CN115398360A - 用于机床上的基于特征图的误差补偿的机床控制和方法 - Google Patents

Abstract

本发明涉及一种用于补偿数控机床的误差的设备和方法，该数控机床具有至少一个可控加工轴，该可控加工轴用于使至少一个工件相对于一个或更多个加工装置相对定位。该方法包括：借助于机床上的传感器检测描述机床的状态的至少一个输入变量的实际测量值；将待由机床的控制装置使用的至少一个补偿参数提供至机床的控制装置上；以及基于提供给控制装置的补偿参数来补偿机床上的误差。补偿包括热误差的补偿、几何误差的补偿和基于机械动力学的误差的补偿。

Description

用于机床上的基于特征图的误差补偿的机床控制和方法

技术领域

本发明涉及一种用于机床上的基于特征图的误差补偿的方法和装置。此外，本发明涉及一种包括机床的系统，尤其是NC或CNC机床，该机床具有被配置成根据基于特征图的补偿来补偿误差的机床控制。

背景技术

机床的变形和结构以及动态偏差可能对加工准确度具有决定性的影响。用于补偿偏差的各种方法是已知的。

例如，DE 102014202878 A1公开了一种机床，该机床包括机架，在机架上布置了在操作过程中产生热量的功能部件，并且提供了空腔结构以形成循环回路。冷却介质在机架内在腔中循环，以便在机床的暖区域与冷区域之间产生温度平衡。

此外，位置误差可以在机器控制的帮助下被校正。DE 102010003303 A1涉及一种用于对具有至少一个线性轴线的机床上的取决于温度的位置变化进行补偿的方法和装置。根据本发明，在机床的线性轴线的温度测量位置处获取至少一个温度值，计算参考温度与所获取的温度值之间的温度差值，根据温度差值来确定补偿值，并且在机床的控制过程中，根据所确定的补偿值对取决于温度的位置变化(例如对夹紧在机床上的刀具或工件或着机床的部件或机床的线性轴线的取决于温度的位移)进行补偿。

发明内容

关于上述用于校正机床上的位置变化的方法和装置，本发明的目的是提供一种用于补偿机床上的误差的改进装置和改进方法，借助于该改进装置和改进方法，可以更高效且准确地完成补偿。此外，本发明的目的是提供一种改进的机器控制。

根据本发明，如在独立权利要求中所描述的，实现了上述本发明的目的。本发明的优选实施例的特征在从属权利要求中描述。

根据一个示例性方面，提出了一种用于补偿数控机床中的误差的方法，所述机床具有至少一个可控加工轴(Maschinenachse)，用于使至少一个工件相对于一个或更多个加工装置定位。该方法可以包括：借助于机床上的传感器来获取描述该机床的状态(特别是主轴位置、机架温度、多钳夹卡盘的夹紧路径监测、刀具位置、主轴速度)的至少一个输入变量的实际值(或当前测量值)；在机床的控制装置处提供待由机床的控制装置评估的至少一个补偿参数；以及基于提供给控制装置的补偿参数来补偿在机床处所确定的误差或偏差。该提供该至少一个补偿参数的步骤可以进一步包括：提供一个或优选多个特征图(特别是原始特征图)，这些特征图中的每一者可以描述机床的结构特性和/或机床的多个机器零件的几何布置作为相应输入变量的函数；将这些图叠加以形成组合图；提供全局校正模型，该全局校正模型被配置成基于所提供的组合特征图、获取的实际测量值和/或控制装置的一个或更多个控制参数来计算待由机床的该控制装置评估补偿参数，并且使用基于提供的单特征图和/或组合特征图、获取的实际测量值和/或控制参数的全局校正模型来计算补偿参数，并且在机床的控制装置处提供待由供控制装置评估的补偿参数。本文中，补偿参数可以是所需的目标状态和(测量的或模拟的)实际状态之间的差异。补偿参数还可以指示当前控制参数与优化控制参数之间的差异，其中，可以使用优化控制参数将机床的实际状态调整/近似至目标状态，并且因此可以减小或消除机床的误差。通过根据本发明的基于特征图的补偿，实现了对机床的偏差的非常快速和有效的补偿。因此，可以显著提高机床的加工精度，同时优化机器控制的计算能力。

基于特征图的补偿被特别有利地扩展为包括针对误差(诸如几何误差(关于旋转轴线和线性轴线))的体积补偿和针对由于机器的动力学引起的误差的补偿。因此，提出了基于一个或更多个叠加图的直接在机器控制处的综合补偿。因此，实现了在数控机床中基于特征图的误差校正。因此，可显著提高加工精度，而不显著增加机器控制的计算和通信负荷。

此外，可以基于组合特征图(即，基于特征图的误差(诸如机床上的定位误差等)校正)直接在机器控制处执行误差补偿，其中，组合特征图可以集成到机床的全局校正模型中。特别优选地，可以使用神经网络至少调整一次或多次组合特征图。这具有以下协同优点：基于所提供的特征图，在机床控制上可以有效地并且使用人性化地以及极其快速且精确地实时执行补偿。可以基于有限元模拟结合实际测量值来创建特征图(即，将机床的模拟结果和实际测量值组合以生成相应的特征图)。有利地，组合特征图还可以由神经网络不断地优化。因此，用于补偿数控机床中的误差的方法还可包括以下步骤：使用计算机实现的神经网络(人工神经网络)调节组合特征图。

全局校正模型优选地包括用于机床的振动补偿的至少一个特征图。用于减小振动的补偿参数由全局校正模型基于所提供的组合特征图(其包括用于振动补偿的特征图)和所获取的实际测量值来确定。对于振动补偿，基于提供给控制装置的补偿参数来补偿在机床处确定的误差。特别优选地，确定用于机床的噪声和振动补偿(误差补偿)的补偿参数。本文中，补偿参数用于通过经由机床控制相应地控制机床而直接和主动地影响机床处的误差。为此目的，除了对机床的轴线的相应控制之外，例如还提供了主动的机器轴承和/或主动的吸收器，以便减少在工件加工期间由加工引起的振动。因此，在数控机床上，可以以有效的方式补偿误差，从而可以提高加工精度。

所提供的特征图可各自描述机床的单个或多个机器零件的温度特性、静态位移特性和/或动态位移特性。具体地，使用多维特征图，多维特征图基于测量值和插值来确定。

可以通过叠加两个或更多个的特征图提供组合特征图。特征图可选自一组图，所述组包括三个或更多个图；例如，这些图可以描述机床的单个或多个机器零件的相应温度特性、静态位移特性和/或动态位移特性。特征图的叠加使得能够提供允许机床的综合描述的多维特征图。有利地将用于补偿几何误差的特征图与其他特征图(诸如温度特征图、功率特征图、速度特征图等)叠加以形成组合特征图。

通过叠加或者组合两个或更多个的特征图可以生成组合特征图，其结果是跨越多维的特征图空间。特征图可描述机床的单个机器零件或多个机器零件的温度特性、静态位移特性和动态位移特性。

除了温度值之外，描述机床的状态的输入变量还可以是位置值和/或加速度值和/或力值和/或扭矩值和/或应变值。具体地，还可以包括在工件上测量的湿度以及尺寸和位置值。进一步有利地提出使用在测量技术方面具有可追溯性的外部测量机器，以便进一步提高特征图的准确性。

特征图和组合特征图的输入变量优选地是向量变量的形式。优选地，首先在实验中确定多维特征图，并且随后将其集成到机器控制中。在操作期间，多维图可被动态调整。特征图的各个参数也可以随后集成到机器控制中，以便扩展组合特征图。因此，组合特征图被配置为使得特征图的后续扩展是可能的，而无需很大的努力。当图被扩展时，新的参考点可以被添加到特征图中用于特征图调整。

在本发明的具体改进中，在新参考点进入之前优选地删除另一个参考点，以便始终尽可能充分地使用预留用于特征图的存储器空间并且还在长时间训练之后维持特征图的可调性。为此目的，可以优选地选择具有最小信息内容的参考点。当参考点被省略并且其位置被插值替换时发生的误差的绝对值是该参考点的信息内容的量度。

可以以预定的时间间隔执行补偿参数的计算和/或基于补偿参数的误差补偿。特征图各自可基于输入变量的多个参考测量值的获取和/或通过评估计算机实现的模拟模型或通过对工件或刀具外部测量来提供。

可以基于获取的实际测量值和/或控制参数来调整特征图和/或组合特征图。特别优选地，可以使用神经网络调整特征图至少一次。这具有以下协同优点：基于所提供的特征图，在机床控制处可以有效地和人性化地并且非常快速且精确地实时地执行补偿。特别有利地，可以基于有限元模拟结合实际测量值来创建特征图(即，将机床的模拟结果和实际测量值组合以生成相应的特征图)。有利地，组合特征图还可以由神经网络不断地优化。特征图和/或组合特征图可以使用计算机实现的神经网络或另一AI算法基于实际测量值和/或控制参数来调整。该特殊组合使得能够获得理想地适于与全局校正模型一起使用的综合特征图，使得可以输出广泛且非常精确的校正值。

调整特征图还可以包括：在神经网络或其他AI算法上读取至少部分当前提供的特征图和/或部分当前提供的组合特征图；将实际测量值和/或控制参数读取到神经网络或其他AI算法中；确定调整的特征图和/或调整的组合特征图。

特征图和/或组合特征图的调整可以以预定的时间间隔自动地执行。

使用基于调整的特征图或者组合特征图的全局校正模型可以计算至少一个补偿参数。

可在工件插入机床时获取实际测量值。

调整组合特征图还可包括：获取由机床加工的第一工件的目标几何尺寸与测量的实际几何尺寸之间的一个或更多个几何偏差，基于所获取的实际测量值和/或至少一个控制参数和/或所获取的几何偏差调整特征图和/或组合特征图。

工件的实际几何形状可以通过光学测量装置和/或接触式测量装置获取。

可以基于所获取的实际测量值和/或控制参数，通过在组合特征图中插值来执行使用全局校正模型计算补偿参数。

此外，可提供评估装置，该评估装置被配置为叠加特征图以形成组合特征图和/或提供全局校正模型、接收记录的实际测量值和/或控制参数、基于接收的实际测量值和/或控制参数计算补偿参数以及将计算的补偿参数提供给机床的控制装置。

评估装置可整体形成为控制装置的一部分。该特征图可以优选地在控制处直接重新计算。可替代地，重新计算可以在云端或在外部计算机上执行。重新计算的特征图可以在控制处交换，或者可以存储几个特征图，然后可以相应地选择所述特征图。

一种用于补偿机床中的误差的控制系统，可包括：机床的控制装置、一个或更多个传感器，该一个或更多个传感器附接至机床以用于获取描述机床的状态的一个或更多个输入变量的实际测量值，其中，控制系统可被配置为执行补偿误差的方法。控制系统可以被配置成以集成控制的方式并且实时地校正机床上的误差。特别优选地，不仅收集数据而且还能够解释并传送数据的智能传感器也作为传感器提供。此外，提出了一种包括该控制系统的机床。

全局校正模型还可以包括基于描绘了机床的弹性特性(包括其结构可变性)的物理学的模型。通过使用组合特征图，还能够有效地确定校正对干扰和所预期的残差的敏感性。根据本发明的方法还允许在机床操作期间和操作之间的连续计算。

一种操作机床的方法可以包括该补偿方法，其中，驱动信号可以被校正，并且其中，至少一个驱动信号可以借助于特征曲线或特征图进行校正，其中，特征曲线或特征图被确定用于在测试台上或在加工测试中取决于操作点进行补偿。当使用特征图校正至少一个控制信号时是有利的。这样，可以特别有效地实现对驱动信号的受控校正。

在多个优选的示例性实施例中，神经网络可以控制在机床的控制装置处提供的特征图。来自机床的一个或更多个传感器的传感器值(例如，机床上执行的位置测量方法的位置测量值)可被传输到神经网络作为神经网络的输入数据以调整特征图。

测量探针可以用作机床上的位置测量方法。此外，可以提供电磁测量装置和/或光学测量装置(例如，激光测量装置、相机装置)。此外，机床的有限元模型和模拟可以特别优选地用于确定进一步的位置值。

有利地，测量装置可以基于物理接触和/或被配置为用于检测一维、二维和/或三维结构的光学测量装置和/或基于超声波的测量装置和/或基于雷达的测量装置和/或基于RFID的测量装置和/或基于微型GPS的测量装置。机床和工件的结构可以使用上述测量装置精确地获取。

其进一步的方面和优点以及上述方面和特征的优点和更具体的实施选项从与附图相关的以下描述和解释中是明显的，其不应被解释为以任何方式进行限制。

附图说明

图1示出了数控机床100的示例性示图；

图2图示了各种补偿的特征图；

图3图示了利用特征图优化的特征图控制。

具体实施方式

在下文中，参照附图详细描述本发明的示例和示例性实施例。图中相同或相似的元件将由相同的附图标记表示。应注意，本发明不限于以下描述的示例性实施例及其实现特征，而是还包括示例性实施例的修改，特别是在独立权利要求的范围内。

根据本发明的示例性实施例，基于一个或更多个叠加的特征图，提出了对数控机床100中的几何误差、静态误差、动态误差和热误差的补偿。因此，提出了通过误差(诸如几何误差(关于旋转轴线和线性轴线))的体积补偿来调整基于特征图的补偿，以及补偿由于机器的动力学引起的误差。特别有利地，提出了在单个校正模型(所谓的全局校正模型)中对所有校正的控制。以此方式，实现了仅需要降低的计算功率的基于精确特征图的数控机床中的误差校正。因此，在不显著增加整个机器控制的计算和通信努力的情况下，可显著改善加工精度。

图1中以示例示出了具有根据本发明的示例性实施例的机床控制的数控机床100。通过示例，机床被示出为铣床。然而，本发明不限于铣床，而是还可用于其他机床类型，例如在被配置成用于例如通过钻孔、铣削、车削、磨削进行工件加工的金属切割机床中，诸如铣削机床、通用铣削机床、车床、车削中心、自动车床、铣削/车削机床、加工中心、磨削机床、齿轮切削机床等。

例如，机床100包括机架，该机架包括机床床身101和机床台架102。在机床床身101上，例如，布置有可移动的机床滑橇105，该可移动的机床滑橇105被安装成例如使得它可以在机床床身101上在Z方向(Z轴)上水平地移动。例如，工件WP被夹在机床滑橇105上，机床滑橇105可包括例如工件台。为此目的，夹紧装置还可以设置在机床滑橇105或工具台上。此外，在另外的示例性实施例中，机床滑橇105可以包括旋转台，该旋转台可以围绕竖直和/或另外的水平轴线(任选的旋转轴线或旋转和/或枢转轴线)旋转或枢转。此外(或替代地)，机床滑橇105可以借助于Y轴在水平的Y方向(潜在地垂直于附图的平面)上移动。

例如，机床台架102承载主轴载体滑橇103，该主轴载体滑橇103可在机床台架102上在X方向上竖直移动并且例如承载刀具的工作主轴104被保持在该主轴载体滑橇103上。工作主轴104被配置为驱动保持在工作主轴104上的刀具WZ(例如，钻孔和/或铣削刀具)围绕主轴轴线SA旋转。例如，主轴载体滑橇103可以借助于X轴在X方向上竖直地移动。此外(或可替代地)，主轴载体滑橇103可以借助于Y轴在水平Y方向(潜在地垂直于附图的平面)上移动。此外，在另外的示例性实施例中，主轴载体滑架103可以包括旋转轴线和/或枢转轴线以便使主轴104旋转或枢转(任选的旋转轴线或旋转轴线和/或枢转轴线)。

例如，机床100还包括机床控制200，机床控制200包括例如屏幕210(例如，被配置为触摸屏)和输入单元220以供机床100的操作者操作。例如，输入单元220可以包括用于用户输入或用于接收来自操作者的用户命令的装置，诸如按钮、滑块、旋转控制、键盘、开关、鼠标、轨迹球以及可能的一个或更多个触敏表面(例如，触摸屏，可与屏幕210组合)等。操作者可以使用机床控制200来控制机床的操作或者机床上的加工过程，并且还在加工期间监控机床100的操作状态或者加工过程。例如，机床控制200包括NC控制和可编程逻辑控制(还有SPS或PLC)。在优选的示例性实施例中，监控装置还可以将由机床控制读出或接收的数据作为输入数据提供至监控应用的神经网络NN，尤其是在对工件进行加工时周期性地进行。在优选的示例性实施例中，监控装置被配置成当机床100处于异常操作状态时将影响加工过程的控制数据输出至机床控制系统，以便执行过程中断、驱动停止或刀具更换。

在数控机床100中有待补偿的误差在此并不限于热定位误差，而是包括在(整个)机床中的大量可能的误差(即，根据本发明的补偿允许补偿机床中的全局误差)。特别地，误差包括动态地引起机床的移动机器零件的位置偏差，诸如主轴安装件、刀具滑动件、机床滑动件105以及主轴承载体滑动件103。此外，根据本发明的补偿允许对机床100的不期望的振动(还有声学偏差)进行主动补偿。要在数控机床中补偿的误差还包括机床的机床部件的静态引起的位置偏差，该偏差例如由夹紧工件的重量或由于移位的机床部件引起的机床上的变化的重量分布引起。根据本发明，提出一种基于特征图的控制，其优选地集成到自适应机床控制中。提出了一种基于一个或更多个叠加的特征图的数控机床100中的几何误差、静态误差、动态误差和热误差的补偿。

在图2中，通过示例的方式以简化形式示出了多个特征图。在此，不同的特征图被提供用于补偿机床中的不同误差。例如，可以提供机床100(或者机床的机床部件)的相应特征图，用于几何误差(例如，线性和旋转轴线中的误差)的体积补偿。可以提供用于动态补偿的相应特征图，用于补偿由于机床的动力学引起的误差，诸如俯仰补偿等。还提供了相应的特征图用于补偿机床中的与温度相关的误差，例如由于与加工相关的温度升高或环境温度变化而引起的误差。有利地，这些特征图还可以被合并以形成组合的特征域。因此，用于补偿几何误差的特征图有利地与其他特征图(诸如温度特征图、功率特征图、速度特征图等)叠加以形成组合特征图。因此，可以实现对机床的不同误差分量的独立于控制的和自由的校正。

特征图可以例如以多条特征曲线的形式或在多维坐标系中表示多条特征曲线作为多个输入变量的函数。特征曲线描述了机床的特性作为输入变量的函数。实际上，例如，使用特征曲线来确定操作点，以确定在特征曲线上的特定点处的线性近似。此外，它们可用于确定部件的功率损耗或校正由传感器发射的信号。

对于基于特征图的补偿，特征图可以被理解为输入变量到一维或多维位移或到补偿参数的连续映射。最重要的输入变量是存在于机器结构上的参数(例如，由布置在机床结构的传感器位置处(例如，在机床床身上、在机床的可移动部件上、在机床的可旋转或可枢转部件上等)的一个或多个传感器记录或测量)以及机床轴线的位置数据。除了测量值之外，可以基于在虚拟机床上的数据处理过程或模拟或基于机床的数字化孪生和/或基于在测试操作中的机床上的实验测定值来计算或确定特征图。

根据本发明，提出了一种特征图(或组合的多维特征图)的集成应用，该特征图用于补偿线性或旋转轴线中的系统几何误差、用于补偿与温度相关的误差，以及用于补偿由于机器的动力学引起的误差(诸如俯仰补偿等)。从机床控制系统的组合特征图输出校正项，该校正项是使用工作空间中的大量测量点和/或通过诸如FEM(有限元法)或多体模拟的计算机模拟预先确定的。换言之，将用于补偿几何误差的特征图与诸如温度特征图、功率特征图、速度特征图的其他特征图叠加，以形成组合特征图。因此，可以实现对机床的不同误差分量的独立于控制的和自由的校正。此外，特征图可以优选地通过创建机械静力学(几何精度)和/或动力学(定位精度)的参数来补充。特征图可以有利地通过使用测量装置(测量机器)确定零件(初始样品)处的偏差来校正/优化，以便将特征图精确地调整到零件的范围。

例如，组合特征图可以由机床存储器中存在的多个参考点来表示。使用叠加控制，确定针对操作点读出的图特征值与最佳目标值的偏差。组合特征图可以结合到全局校正模型中以便确定补偿值。根据本发明的全局校正模型被配置成基于提供的特征图、获取的实际测量值以及控制装置的一个或更多个控制参数来计算将由机床的控制装置评估的补偿参数。

基于全局校正模型，可以输出例如用于位置变化的多维校正向量以用于校正误差(诸如位移校正等)。与常规体积补偿相比，尤其有利的是，仅使用基于所提供的特征图的全局校正模型来执行补偿。这样可以减少计算时间，实现快速高效的补偿。此外，使得独立于控制且稳定的补偿成为可能。

在根据本发明的示例性实施例的有利的进一步改进中，基于所输入的输入变量，用于误差的内部控制补偿的校正项或一个或更多个校正参数可以周期性地从全局校正模型传递至机床控制，例如，通过评估传感器和/或内部控制数据，然后机床控制使用传输的校正项执行误差补偿。例如，通过基于所传输的校正项来调整机床的线性轴线、旋转轴线和/或枢转轴线的目标位置，可以补偿几何误差或动态误差。待补偿的数控机床的误差不限于热定位误差，而是包括大量误差，诸如机床的几何误差、动态误差和静态误差(即，根据本发明的补偿允许补偿机床的全局误差)等。

为了优化特征图(原始特征图)和/或全局校正模型，优选地实施可以使用新数据来更新特征图的神经网络结构。神经网络可以由机床控制在外部提供。然而，神经网络结构特别有利地集成到实际机床控制中。

用于神经网络的新训练或输入数据可以优选地从真实过程中或在机床上的操作过程中(例如，在实验测试操作中和/或在机床上的真实加工过程中)确定，并且另外地或可替代地，用于神经网络的训练或输入数据还可以从机床的计算机执行的模拟中确定，例如在虚拟机床上和/或在基于机床的数字化孪生上。连同来自有限元分析、机床(虚拟机床或数字化孪生)的计算机模拟和/或机床的实验操作的现有数据，可以在神经网络的帮助下生成优化特征图的新数据。该优化优选循环进行。因此，实现了用于自监控机床的控制集成解决方案。

对于神经网络对一个或多个特征图的调整，特征图或特征图中的条目可以作为神经网络的输入数据从机床控制传递至神经网络，并且特征图或其至少一部分可以被读入神经网络中。此外，可以从机床、从机床中的传感器和/或从机床的机床控制中读取新数据或输入变量。然后优选地基于神经网络的网络结构来更新或调整特征图和/或更新或调整特征图中的至少一个或多个条目。神经网络的网络结构可以基于径向基函数和/或插值函数(例如，线性和非线性回归方法)。根据示例性实施例的连续学习补偿算法优选地基于神经网络和/或插值函数(例如，线性和/或非线性回归方法、径向基函数、多项式基函数等)。此外，可并入用于插值函数的插值参考点的独立适应的基因算法。因此，可以实现对机床的各种误差分量的独立控制的和自由的校正。

从机器控制的特征图或全局校正模型中传输补偿参数，补偿参数是通过操作空间中的足够的测量点并且优选地通过计算机模拟预先确定的。特征图还优选地随时间更新或优化，以便在特征图中考虑机床随时间推移的变化(例如，磨损)并且因此还补偿几何形状随时间推移的变化。

补偿参数用于调整一个或更多个目标位置，以便校正或补偿机床上的几何、动态、静态和热引起的位置变化。本文中，相应的补偿参数可以指定能够用于机床的各个轴线的校正参数，或者还指定各个正交方向上的校正参数。

在进一步的示例性实施例中，可以提供PLC实时系统，例如，该PLC实时系统读取输入变量并且将输出变量输出。还可以提供连接到PLC系统的IPC系统以用于计算索引。IPC系统用于在考虑外部存储的特征图的情况下以索引的形式处理所输入的数据，以便随后根据所确定的误差或偏差经由实时系统将补偿参数输出到机床。

在第一步骤中，获取输入变量，其中测量值描述了正在被检测和读取的机床的状态。读取多个值，诸如温度值T1-T8、位置值POS等作为输入变量。此外，其他传感器值可被用作输入变量，诸如压力测量值(例如，机床的液压和/或气动系统中的压力测量值、机床的冷却回路系统中的压力测量值等)、振荡或振动测量值(例如来自振动或振荡传感器)、力测量值(例如来自力传感器、应变仪传感器等)、扭矩测量值(例如来自扭矩传感器或基于力测量值的计算)、有源功率值、加速度测量值(例如，来自加速度传感器)、结构噪声值(例如，来自结构噪声传感器)等。在过程开始时至少读入一次输入变量。此外，可有利地以有规律的时间间隔重复地执行读取。从机床控制获得的或者从机床控制确定或评估的参数可以包括，例如，机床的轴线的目标位置值、机床的轴线的确定的实际位置值、旋转速度(例如，主轴速度)、马达电流、马达功率等。

读取的输入变量在实时系统中经受合理性检查，以便确保对数据进行稳健处理并且例如在早期阶段检测测量误差。在进一步的步骤中，提供补偿参数。提供补偿参数包括读取特征图或组合特征图，并且叠加特征图以形成组合特征图。从特征图创建机床的全局校正模型，通过该全局校正模型确定补偿参数。特别地，记录输入变量与特征图的理想参数的偏差。根据记录的差值计算校正参数或补偿参数。补偿参数可经由机器控制被应用于机床的控制值，使得机床中的误差被补偿，例如基于所传输的补偿参数，通过调节机床的一个或更多个可移动部件的目标位置(例如，机床的线性轴线、旋转轴线和/或枢转轴线)来补偿。例如，可通过将偏移的补偿参数添加到位置命令来补偿位置命令。此外，可以针对每个预定时间确定最后计算的偏移幅度与当前偏移幅度之间的变化。

根据一些示例性实施例，在数据处理方法或基于计算机的模拟中对机床的完整分析开始于对机器或机床的一个或更多个有限元模型的分析，可以生成或计算优选地描述机器或机床的温度特性的一个或更多个特征图。在进一步的示例性实施例中-作为基于FEM的模拟的一个或多个特征图的计算的补充或替代-还可以基于机床(所谓的虚拟机床或所谓的数字化孪生)的计算机模拟计算、确定和/或调整特征图。此外或者作为替代方案，还可以基于在测试操作中的机床上的实验测定值来确定和/或调整特征图。

图3示出了使用神经网络对用于机床上的误差补偿的基于特征图的方法进行特征图优化。

在第一步骤中，确定或读出参数。具体地，以特定时间间隔周期性地确定和读取第一参数。这些第一参数包括例如温度偏差、几何偏差和动态偏差。另外，确定并读取第二参数。实时地控制和/或读出第二参数。第二参数包括例如机床的位置、速度、功率、旋转速度等。在第一步骤中，读取特征图的输入变量(例如从机床控制读取或通过直接传输来自机床上的传感器的传感器值)。

优选地，读取待更新的特征图的一些或全部输入变量。还可以读取另外的输入变量。替代地或附加地，传感器数据还可以从机床的计算机实现的模拟(例如，在虚拟机床上或者基于机床的数字化孪生)生成，即所谓的合成生成的传感器数据。这优选包括从机床的温度传感器读取温度测量值。此外，这可以包括读取与机床的移动部件(例如，可移动轴线)的实际位置相关的位置数据，例如，来自机床控制或来自机床的位置测量传感器。此外，可以读取附加的传感器数据或控制数据。

在第二步骤中，使用一个或更多个特征图。具体地，根据在第一步骤中确定的参数实时确定校正参数。至少一个特征图可存储在外部计算机上或直接存储在控制处。所使用的特征图包括描述机床的结构特性(具体是用于补偿几何误差的特征图)、动态特性(速度特征图)、功率特征图和温度特性(温度特征图)的特征图。特征图可以基于测量值和基于有限元模型的模拟而生成，并且优选地被提供为机器控制装置处的存储数据结构(例如，作为查找表或查找矩阵)。除了所提及的特征图之外，可以有利地读取特定特征的特定工件特征图。特定工件特征图描述了在加工特殊预定义工件时的机器特性。还可以将特征图组合以形成组合(多维)特征图。这随后使得能够提供全局校正模型，其中所有校正可以被映射在一个模型中。在控制侧上，这导致具有减小的计算功率的更高的准确度。

有利地，指定温度作为测量的输入变量的函数的特定温度特征图由通过模型计算虚拟计算的特征图扩展。此外，可以组合其他测量和/或模拟的特征图，诸如用于补偿几何误差的特征图、功率特征图和速度特征图等。通过将特征图(模拟的和测量的)合并到组合特征图中，包含在虚拟特征图中的参数可以被适配，从而使得机床的全局校正模型(其包含所有传入变量的相互作用)能够实现纯理论预测以及仅需要很少的实验支持的报告。

有利地，第二步骤还可以包括特征图调整，如图3示出的。首先，确定用于图调整的训练数据。例如，训练数据可以通过测试程序、机器测量或外部工件测量来确定。读取训练数据以便训练神经网络或AI算法。外部测量的位置数据可以用于将机器控制装置上的实际位置和目标位置与附加位置测量值进行比较。此外，还可从机床的计算机实现的模拟中提供训练数据。

在下一个步骤中，加载原始特征图(优化前的初始状态的特征图)。原始特征图可存储在外部计算机上或直接存储在机器控制装置处。在下一步骤中，可以调整至少一个(原始)特征图。基于训练数据和先前确定的参数，使用AI算法或神经网络来调整或优化图。在最后阶段，可以提供机器控制装置的特征图(优化特征图)。例如，优化的特征图被整合到全局校正模型中，并且由此被提供给机床。机床的控制装置可以使用包括优化特征图的全局校正模型来计算待使用的补偿参数。

在最后一个步骤中，校正值被传输至机器控制。

全局校正模型可以用于描述和校正整个机床的结构、动力学和热特性。首先，机床的当前状态可基于当前测量值或输入变量来确定。对于每个状态，存在映射特征图的单独参数集，其中参数作为输入变量u的函数被存储在特征图中。参数是基于当前输入变量u(tn)确定的，例如通过插值。然后可以基于提供给控制装置的补偿参数来补偿机床上的误差。例如，可以使用全局校正模型在固定或可变时间处确定例如TCP(刀具中心点；操作点有效点，刀具参考刀具操作点)的位移。计算出的位移然后可用作偏移。全局校正模型可以是控制回路，并且优选地包括机床的黑盒模型或白盒模型。全局校正模型还可包括机床的各个系统的链路，其输出变量由测量元件测量并且经由目标/实际值比较反馈至机器控制系统。作为机器控制和受控系统之间的接口的致动器可以是受控系统的一部分。

本文中，全局校正模型优选地直接集成到机器控制中，使得可以自主地补偿偏差。因此，直接在机床上对误差进行几乎瞬时的补偿是可能的。通过将补偿集成到控制中，还可以基于全局校正模型来预测位移，其中，可以从NC代码直接读取诸如旋转速度等的某些输入变量。温度特性、位置和位移也可在机床操作期间在某些限制内预测，使得补偿参数能够已经适配于预期的误差，以便使误差最小化。然而，如果通过评估测量值来确定进一步的偏差，则可以进一步调整补偿参数。还可以使用全局校正模型来预期在测量时间期间发生的机床误差，使得还将机床的时变特性考虑在内。在迭代过程中，在全局校正模型中耦合输入变量的测量/确定值和值地处理过程，允许残差的最优总体最小化。

在进一步的改进中，提出了与机床的系统状态相关联地生成和存储补偿参数，机床的系统状态是在生成补偿参数时获取的。在稍后识别适当的系统条件时，机床控制能够使用之前生成并存储的补偿参数来调整机床功能的时机，从而能够容易且有效地提高机床精度。

在特别有利的进一步改进中，除了所提及的特征图之外，还使用了特定的特定工件特征图。特定工件特征图描述了在加工特定预定义工件时的加工特性。通过将特定工件特征图集成到组合特征图中，由于在控制中已经预期特定工件偏差，因此机床在加工限定的工件时的精度可以显著提高。因此，即使在这些偏差或误差实际发生之前也能够预先确定这些偏差或误差，并且甚至在误差发生之前也能够通过机器控制系统开始适当的补偿。可以实时地检测并补偿在加工过程期间发生的附加误差。

上面已经参考附图详细地描述了本发明的示例或示例性实施例及其优点。应再次注意，本发明决不限于或限制于上述示例性实施例及其实现特征，而是还包括示例性实施例的修改，特别是通过修改所描述的示例的特征或通过组合所描述的示例的一个或更多个特征而被包括在独立权利要求的范围内的那些修改。

Claims (20)

1.一种用于补偿数控机床(100)中的误差的方法，所述数控机床(100)包括至少一个可控加工轴，所述至少一个可控加工轴用于使至少一个工件相对于一个或更多个加工装置定位，

所述方法包括：

借助于所述机床(100)上的传感器获取描述所述机床(100)的状态的至少一个输入变量的实际测量值，

将至少一个补偿参数提供给所述机床的控制装置(200)，所述至少一个补偿参数待由所述机床(100)的控制装置(200)评估，

基于提供给所述控制装置(200)的补偿参数来补偿所述机床(100)上的误差，

其中，所述提供至少一个补偿参数的步骤进一步包括：

提供一个或更多个特征图，所述一个或更多个特征图中的每一个特征图描述所述机床(100)的结构特性和/或所述机床(100)的机器零件的几何布置，作为对应输入变量的函数，

提供全局校正模型，所述全局校正模型被配置成基于所提供的至少一个特征图、所获取的实际测量值和/或所述控制装置(200)的一个或更多个控制参数来计算待由所述机床(100)的所述控制装置(200)评估的所述补偿参数，

使用基于所提供的至少一个特征图、所获取的实际测量值和/或控制参数的全局校正模型来计算补偿参数，

将待由所述控制装置评估的补偿参数提供给所述机床(100)的所述控制装置(200)。

2.根据权利要求1所述的方法，其特征在于，所提供的所述特征图各自描述所述机床(100)的单个或多个机器零件的温度特性、静态位移特性和/或动态位移特性。

3.根据权利要求1所述的方法，其特征在于，叠加多个特征图以形成组合特征图，并且提供所述组合特征图，其中，所述特征图选自以下特征图：包括优选地描述所述机床(100)的单个或多个机器零件的温度特性和静态位移特性、功率特性和/或动态位移特性的多个特征图。

4.根据前述权利要求中任一项所述的方法，其特征在于，描述所述机床(100)的状态的输入变量是至少温度值以及附加位置值和/或加速度值和/或力值和/或扭矩值和/或应变值和/或湿度值和/或直接在工件上测量的值。

5.根据前述权利要求中任一项所述的方法，其特征在于，所述特征图和/或所述组合特征图的所述输入变量是矢量变量的形式。

6.根据前述权利要求中任一项所述的方法，其特征在于，所述补偿参数的计算和/或基于所述补偿参数的误差补偿能够以自由可选择的时间间隔执行。

7.根据前述权利要求中任一项所述的方法，其特征在于，所述特征图各自基于获取所述输入变量的多个参考测量值和/或通过评估计算机实现的模拟模型或通过对工件外部测量而提供。

8.根据前述权利要求中任一项所述的方法，其特征在于，基于所获取的实际测量值和/或所述控制参数来调整所述特征图和/或所述组合特征图。

9.根据权利要求8所述的方法，其特征在于，基于所述实际测量值和/或所述控制参数，利用计算机实现的神经网络或其他AI算法执行对所述特征图和/或所述组合特征图的调整。

10.根据权利要求9所述的方法，其特征在于，所述特征图和/或所述组合特征图的调整包括：

将至少部分当前提供的特征图和/或部分当前提供的组合特征图读取到神经网络或其他AI算法中；

将实际测量值和/或控制参数读取到神经网络或其他AI算法；

确定调整的特征图和/或调整的组合特征图。

11.根据权利要求8至10中任一项所述的方法，其特征在于，以预定时间间隔自动地执行所述特征图和/或所述组合特征图的调整。

12.根据权利要求8至11中任一项所述的方法，其特征在于，使用基于所述调整的特征图或组合特征图的所述全局校正模型来计算所述至少一个补偿参数。

13.根据前述权利要求中任一项所述的方法，其特征在于，所述实际测量值是在工件插入所述机床(100)中获得的。

14.根据权利要求13所述的方法，其特征在于，所述特征图和/或所述组合特征图的调整还包括：

获取由机床加工的第一工件的目标几何尺寸与测量的实际几何尺寸之间的一个或更多个几何偏差，

基于所获取的实际测量值和/或至少一个控制参数和/或所获取的几何偏差来调整特征图和/或组合特征图。

15.根据权利要求14所述的方法，其特征在于，通过光学测量装置和/或接触式测量装置获取所述第一工件的所述实际几何尺寸。

16.根据前述权利要求中任一项所述的方法，其特征在于，基于获取的所述实际测量值和/或所述控制参数，通过在组合特征图中插值来执行使用所述全局校正模型对所述补偿参数的计算。

17.根据前述权利要求中任一项所述的方法，其特征在于，评估装置被配置为叠加所述特征图以形成所述组合特征图和/或提供所述全局校正模型、接收所获取的实际测量值和/或所述控制参数、基于接收的所述实际测量值和/或所述控制参数计算所述补偿参数、以及将所计算的补偿参数提供给所述机床(100)的所述控制装置。

18.根据权利要求17所述的方法，其特征在于，所述评估装置整体形成为所述控制装置(200)的一部分。

19.根据权利要求16所述的方法，其特征在于，在云端或在外部计算机上重新计算所述特征图并且在机器控制处交换重新计算的所述特征图。

20.一种用于补偿机床(100)上的误差的控制系统，包括：

机床的控制装置(200)，

一个或更多个传感器，所述一个或更多个传感器附接至所述机床，用于获取描述所述机床(100)的状态的一个或更多个输入变量的实际测量值，

其特征在于，所述控制系统被配置成执行根据前述权利要求任一项所述的方法。

Images