温度值对应的是同一个采集时刻,其第10个目标温度值与环境温度信息中的第10个环境温度值对应的都是当前采集时刻。因此,对于任意一个采集时刻,可以将目标温度值减去对应的环境温度值,获得该时刻该目标测温点对应的温度差值,并构建各个目标测温点对应的目标温度差信息。
步骤S300,根据上述电压信息、上述电流信息以及上述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取上述数控机床在上述当前采集时刻对应的热误差预测信息,其中,上述热误差预测信息中包括预测获得的多个连续的主轴误差数据,上述主轴误差数据属于第二目标时间段,上述第二目标时间段所包括的起始时间点是上述当前采集时刻。
其中,上述第二目标时间段的时间长度可以是预设的第二目标时间长度,本实施例中,上述第二目标时间长度小于或等于上述第一目标时间长度,以提高预测的精度。需要说明的是,上述热误差预测信息中包括预测获得的多个连续的主轴误差数据,且各个主轴误差数据对应的时刻不同,且相邻两个主轴误差数据之间的时间间隔等于上述待处理数据中的数据被采集时对应的预先设置的间隔长度(如0.5秒)。具体的,热误差预测信息中的第1个主轴误差数据是预测的当前采集时刻的主轴误差数据,热误差预测信息中的第2个主轴误差数据是预测的下一采集时刻的主轴误差数据,以此类推,不再赘述。在一种应用场景中,上述主轴误差数据包括上述主轴的轴向误差、径向误差以及倾角误差。在另一种应用场景中,上述主轴误差数据还可以通过坐标或坐标差(即预测的偏移坐标与实际理想坐标的差)的形式表示,在此不作具体限定。
具体的,上述数控机床热误差预测模型被训练成根据输入的一段时间(即第一目标时间段)内的数据进行预测并输出接下来一段时间(即第二目标时间段)内主轴对应的热误差偏移量。
本实施例中,上述预先训练好的数控机床热误差预测模型是预先训练好的循环神经网络预测模型,上述循环神经网络预测模型通过以下步骤进行预先训练:
获取训练数据集,其中,上述训练数据集包括多个训练数据以及多个训练目标数据,上述训练数据与上述训练目标数据一一对应,一个上述训练数据中包括采集获取的训练机床在第一训练时间段对应的训练电压信息、训练电流信息以及训练目标点温度差信息,一个上述训练目标数据中包括采集获取的上述训练机床在第二训练时间段对应的训练热误差信息,一个上述训练数据的第一训练时间段所包括的结束时间点是与该训练数据对应的训练目标数据的第二训练时间段所包括的起始时间点;
根据上述训练数据、上述训练目标数据以及预设的热误差阈值,通过多目标优化算法对上述循环神经网络的参数进行更新并获得训练好的循环神经网络预测模型,其中,上述训练好的循环神经网络模型针对输入的训练数据进行预测获得对应的模型预测数据,上述模型预测数据与该训练数据对应的训练目标数据之间的损失值不大于上述热误差阈值。
具体的,上述训练数据集是预先对训练数控机床进行采集获得的,上述训练数控机床可以是型号与需要控制的数控机床相同的数控机床,也可以就是需要控制的数控机床,从而使得训练出来的模型能够有更高的准确性。需要说明的是,上述训练数据集还可以是预先针对不同型号的训练机床进行采集获得的,以使得训练出来的模型能够适用于不同的数控机床,提高模型的适用性。
需要说明的是,上述训练数据集中的训练热误差信息是通过预先设定的位移测量装置测量获得的。并且,训练数据集是根据长时间的连续测量获得的,因此对于任意一个时刻,可以获得其对应的第一训练时间段的训练数据以及第二训练时间段对应的训练目标数据,从而使得训练好的模型能够根据电压、电流和温度的变化情况对未来的主轴形变偏移情况进行预测。
本实施例中,上述第一训练时间段与上述第一目标时间段的时间长度相同,上述第二训练时间段与上述第二目标时间段的时间长度相同。
进一步的,本实施例中,通过基于多目标优化的竞争性的粒子群优化算法(MOCSO,Multi-Objective Competitive Swarm Optimizer)对上述循环神经网络的参数进行迭代更新,直到模型训练完成。具体的,可以预先设置迭代更新的次数,还可以根据预先设置的热误差阈值确定模型是否训练完成。
具体的,在每一次预测之后,计算模型预测数据与训练目标数据之间的损失值,当损失值大于热误差阈值时,对模型的参数进行更新并继续进行训练。其中,上述损失值可以是模型预测数据与训练目标数据之间的差值或者是根据预设的损失函数计算的值,在此不作具体限定。
步骤S400,根据上述热误差预测信息对上述数控机床的主轴进行补偿控制。
具体的,上述热误差预测信息中包括预测获得的预测步数个连续的主轴误差数据,上述根据上述热误差预测信息对上述数控机床的主轴进行补偿控制,包括:从上述热误差预测信息中的第1个主轴误差数据开始,选择上述热误差预测信息中的目标步数个连续的主轴误差数据并作为目标误差数据;根据上述目标误差数据对上述数控机床的主轴进行逐步补偿控制;其中,上述目标步数小于上述预测步数。
如此,当目标步数大于1时,执行一次预测操作,可以针对接下来的多个时刻进行多次控制,因此无需每个时刻都进行预测,有利于提高对主轴进行补偿控制的效率。而本实施例中,上述目标步数为1,即对接下来的多步进行了预测,但只采用其中的1步进行控制,有利于提高误差预测与补偿的准确性。
具体的,将上述目标误差数据输入到数控机床(或主轴补偿设备)中预先设置的误差补偿软件中,对主轴的运动(或位置)进行校正,实现热误差补偿。需要说明的是,本实施例中,各个连续的数据(或时刻)之间对应的时间间隔是相同的。
进一步的,在根据上述电压信息、上述电流信息以及上述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取上述数控机床在上述当前采集时刻对应的热误差预测信息之后,上述方法还包括:存储上述当前采集时刻对应的热误差预测信息。
即本实施例中,在每一个当前采集时刻采集的数据都会被存储,以便后续获取对应的第一目标时间段内的数据。当超过对应的存储时间长度时,对应的数据也可以被删除,以节省存储空间。
进一步的,上述方法还包括:根据预设的数据格式判断上述数控机床在当前采集时刻对应的待处理数据是否出错;当上述数控机床在当前采集时刻对应的待处理数据出错时,获取上述数控机床的历史热误差预测信息,根据上述历史热误差预测信息中与上述当前采集时刻对应的主轴误差数据对上述数控机床的主轴进行补偿控制,其中,上述历史热误差预测信息是上述数控机床在前一采集时刻对应的热误差预测信息。
例如,可以预先设置目标温度值的数据格式是一个8比特位的整数型数据(或浮点型数据),在当前采集时刻获得的某一个目标温度值的数据格式与之不同,或者未采集到对应的目标温度值时,说明对应的传感器损坏,或者数据传输过程出现错误。此时如果采用错误的数据进行预测和补偿控制,可能会造成设备损坏或部件加工失误。但前一采集时刻中预测了接下来的多个时刻的热误差预测信息,因此本实施例中,可以获取前一采集时刻预测获得的与当前采集时刻对应的热误差预测信息,并据此进行控制,提高主轴补偿控制的准确性。
进一步的,在根据上述电压信息、上述电流信息以及上述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取上述数控机床在上述当前采集时刻对应的热误差预测信息之后,上述方法还包括:当上述当前采集时刻对应的热误差预测信息中有任意一个主轴误差数据超过预先设置的主轴误差最大值时,控制上述数控机床停止运行并发出告警信号。
具体的,上述主轴误差最大值是预先设置的主轴能够承受的最大形变值,如果预测出某一个主轴误差数据超过预先设置的主轴误差最大值,则说明在未来的该时刻,主轴可能损坏,此时可以控制上述数控机床停止,并发出告警信号,例如,将告警信息发送到用户预设的智能终端上,提醒用户及时对数控机床进行检查,提高数控机床运行的安全性。
由上可见,本发明实施例提供的数控机床主轴误差预测补偿方法中,获取数控机床在当前采集时刻对应的待处理数据,其中,上述待处理数据包括上述数控机床的主轴在第一目标时间段对应的电压信息、电流信息、环境温度信息以及目标点温度信息,上述第一目标时间段所包括的结束时间点是上述当前采集时刻,上述环境温度信息由连续采集的多个环境温度值构成,上述目标点温度信息中包括多组目标点温度数据,一组上述目标点温度数据由一个目标测温点处连续采集获取的多个目标温度值构成,各上述目标点温度数据中的目标温度值分别与上述环境温度信息中的环境温度值一一对应,上述电压信息由连续采集的多个电压值组成,上述电流信息由连续采集的多个电流值组成;根据上述环境温度信息和各上述目标点温度信息计算获取各上述目标测温点对应的目标点温度差信息,其中,一个上述目标测温点对应的上述目标点温度差信息中包括多个温度差值,上述温度差值是一个上述目标温度值与对应的一个上述环境温度值的差值;根据上述电压信息、上述电流信息以及上述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取上述数控机床在上述当前采集时刻对应的热误差预测信息,其中,上述热误差预测信息中包括预测获得的多个连续的主轴误差数据,上述主轴误差数据属于第二目标时间段,上述第二目标时间段所包括的起始时间点是上述当前采集时刻;根据上述热误差预测信息对上述数控机床的主轴进行补偿控制。
与现有技术中在预先设置的离线文件中人工查找获得采集的温度对应的补偿值的方案相比,本发明方案可以根据数控机床在当前采集时刻的待处理数据自动进行处理并通过预先训练好的数控机床热误差预测模型预测并获取对应的热误差预测信息,从而实现对数控机床的主轴进行热误差的补偿控制,无需通过人工查找获取对应的补偿值,有利于提高误差补偿效率和数控机床的工作效率。
并且,通过训练好的数控机床热误差预测模型针对待处理数据进行热误差的预测,可以综合考虑电压信息、电流信息、环境温度信息以及不同位置的目标点温度信息的影响,从而提高误差预测的准确性和补偿的准确性。
示例性设备
如图3中所示,对应于上述数控机床主轴误差预测补偿方法,本发明实施例还提供一种数控机床主轴误差预测补偿系统,上述数控机床主轴误差预测补偿系统包括:
数据获取模块510,用于获取数控机床在当前采集时刻对应的待处理数据,其中,上述待处理数据包括上述数控机床的主轴在第一目标时间段对应的电压信息、电流信息、环境温度信息以及目标点温度信息,上述第一目标时间段所包括的结束时间点是上述当前采集时刻,上述环境温度信息由连续采集的多个环境温度值构成,上述目标点温度信息中包括多组目标点温度数据,一组上述目标点温度数据由一个目标测温点处连续采集获取的多个目标温度值构成,各上述目标点温度数据中的目标温度值分别与上述环境温度信息中的环境温度值一一对应,上述电压信息由连续采集的多个电压值组成,上述电流信息由连续采集的多个电流值组成。
具体的,上述数控机床是需要进行控制的数控机床设备,本实施例中,通过上述数控机床主轴误差预测补偿系统对上述数控机床的主轴进行热误差预测和补偿控制,以降低热误差对数控机床的加工精确度的影响。
数据处理模块520,用于根据上述环境温度信息和各上述目标点温度信息计算获取各上述目标测温点对应的目标点温度差信息,其中,一个上述目标测温点对应的上述目标点温度差信息中包括多个温度差值,上述温度差值是一个上述目标温度值与对应的一个上述环境温度值的差值。
具体的,环境温度信息中的环境温度值和各组目标点温度信息中的目标温度值是一一对应的。因此,对于任意一个采集时刻,可以将目标温度值减去对应的环境温度值,获得该时刻该目标测温点对应的温度差值,并构建各个目标测温点对应的目标温度差信息。
误差预测模块530,用于根据上述电压信息、上述电流信息以及上述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取上述数控机床在上述当前采集时刻对应的热误差预测信息,其中,上述热误差预测信息中包括预测获得的多个连续的主轴误差数据,上述主轴误差数据属于第二目标时间段,上述第二目标时间段所包括的起始时间点是上述当前采集时刻。
其中,上述第二目标时间段的时间长度可以是预设的第二目标时间长度,本实施例中,上述第二目标时间长度小于或等于上述第一目标时间长度,以提高预测的精度。需要说明的是,上述热误差预测信息中包括预测获得的多个连续的主轴误差数据,且各个主轴误差数据对应的时刻不同,且相邻两个主轴误差数据之间的时间间隔等于上述待处理数据中的数据被采集时对应的预先设置的间隔长度(如0.5秒)。
误差补偿模块540,用于根据上述热误差预测信息对上述数控机床的主轴进行补偿控制。
具体的,上述热误差预测信息中包括预测获得的预测步数个连续的主轴误差数据,上述根据上述热误差预测信息对上述数控机床的主轴进行补偿控制,包括:从上述热误差预测信息中的第1个主轴误差数据开始,选择上述热误差预测信息中的目标步数个连续的主轴误差数据并作为目标误差数据;根据上述目标误差数据对上述数控机床的主轴进行逐步补偿控制;其中,上述目标步数小于上述预测步数。
具体的,本实施例中,上述数控机床主轴误差预测补偿系统及其各模块的具体功能可以参照上述数控机床主轴误差预测补偿方法中的对应描述,在此不再赘述。
需要说明的是,上述数控机床主轴误差预测补偿系统的各个模块的划分方式并不唯一,在此也不作为具体限定。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有数控机床主轴误差预测与补偿程序,上述数控机床主轴误差预测与补偿程序被处理器执行时实现本发明实施例提供的任意一种数控机床主轴误差预测补偿方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的系统/智能终端和方法,可以通过其它的方式实现。例如,以上所描述的系统/智能终端实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种数控机床主轴误差预测补偿方法,其特征在于,所述数控机床主轴误差预测补偿方法包括:
获取数控机床在当前采集时刻对应的待处理数据,其中,所述待处理数据包括所述数控机床的主轴在第一目标时间段对应的电压信息、电流信息、环境温度信息以及目标点温度信息,所述第一目标时间段所包括的结束时间点是所述当前采集时刻,所述环境温度信息由连续采集的多个环境温度值构成,所述目标点温度信息中包括多组目标点温度数据,一组所述目标点温度数据由一个目标测温点处连续采集获取的多个目标温度值构成,各所述目标点温度数据中的目标温度值分别与所述环境温度信息中的环境温度值一一对应,所述电压信息由连续采集的多个电压值组成,所述电流信息由连续采集的多个电流值组成;
根据所述环境温度信息和各所述目标点温度信息计算获取各所述目标测温点对应的目标点温度差信息,其中,一个所述目标测温点对应的所述目标点温度差信息中包括多个温度差值,所述温度差值是一个所述目标温度值与对应的一个所述环境温度值的差值;
根据所述电压信息、所述电流信息以及所述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取所述数控机床在所述当前采集时刻对应的热误差预测信息,其中,所述热误差预测信息中包括预测获得的多个连续的主轴误差数据,所述主轴误差数据属于第二目标时间段,所述第二目标时间段所包括的起始时间点是所述当前采集时刻;所述预先训练好的数控机床热误差预测模型在训练时的输入数据包括采集获取的训练机床对应的训练电压信息、训练电流信息以及训练目标点温度差信息;
根据所述热误差预测信息对所述数控机床的主轴进行补偿控制;
其中,所述第一目标时间段的时间长度等于所述第二目标时间段的时间长度;
所述获取数控机床在当前采集时刻对应的待处理数据,包括:通过预设的传感器实时获取所述数控机床的主轴在当前采集时刻的电压值、电流值以及各所述目标测温点处对应的目标温度值;通过预设的红外成像仪实时获取所述数控机床所在的目标区域在当前采集时刻的环境温度值;获取所述数控机床对应的历史数据,所述历史数据包括在所述当前采集时刻之前采集和存储的电压信息、电流信息、环境温度信息以及多个目标点温度信息;根据所述当前采集时刻的电压值、电流值、各所述目标测温点对应的目标温度值、环境温度值以及所述历史数据获取所述待处理数据;
所述通过预设的红外成像仪实时获取所述数控机床所在的目标区域在当前采集时刻的环境温度值,包括:通过预设的红外成像仪采集获取所述目标区域在当前采集时刻对应的红外图像;根据预设的测温点区域半径对所述红外图像中各所述目标测温点对应的测温点区域进行剔除,获得环境区域红外图像;计算所述环境区域红外图像对应的平均温度并作为所述当前采集时刻的环境温度值;
所述方法还包括:根据预设的数据格式判断所述数控机床在当前采集时刻对应的待处理数据是否出错;当所述数控机床在当前采集时刻对应的待处理数据出错时,获取所述数控机床的历史热误差预测信息,根据所述历史热误差预测信息中与所述当前采集时刻对应的主轴误差数据对所述数控机床的主轴进行补偿控制,其中,所述历史热误差预测信息是所述数控机床在前一采集时刻对应的热误差预测信息。
2.根据权利要求1所述的数控机床主轴误差预测补偿方法,其特征在于,所述热误差预测信息中包括预测获得的预测步数个连续的主轴误差数据,所述根据所述热误差预测信息对所述数控机床的主轴进行补偿控制,包括:
从所述热误差预测信息中的第1个主轴误差数据开始,选择所述热误差预测信息中的目标步数个连续的主轴误差数据并作为目标误差数据;
根据所述目标误差数据对所述数控机床的主轴进行逐步补偿控制;
其中,所述目标步数小于所述预测步数。
3.根据权利要求2所述的数控机床主轴误差预测补偿方法,其特征在于,所述目标步数为1。
4.根据权利要求1所述的数控机床主轴误差预测补偿方法,其特征在于,所述预先训练好的数控机床热误差预测模型是预先训练好的循环神经网络预测模型,所述循环神经网络预测模型通过以下步骤进行预先训练:
获取训练数据集,其中,所述训练数据集包括多个训练数据以及多个训练目标数据,所述训练数据与所述训练目标数据一一对应,一个所述训练数据中包括采集获取的训练机床在第一训练时间段对应的训练电压信息、训练电流信息以及训练目标点温度差信息,一个所述训练目标数据中包括采集获取的所述训练机床在第二训练时间段对应的训练热误差信息,一个所述训练数据的第一训练时间段所包括的结束时间点是与该训练数据对应的训练目标数据的第二训练时间段所包括的起始时间点;
根据所述训练数据、所述训练目标数据以及预设的热误差阈值,通过多目标优化算法对所述循环神经网络的参数进行更新并获得训练好的循环神经网络预测模型,其中,所述训练好的循环神经网络模型针对输入的训练数据进行预测获得对应的模型预测数据,所述模型预测数据与该训练数据对应的训练目标数据之间的损失值不大于所述热误差阈值。
5.根据权利要求1-4任意一项所述的数控机床主轴误差预测补偿方法,其特征在于,在根据所述电压信息、所述电流信息以及所述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取所述数控机床在所述当前采集时刻对应的热误差预测信息之后,所述方法还包括:
存储所述当前采集时刻对应的热误差预测信息。
6.根据权利要求1-4任意一项所述的数控机床主轴误差预测补偿方法,其特征在于,在根据所述电压信息、所述电流信息以及所述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取所述数控机床在所述当前采集时刻对应的热误差预测信息之后,所述方法还包括:
当所述当前采集时刻对应的热误差预测信息中有任意一个主轴误差数据超过预先设置的主轴误差最大值时,控制所述数控机床停止运行并发出告警信号。
7.一种数控机床主轴误差预测补偿系统,其特征在于,所述系统包括:
数据获取模块,用于获取数控机床在当前采集时刻对应的待处理数据,其中,所述待处理数据包括所述数控机床的主轴在第一目标时间段对应的电压信息、电流信息、环境温度信息以及目标点温度信息,所述第一目标时间段所包括的结束时间点是所述当前采集时刻,所述环境温度信息由连续采集的多个环境温度值构成,所述目标点温度信息中包括多组目标点温度数据,一组所述目标点温度数据由一个目标测温点处连续采集获取的多个目标温度值构成,各所述目标点温度数据中的目标温度值分别与所述环境温度信息中的环境温度值一一对应,所述电压信息由连续采集的多个电压值组成,所述电流信息由连续采集的多个电流值组成;
数据处理模块,用于根据所述环境温度信息和各所述目标点温度信息计算获取各所述目标测温点对应的目标点温度差信息,其中,一个所述目标测温点对应的所述目标点温度差信息中包括多个温度差值,所述温度差值是一个所述目标温度值与对应的一个所述环境温度值的差值;
误差预测模块,用于根据所述电压信息、所述电流信息以及所述目标点温度差信息,通过预先训练好的数控机床热误差预测模型预测并获取所述数控机床在所述当前采集时刻对应的热误差预测信息,其中,所述热误差预测信息中包括预测获得的多个连续的主轴误差数据,所述主轴误差数据属于第二目标时间段,所述第二目标时间段所包括的起始时间点是所述当前采集时刻;所述预先训练好的数控机床热误差预测模型在训练时的输入数据包括采集获取的训练机床对应的训练电压信息、训练电流信息以及训练目标点温度差信息;
误差补偿模块,用于根据所述热误差预测信息对所述数控机床的主轴进行补偿控制;
其中,所述第一目标时间段的时间长度等于所述第二目标时间段的时间长度;
所述获取数控机床在当前采集时刻对应的待处理数据,包括:通过预设的传感器实时获取所述数控机床的主轴在当前采集时刻的电压值、电流值以及各所述目标测温点处对应的目标温度值;通过预设的红外成像仪实时获取所述数控机床所在的目标区域在当前采集时刻的环境温度值;获取所述数控机床对应的历史数据,所述历史数据包括在所述当前采集时刻之前采集和存储的电压信息、电流信息、环境温度信息以及多个目标点温度信息;根据所述当前采集时刻的电压值、电流值、各所述目标测温点对应的目标温度值、环境温度值以及所述历史数据获取所述待处理数据;
所述通过预设的红外成像仪实时获取所述数控机床所在的目标区域在当前采集时刻的环境温度值,包括:通过预设的红外成像仪采集获取所述目标区域在当前采集时刻对应的红外图像;根据预设的测温点区域半径对所述红外图像中各所述目标测温点对应的测温点区域进行剔除,获得环境区域红外图像;计算所述环境区域红外图像对应的平均温度并作为所述当前采集时刻的环境温度值;
所述数控机床主轴误差预测补偿系统还用于:根据预设的数据格式判断所述数控机床在当前采集时刻对应的待处理数据是否出错;当所述数控机床在当前采集时刻对应的待处理数据出错时,获取所述数控机床的历史热误差预测信息,根据所述历史热误差预测信息中与所述当前采集时刻对应的主轴误差数据对所述数控机床的主轴进行补偿控制,其中,所述历史热误差预测信息是所述数控机床在前一采集时刻对应的热误差预测信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596855.XA CN114690706B (zh) | 2022-05-30 | 2022-05-30 | 一种数控机床主轴误差预测补偿方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596855.XA CN114690706B (zh) | 2022-05-30 | 2022-05-30 | 一种数控机床主轴误差预测补偿方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114690706A CN114690706A (zh) | 2022-07-01 |
CN114690706B true CN114690706B (zh) | 2022-09-20 |
Family
ID=82144068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210596855.XA Active CN114690706B (zh) | 2022-05-30 | 2022-05-30 | 一种数控机床主轴误差预测补偿方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114690706B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115342937B (zh) * | 2022-10-20 | 2023-05-05 | 正大农业科学研究有限公司 | 温度异常检测方法及装置 |
CN116027736B (zh) * | 2023-02-14 | 2023-09-12 | 广东热浪新材料科技有限公司 | 一种星盆加工设备的控制优化方法及控制系统 |
CN116047997B (zh) * | 2023-03-31 | 2023-06-20 | 中科航迈数控软件(深圳)有限公司 | 数控机床的rtcp补偿方法及装置 |
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 |
CN117075537B (zh) * | 2023-10-16 | 2024-02-13 | 季华实验室 | 车床监控方法、系统、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022344B (zh) * | 2014-04-22 | 2017-11-28 | 上海开通数控有限公司 | 数控机床热误差补偿方法 |
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 |
CN113219901B (zh) * | 2021-05-06 | 2022-06-24 | 玉林师范学院 | 一种数控机床智能化热误差补偿方法 |
CN114019909A (zh) * | 2021-10-27 | 2022-02-08 | 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 |
CN114237155B (zh) * | 2022-02-24 | 2022-06-07 | 深圳市正和楚基科技有限公司 | 一种多轴数控加工的误差预测及补偿方法、系统及介质 |
-
2022
- 2022-05-30 CN CN202210596855.XA patent/CN114690706B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114690706A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114690706B (zh) | 一种数控机床主轴误差预测补偿方法及系统 | |
US6829515B2 (en) | Method and device for determining changes in technical systems such as electric motors caused by ageing | |
JP5997330B1 (ja) | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 | |
CN101014912A (zh) | 自动化技术用现场设备的参数辨识 | |
CN1382289A (zh) | 时间约束的传感器数据检索系统和方法 | |
CN105818155A (zh) | 机器人、机器人系统以及服务器 | |
CN117608241B (zh) | 数控机床数字孪生模型的更新方法、系统、装置及介质 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN112415950A (zh) | 机器学习装置、控制系统以及机器学习方法 | |
JP7036261B1 (ja) | 異常検知装置、プログラム、異常検知方法、及び製造方法 | |
US10317355B2 (en) | Environmental sensor and method for measuring and predicting environmental parameters | |
CN114800500B (zh) | 一种用于打磨机器人的柔性恒力控制方法及系统 | |
EP2132609A1 (en) | Machine condition monitoring using discontinuity detection | |
CN111108738B (zh) | 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法 | |
CN114742108B (zh) | 一种数控机床轴承故障检测方法及系统 | |
CN113868967B (zh) | 结构监测数据预测方法、装置及存储介质 | |
JP2023002489A (ja) | 機械学習アルゴリズムをトレーニングするための方法 | |
CN110309472B (zh) | 基于离线数据的策略评估方法及装置 | |
KR20210138498A (ko) | 테스트 벤치를 작동하기 위한 장치 및 방법 | |
CN111142422A (zh) | 一种用于ios系统的传感器信息处理方法 | |
CN117943893B (zh) | 一种主轴转动刀具热伸长测量方法及测量装置 | |
CN113857936B (zh) | 一种基于视觉检测的机床立柱热补偿方法、系统和机床 | |
CN117744013B (zh) | 一种电源电子元器件的检测系统及其检测方法 | |
CN117195438B (zh) | 轴类零件尺寸误差补偿方法及装置 | |
CN117908464B (zh) | 一种机床轮廓误差预测方法、系统、装置及可读存储介质 |
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 |