CN115576268B - 一种数控加工设备的跟随误差预测方法 - Google Patents
一种数控加工设备的跟随误差预测方法 Download PDFInfo
- Publication number
- CN115576268B CN115576268B CN202211564659.0A CN202211564659A CN115576268B CN 115576268 B CN115576268 B CN 115576268B CN 202211564659 A CN202211564659 A CN 202211564659A CN 115576268 B CN115576268 B CN 115576268B
- Authority
- CN
- China
- Prior art keywords
- numerical control
- control machining
- machining equipment
- component
- following error
- 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
- 238000003754 machining Methods 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 95
- 238000010586 diagram Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000004044 response Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34119—Function generator, filter after interpolator to control position 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
本发明公开了一种数控加工设备的跟随误差预测方法，本发明建立了用于预测数控加工设备在非稳态下的跟随误差的目标预测模型，目标预测模型通过分析数控加工设备的部件指令分布图，可以得到指令的接收频率和分布位置，进而判断出数控加工设备当前可能执行的操作，然后根据操作的复杂程度预测出数控加工设备可能产生的跟随误差。解决了现有技术中通过人工检测加工零件的轮廓误差，再通过轮廓误差分析出加工设备的跟随误差，不仅人力成本高且难以保障数据的准确性的问题。
Description
技术领域
本发明涉及设备管理领域，尤其涉及的是一种数控加工设备的跟随误差预测方法。
背景技术
数控加工技术在各行各业中具有广泛的应用，例如五轴数控加工技术就广泛应用在制造行业。然而数控加工设备在加工零件时存在各种误差，例如五轴联动数控机床会产生跟随误差，由于跟随误差会影响零件的形状和尺寸精度，因此可以以跟随误差为导向对数控机床进行补偿，以减小零件的轮廓误差。由于跟随误差最终会反映到零件的加工精度上，从而使在加工过程中产生的实际轨迹和理论轨迹之间产生偏差，即零件的轮廓误差，因此现有的跟随误差的计算方式是通过人工检测加工零件的轮廓误差，再通过轮廓误差分析出跟随误差。然而数控机床在非稳态时的轨迹变化复杂，因此人工检测方法不仅人力成本高且难以保障数据的准确性。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种数控加工设备的跟随误差预测方法，旨在解决现有技术中通过人工检测加工零件的轮廓误差，再通过轮廓误差分析出加工设备的跟随误差，不仅人力成本高且难以保障数据的准确性的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种数控加工设备的跟随误差预测方法，其中，所述方法包括：
获取数控加工设备对应的运动信息，根据所述运动信息判断所述数控加工设备是否处于非稳态；
当所述数控加工设备处于非稳态时，获取所述数控加工设备对应的部件指令分布图，其中，所述部件指令分布图用于反映所述数控加工设备上各部件分别对应的分布位置和指令接收频率；
将所述部件指令分布图输入目标预测模型，得到所述数控加工设备对应的预测跟随误差。
在一种实施方式中，所述根据所述运动信息判断所述数控加工设备是否处于非稳态，包括：
根据所述运动信息确定所述数控加工设备对应的运动加速度；
根据所述运动加速度的方向和数值，确定所述数控加工设备对应的运动位置类别；
当所述运动位置类别为启动点、反向点、停止点的其中一种时，判断所述数控加工设备处于非稳态。
在一种实施方式中，所述部件指令分布图的生成过程包括：
获取所述数控加工设备对应的部件分布图，其中，所述部件分布图包括若干部件节点，每一所述部件节点与所述数控加工设备的一个部件对应；
获取各所述部件节点分别对应的指令接收频率，根据各所述部件节点分别对应的所述指令接收频率调节各自对应的节点形态；
根据调节后的所述部件分布图，确定所述部件指令分布图。
在一种实施方式中，所述根据各所述部件节点分别对应的所述指令接收频率调节各自对应的节点形态，包括：
根据各所述部件节点分别对应的所述指令接收频率，确定各所述部件节点分别对应的节点大小；
根据各所述部件节点分别对应的所述指令接收频率对各所述部件节点进行聚类，得到若干节点簇，其中，位于同一所述节点簇中的任意两个相邻的所述部件节点之间的距离小于距离阈值，且所述指令接收频率之差小于预设差值；
根据各所述节点簇，确定各所述部件节点分别对应的颜色标记，其中，各所述节点簇分别对应不同的所述颜色标记；
根据各所述部件节点分别对应的所述节点大小和所述颜色标记调节各自对应的所述节点形态。
在一种实施方式中，所述目标预测模型的训练方法包括：
获取所述数控加工设备处于非稳态时采集的若干历史部件指令分布图和各所述历史部件指令分布图分别对应的历史响应数据；
根据各所述历史部件指令分布图分别对应的所述历史响应数据，确定各所述历史部件指令分布图分别对应的跟随误差标签；
根据各所述历史部件指令分布图和各所述跟随误差标签对所述目标预测模型进行迭代训练，得到已训练的所述目标预测模型。
在一种实施方式中，所述方法还包括：
当所述运动位置类别为平稳点时，判断所述数控加工设备处于稳态；
根据所述部件指令分布图确定所述数控加工设备对应的指令接收速度；
根据所述指令接收速度和预设的比例关系，确定所述数控加工设备处于稳态时的稳态跟随误差。
在一种实施方式中，所述方法还包括：
获取预设时间段内所述数控加工设备的所述稳态跟随误差和所述预测跟随误差；
根据所述稳态跟随误差和所述预测跟随误差，确定所述数控加工设备对应的整体跟随误差。
第二方面，本发明实施例还提供一种数控加工设备的跟随误差预测装置，其中，所述装置包括：
判断模块，用于获取数控加工设备对应的运动信息，根据所述运动信息判断所述数控加工设备是否处于非稳态；
获取模块，用于当所述数控加工设备处于非稳态时，获取所述数控加工设备对应的部件指令分布图，其中，所述部件指令分布图用于反映所述数控加工设备上各部件分别对应的分布位置和指令接收频率；
预测模块，用于将所述部件指令分布图输入目标预测模型，得到所述数控加工设备对应的预测跟随误差。
第三方面，本发明实施例还提供一种终端，其中，所述终端包括有存储器和一个以上处理器；所述存储器存储有一个以上的程序；所述程序包含用于执行如上述任一所述的数控加工设备的跟随误差预测方法的指令；所述处理器用于执行所述程序。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适用于由处理器加载并执行，以实现上述任一所述的数控加工设备的跟随误差预测方法的步骤。
本发明的有益效果：本发明预先建立了用于预测数控加工设备在非稳态下的跟随误差的目标预测模型，目标预测模型通过分析数控加工设备的部件指令分布图，可以得到指令的接收频率和分布位置，进而判断出数控加工设备当前可能执行的操作，然后根据操作的复杂程度预测出数控加工设备可能产生的跟随误差。解决了现有技术中通过人工检测加工零件的轮廓误差，再通过轮廓误差分析出加工设备的跟随误差，不仅人力成本高且难以保障数据的准确性的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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中记载的一些实施例，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控加工设备的跟随误差预测方法的流程示意图。
图2是本发明实施例提供的数控加工设备的跟随误差预测装置的内部模块示意图。
图3是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了一种数控加工设备的跟随误差预测方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。 应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
数控加工技术在各行各业中具有广泛的应用，例如五轴数控加工技术就广泛应用在制造行业。然而数控加工设备在加工零件时存在各种误差，例如五轴联动数控机床会产生跟随误差，由于跟随误差会影响零件的形状和尺寸精度，因此可以以跟随误差为导向对数控机床进行补偿，以减小零件的轮廓误差。由于跟随误差最终会反映到零件的加工精度上，从而使在加工过程中产生的实际轨迹和理论轨迹之间产生偏差，即零件的轮廓误差，因此现有的跟随误差的计算方式是通过人工检测加工零件的轮廓误差，再通过轮廓误差分析出跟随误差。然而数控机床在非稳态时的轨迹变化复杂，因此人工检测方法不仅人力成本高且难以保障数据的准确性。
针对现有技术的上述缺陷，本发明提供一种数控加工设备的跟随误差预测方法，所述方法通过获取数控加工设备对应的运动信息，根据所述运动信息判断所述数控加工设备是否处于非稳态；当所述数控加工设备处于非稳态时，获取所述数控加工设备对应的部件指令分布图，其中，所述部件指令分布图用于反映所述数控加工设备上各部件分别对应的分布位置和指令接收频率；将所述部件指令分布图输入目标预测模型，得到所述数控加工设备对应的预测跟随误差。本发明预先建立了用于预测数控加工设备在非稳态下的跟随误差的目标预测模型，目标预测模型通过分析数控加工设备的部件指令分布图，可以得到指令的接收频率和分布位置，进而判断出数控加工设备当前可能执行的操作，然后根据操作的复杂程度预测出数控加工设备可能产生的跟随误差。解决了现有技术中通过人工检测加工零件的轮廓误差，再通过轮廓误差分析出加工设备的跟随误差，不仅人力成本高且难以保障数据的准确性的问题。
如图1所示，所述方法包括：
步骤S100、获取数控加工设备对应的运动信息，根据所述运动信息判断所述数控加工设备是否处于非稳态。
简言之，处于稳态时的数控加工设备的跟随误差相对稳定，所以平稳状态下的数控加工设备的跟随误差容易计算。本实施例主要是用于预测数控加工设备处于非稳态时的跟随误差。具体地，首先需要判断数控加工设备当前所处的运行状态，由于数控加工设备处于稳态和非稳态时其运动特征具有较大差别，因此通过获取数控加工设备的运动信息可以判断运行状态。
在一种实现方式中，所述步骤S100具体包括：
步骤S101、根据所述运动信息确定所述数控加工设备对应的运动加速度；
步骤S102、根据所述运动加速度的方向和数值，确定所述数控加工设备对应的运动位置类别；
步骤S103、当所述运动位置类别为启动点、反向点、停止点的其中一种时，判断所述数控加工设备处于非稳态。
具体地，由于加速度具有矢量性，因此本实施例主要从数值和方向两个层面对数控加工设备的运动加速度进行分析。其中，数值可以反映数控加工设备当前的速度变化快慢，方向可以反映数控加工设备当前的运动方向，因此通过运动加速度的数值和方向可以判断出数控加工设备当前处于何种运动位置，例如启动点和停止点两个类别的运动位置相较于其他类别的运动位置而言速度变化较快，其中，启动点是速度突然变快，停止点是速度突然变慢；反向点相较于其他类别的运动位置而言运动方向的变化较大。因此通过运动加速度的方向和数值，可以确定数控加工设备的运动位置类别。由于数控加工设备在启动点、反向点、停止点三个运动位置时状态变化较大（存在大量的突变值），因此本实施例将数控加工设备在启动点、反向点、停止点三个运动位置时的状态判定为非稳态。
如图1所示，所述方法还包括：
步骤S200、当所述数控加工设备处于非稳态时，获取所述数控加工设备对应的部件指令分布图，其中，所述部件指令分布图用于反映所述数控加工设备上各部件分别对应的分布位置和指令接收频率。
具体地，由于数控加工设备在非稳态时的轨迹变化复杂，因此不适合用常规方法测量非稳态时的跟随误差。当判断出数控加工设备当前处于非稳态时，为了预测跟随误差，本实施例需要获取数控加工设备的部件指令分布图，通过部件指令分布图确定数控加工设备上各部件的分布位置和指令接收频率，由于数控设备在执行不同操作时会向不同部件发送指令，且数控设备在执行不同操作时指令发送频率也不一样，因此通过分析数控加工设备上各部件的分布位置和指令接收频率可以判断出数控设备当前执行的操作类别，进而基于操作类型预测出数控设备当前的跟随误差。
在一种实现方式中，所述部件指令分布图的生成过程具体包括：
步骤S201、获取所述数控加工设备对应的部件分布图，其中，所述部件分布图包括若干部件节点，每一所述部件节点与所述数控加工设备的一个部件对应；
步骤S202、获取各所述部件节点分别对应的指令接收频率，根据各所述部件节点分别对应的所述指令接收频率调节各自对应的节点形态；
步骤S203、根据调节后的所述部件分布图，确定所述部件指令分布图。
具体地，本实施例预先存储了数控加工设备的部件分布图，部件分布图上包含有多个部件节点，每个部件节点代表一个部件的分布位置。需要说明的是，原始的部件分布图上各部件节点的节点形态是一致的。然后获取数控加工设备上各部件的指令接收频率，根据各部件的指令接收频率调节各自对应的部件节点的节点形态，调整后的图像即为部件指令分布图。本实施例中的部件指令分布图不仅能清楚地体现各部件的分布位置，还通过节点形态体现了各部件的指令接收频率，有助于后续的图像分析处理。
在一种实现方式中，所述步骤S202具体包括：
步骤S2021、根据各所述部件节点分别对应的所述指令接收频率，确定各所述部件节点分别对应的节点大小；
步骤S2022、根据各所述部件节点分别对应的所述指令接收频率对各所述部件节点进行聚类，得到若干节点簇，其中，位于同一所述节点簇中的任意两个相邻的所述部件节点之间的距离小于距离阈值，且所述指令接收频率之差小于预设差值；
步骤S2023、根据各所述节点簇，确定各所述部件节点分别对应的颜色标记，其中，各所述节点簇分别对应不同的所述颜色标记；
步骤S2024、根据各所述部件节点分别对应的所述节点大小和所述颜色标记调节各自对应的所述节点形态。
具体地，本实施例中各部件节点的节点形态主要包括两方面，第一方面是节点大小，每一部件节点大小与其对应的指令接收频率相关，指令接收频率越高，节点越大，反之越小。第二方面是节点的颜色标记，每一部件节点的颜色标记与其所在的节点簇相关，不同的节点簇分别对应的颜色标记不同，同一节点簇的各部件节点的指令接收频率相近、距离相近、颜色标记相同。本实施例通过改变部件分布图中各部件节点的节点形态，巧妙地将指令接收频率和各节点之间的距离等信息融合至图像中，有助于后续目标预测模型提取图像特征，进而给出准确的预测结果。
如图1所示，所述方法还包括：
步骤S300、将所述部件指令分布图输入目标预测模型，得到所述数控加工设备对应的预测跟随误差。
具体地，本实施例预先训练了一个目标预测模型，目标预测模型经过大量的训练数据训练已经学习了输入输出之间的复杂映射关系，因此目标预测模型根据输入的部件指令分布图，可以提取部件指令分布图的图像特征，并基于图像特征准确预测数控加工设备当前的跟随误差，即得到预测跟随误差。
在一种实现方式中，所述目标预测模型的训练方法包括：
步骤S10、获取所述数控加工设备处于非稳态时采集的若干历史部件指令分布图和各所述历史部件指令分布图分别对应的历史响应数据；
步骤S20、根据各所述历史部件指令分布图分别对应的所述历史响应数据，确定各所述历史部件指令分布图分别对应的跟随误差标签；
步骤S30、根据各所述历史部件指令分布图和各所述跟随误差标签对所述目标预测模型进行迭代训练，得到已训练的所述目标预测模型。
具体地，本实施例中目标预测模型的训练数据集是基于非稳态时采集的大量历史部件指令分布图和各历史部件指令分布图的历史响应数据生成的。针对每一历史部件指令分布图而言，其对应的历史响应数据可以用于计算数控加工设备当时的跟随误差，以此得到该历史部件指令分布图对应的真实标签，即跟随误差标签。训练时，将历史部件指令分布图作为目标预测模型的输入，将目标预测模型输出的预测结果与历史部件指令分布图的跟随误差标签进行比较即可计算出模型损失，进而根据模型损失更新模型参数，以提高模型精度。
在一种实现方式中，由于采集到的历史响应数据（如实际速度、实际位置、跟随误差）存在大量的高频波动噪声，其波动幅度小、频率高，规律性小，因此需要将采集到的历史响应数据进行滤波处理，去除高频波动干扰。
在一种实现方式中，当每一历史响应数据均包括若干指标数据时，由于各指标数据具有不同的单位和数量等级，需要将各指标数据通过归一化的方法进行标准化处理，这样有助于加快目标预测模型的训练速度，提高目标预测模型的收敛性。
在一种实现方式中，所述目标预测模型为Transform神经网络，使用均方根误差、平均绝对误差和R2作为评价指标，评价目标预测模型的准确度。
在一种实现方式中，所述方法还包括：
步骤S400、当所述运动位置类别为平稳点时，判断所述数控加工设备处于稳态；
步骤S401、根据所述部件指令分布图确定所述数控加工设备对应的指令接收速度；
步骤S402、根据所述指令接收速度，确定目标比例，其中，不同数值的所述指令接收速度分别对应不同比例；
步骤S403、获取预先基于典型输入信号确定的基础误差，根据所述基础误差和所述目标比例，确定所述跟随误差。
当数控加工设备位于平稳点时，由于其运动状态稳定，因此判断其为稳态。稳态时的跟随误差与指令接收速度成比例关系，因此本实施例可以通过部件指令分布图上包含的各部件节点的指令接收频率，大致估算出数控加工设备的指令接收速度，然后基于预先确定的比例关系和指令接收速度确定数控加工设备处于稳态时的跟随误差。在一种实现方式中，所述比例关系可以预先基于数控加工设备的典型输入信号确定。
在一种实现方式中，所述方法还包括：
步骤S500、获取预设时间段内所述数控加工设备的所述稳态跟随误差和所述预测跟随误差；
步骤S501、根据所述稳态跟随误差和所述预测跟随误差，确定所述数控加工设备对应的整体跟随误差。
具体地，由于数控加工设备的整体运动过程既包含有处于稳态的过程也包含有处于非稳态的过程，因此其整体跟随误差由稳态和非稳态分别对应的跟随误差构成。
在一种实现方式中，所述方法还包括：当所述数控加工设备为数控机床时，根据所述跟随误差对所述数控机床在曲面加工中的轮廓误差进行补偿。
基于上述实施例，本发明还提供了一种数控加工设备的跟随误差预测装置，如图2所示，所述装置包括：
判断模块01，用于获取数控加工设备对应的运动信息，根据所述运动信息判断所述数控加工设备是否处于非稳态；
获取模块02，用于当所述数控加工设备处于非稳态时，获取所述数控加工设备对应的部件指令分布图，其中，所述部件指令分布图用于反映所述数控加工设备上各部件分别对应的分布位置和指令接收频率；
预测模块03，用于将所述部件指令分布图输入目标预测模型，得到所述数控加工设备对应的预测跟随误差。
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图3所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现数控加工设备的跟随误差预测方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一种实现方式中，所述终端的存储器中存储有一个以上的程序，且经配置以由一个以上处理器执行所述一个以上程序包含用于进行数控加工设备的跟随误差预测方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
综上所述，本发明公开了一种数控加工设备的跟随误差预测方法，所述方法通过获取数控加工设备对应的运动信息，根据所述运动信息判断所述数控加工设备是否处于非稳态；当所述数控加工设备处于非稳态时，获取所述数控加工设备对应的部件指令分布图，其中，所述部件指令分布图用于反映所述数控加工设备上各部件分别对应的分布位置和指令接收频率；将所述部件指令分布图输入目标预测模型，得到所述数控加工设备对应的预测跟随误差。本发明预先建立了用于预测数控加工设备在非稳态下的跟随误差的目标预测模型，目标预测模型通过分析数控加工设备的部件指令分布图，可以得到指令的接收频率和分布位置，进而判断出数控加工设备当前可能执行的操作，然后根据操作的复杂程度预测出数控加工设备可能产生的跟随误差。解决了现有技术中通过人工检测加工零件的轮廓误差，再通过轮廓误差分析出加工设备的跟随误差，不仅人力成本高且难以保障数据的准确性的问题。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种数控加工设备的跟随误差预测方法，其特征在于，所述方法包括：
获取数控加工设备对应的运动信息，根据所述运动信息判断所述数控加工设备是否处于非稳态；
当所述数控加工设备处于非稳态时，获取所述数控加工设备对应的部件指令分布图，其中，所述部件指令分布图用于反映所述数控加工设备上各部件分别对应的分布位置和指令接收频率；
将所述部件指令分布图输入目标预测模型，得到所述数控加工设备对应的预测跟随误差，其中，所述目标预测模型的工作原理为：根据各部件的所述分布位置和所述指令接收频率，判断数控加工设备当前执行的操作类别；根据所述操作类别确定所述数控加工设备当前的所述预测跟随误差。
2.根据权利要求1所述的数控加工设备的跟随误差预测方法，其特征在于，所述根据所述运动信息判断所述数控加工设备是否处于非稳态，包括：
根据所述运动信息确定所述数控加工设备对应的运动加速度；
根据所述运动加速度的方向和数值，确定所述数控加工设备对应的运动位置类别；
当所述运动位置类别为启动点、反向点、停止点的其中一种时，判断所述数控加工设备处于非稳态。
3.根据权利要求1所述的数控加工设备的跟随误差预测方法，其特征在于，所述部件指令分布图的生成过程包括：
获取所述数控加工设备对应的部件分布图，其中，所述部件分布图包括若干部件节点，每一所述部件节点与所述数控加工设备的一个部件对应；
获取各所述部件节点分别对应的指令接收频率，根据各所述部件节点分别对应的所述指令接收频率调节各自对应的节点形态；
根据调节后的所述部件分布图，确定所述部件指令分布图。
4.根据权利要求3所述的数控加工设备的跟随误差预测方法，其特征在于，所述根据各所述部件节点分别对应的所述指令接收频率调节各自对应的节点形态，包括：
根据各所述部件节点分别对应的所述指令接收频率，确定各所述部件节点分别对应的节点大小；
根据各所述部件节点分别对应的所述指令接收频率对各所述部件节点进行聚类，得到若干节点簇，其中，位于同一所述节点簇中的任意两个相邻的所述部件节点之间的距离小于距离阈值，且所述指令接收频率之差小于预设差值；
根据各所述节点簇，确定各所述部件节点分别对应的颜色标记，其中，各所述节点簇分别对应不同的所述颜色标记；
根据各所述部件节点分别对应的所述节点大小和所述颜色标记调节各自对应的所述节点形态。
5.根据权利要求1所述的数控加工设备的跟随误差预测方法，其特征在于，所述目标预测模型的训练方法包括：
获取所述数控加工设备处于非稳态时采集的若干历史部件指令分布图和各所述历史部件指令分布图分别对应的历史响应数据；
根据各所述历史部件指令分布图分别对应的所述历史响应数据，确定各所述历史部件指令分布图分别对应的跟随误差标签；
根据各所述历史部件指令分布图和各所述跟随误差标签对所述目标预测模型进行迭代训练，得到已训练的所述目标预测模型。
6.根据权利要求2所述的数控加工设备的跟随误差预测方法，其特征在于，所述方法还包括：
当所述运动位置类别为平稳点时，判断所述数控加工设备处于稳态，其中，稳态时的跟随误差与指令接收速度成比例关系；
根据所述部件指令分布图确定所述数控加工设备对应的指令接收速度；
根据所述指令接收速度和预设的比例关系，确定所述数控加工设备处于稳态时的稳态跟随误差。
7.根据权利要求6所述的数控加工设备的跟随误差预测方法，其特征在于，所述方法还包括：
获取预设时间段内所述数控加工设备的所述稳态跟随误差和所述预测跟随误差；
根据所述稳态跟随误差和所述预测跟随误差，确定所述数控加工设备对应的整体跟随误差。
8.一种数控加工设备的跟随误差预测装置，其特征在于，所述装置包括：
判断模块，用于获取数控加工设备对应的运动信息，根据所述运动信息判断所述数控加工设备是否处于非稳态；
获取模块，用于当所述数控加工设备处于非稳态时，获取所述数控加工设备对应的部件指令分布图，其中，所述部件指令分布图用于反映所述数控加工设备上各部件分别对应的分布位置和指令接收频率；
预测模块，用于将所述部件指令分布图输入目标预测模型，得到所述数控加工设备对应的预测跟随误差，其中，所述目标预测模型的工作原理为：根据各部件的所述分布位置和所述指令接收频率，判断数控加工设备当前执行的操作类别；根据所述操作类别确定所述数控加工设备当前的所述预测跟随误差。
9.一种终端，其特征在于，所述终端包括有存储器和一个以上处理器；所述存储器存储有一个以上的程序；所述程序包含用于执行如权利要求1-7中任一所述的数控加工设备的跟随误差预测方法的指令；所述处理器用于执行所述程序。
10.一种计算机可读存储介质，其上存储有多条指令，其特征在于，所述指令适用于由处理器加载并执行，以实现上述权利要求1-7任一所述的数控加工设备的跟随误差预测方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211564659.0A CN115576268B (zh) | 2022-12-07 | 2022-12-07 | 一种数控加工设备的跟随误差预测方法 |
| PCT/CN2022/140073 WO2024119541A1 (zh) | 2022-12-07 | 2022-12-19 | 一种数控加工设备的跟随误差预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211564659.0A CN115576268B (zh) | 2022-12-07 | 2022-12-07 | 一种数控加工设备的跟随误差预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115576268A CN115576268A (zh) | 2023-01-06 |
| CN115576268B true CN115576268B (zh) | 2023-03-10 |
Family
ID=84590413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211564659.0A Active CN115576268B (zh) | 2022-12-07 | 2022-12-07 | 一种数控加工设备的跟随误差预测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115576268B (zh) |
| WO (1) | WO2024119541A1 (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445838A (zh) * | 2018-04-28 | 2018-08-24 | 华中科技大学 | 一种数控机床加工质量分析方法、分类器及设备 |
| CN108717287A (zh) * | 2018-05-29 | 2018-10-30 | 西安科技大学 | 半闭环控制方式下数控机床进给系统摩擦误差峰值预测方法 |
| CN114237155A (zh) * | 2022-02-24 | 2022-03-25 | 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 |
| CN114952422A (zh) * | 2022-06-07 | 2022-08-30 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床加工刀具状态实时预测方法 |
| JP7158636B1 (ja) * | 2022-02-10 | 2022-10-21 | 三菱電機株式会社 | 加工評価装置、加工システム、および加工評価方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5836206B2 (ja) * | 2012-06-15 | 2015-12-24 | 三菱電機株式会社 | サーボ制御装置 |
| CN109100987B (zh) * | 2018-08-23 | 2020-03-31 | 西安交通大学 | 一种应用于数控机床的自主调整伺服参数的智能方法 |
| CN110262394B (zh) * | 2019-07-05 | 2020-09-08 | 华中科技大学 | 一种数控加工中轮廓误差的补偿方法 |
| EP4085306A1 (en) * | 2019-12-30 | 2022-11-09 | AMO Development, LLC | Multi-axis motor position compensation in ophthalmic surgical laser system using deep learning |
-
2022
- 2022-12-07 CN CN202211564659.0A patent/CN115576268B/zh active Active
- 2022-12-19 WO PCT/CN2022/140073 patent/WO2024119541A1/zh unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445838A (zh) * | 2018-04-28 | 2018-08-24 | 华中科技大学 | 一种数控机床加工质量分析方法、分类器及设备 |
| CN108717287A (zh) * | 2018-05-29 | 2018-10-30 | 西安科技大学 | 半闭环控制方式下数控机床进给系统摩擦误差峰值预测方法 |
| JP7158636B1 (ja) * | 2022-02-10 | 2022-10-21 | 三菱電機株式会社 | 加工評価装置、加工システム、および加工評価方法 |
| CN114237155A (zh) * | 2022-02-24 | 2022-03-25 | 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 |
| CN114952422A (zh) * | 2022-06-07 | 2022-08-30 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床加工刀具状态实时预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115576268A (zh) | 2023-01-06 |
| WO2024119541A1 (zh) | 2024-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
| CN114237155B (zh) | 一种多轴数控加工的误差预测及补偿方法、系统及介质 | |
| CN109240204B (zh) | 一种基于两步法的数控机床热误差建模方法 | |
| Liu et al. | Robust machine tool thermal error compensation modelling based on temperature-sensitive interval segmentation modelling technology | |
| CN112433507B (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
| CN111459094A (zh) | 机床主轴热误差建模中温度敏感点组合的分区域选取方法 | |
| CN114757517A (zh) | 一种设备零部件的生产智能管理方法及系统 | |
| CN110716500A (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
| CN114952422B (zh) | 一种数控机床加工刀具状态实时预测方法 | |
| CN115390459B (zh) | 模型预测控制方法及装置 | |
| CN115576268B (zh) | 一种数控加工设备的跟随误差预测方法 | |
| Yu et al. | Online stability boundary drifting prediction in milling process: An incremental learning approach | |
| Etesami | Position tolerance verification using simulated gaging | |
| CN114755974B (zh) | 复杂结构件加工路径优化方法、装置、终端及存储介质 | |
| CN115907192A (zh) | 风电功率波动区间预测模型的生成方法、装置及电子设备 | |
| CN109397293A (zh) | 一种基于移动机器人的地面水平误差建模及补偿方法 | |
| Song et al. | The spindle axial time-varying thermal error compensation method for horizontal boring and milling machine tool based on edge computing | |
| CN114372921A (zh) | 一种基于深度强化学习的仪表自动化标定方法 | |
| CN111090281B (zh) | 基于改进粒子滤波算法估算机器人方位的方法和装置 | |
| CN113124908A (zh) | 一种提高仪器测量精度的方法和系统 | |
| CN113570147A (zh) | 一种薄壁件多工况加工误差快速预测方法及设备 | |
| CN112906222B (zh) | 布料波动检测的方法及装置 | |
| CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 | |
| CN115128997B (zh) | 一种基于指令域与朴素贝叶斯的有效样本提取方法及系统 | |
| Chelishchev et al. | Optimization of sample size for two-point diameter verification in coordinate measurements |
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 |
Effective date of registration: 20231020 Address after: 518000 A-301, office building, Shenzhen Institute of advanced technology, No. 1068, Xue Yuan Avenue, Shenzhen University Town, Shenzhen, Guangdong, Nanshan District, China Patentee after: Shenzhen shen-tech advanced Cci Capital Ltd. Address before: No.1068, Xueyuan Avenue, University Town, Xili street, Nanshan District, Shenzhen, Guangdong 518000 Patentee before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240108 Address after: 200120 Building 1, No. 1235 and 1237, Miaoxiang Road, Lingang New Area, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai Patentee after: SHANGHAI NOZOLI MACHINE TOOLS TECHNOLOGY Co.,Ltd. Address before: 518000 A-301, office building, Shenzhen Institute of advanced technology, No. 1068, Xue Yuan Avenue, Shenzhen University Town, Shenzhen, Guangdong, Nanshan District, China Patentee before: Shenzhen shen-tech advanced Cci Capital Ltd. |
|
| TR01 | Transfer of patent right |