CN115685746B - 一种机床工作台的离线和在线结合的系统辨识方法 - Google Patents

一种机床工作台的离线和在线结合的系统辨识方法 Download PDF

Info

Publication number
CN115685746B
CN115685746B CN202211142725.5A CN202211142725A CN115685746B CN 115685746 B CN115685746 B CN 115685746B CN 202211142725 A CN202211142725 A CN 202211142725A CN 115685746 B CN115685746 B CN 115685746B
Authority
CN
China
Prior art keywords
space model
state space
machine tool
controlled object
online
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
Application number
CN202211142725.5A
Other languages
English (en)
Other versions
CN115685746A (zh
Inventor
王玲
李洋洋
殷鸣
胡晓兵
殷国富
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.)
Industrial Technology Research Institute Of Yibin Sichuan University
Sichuan University
Original Assignee
Industrial Technology Research Institute Of Yibin Sichuan University
Sichuan 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 Industrial Technology Research Institute Of Yibin Sichuan University, Sichuan University filed Critical Industrial Technology Research Institute Of Yibin Sichuan University
Priority to CN202211142725.5A priority Critical patent/CN115685746B/zh
Publication of CN115685746A publication Critical patent/CN115685746A/zh
Application granted granted Critical
Publication of CN115685746B publication Critical patent/CN115685746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明公开了一种机床工作台的离线和在线结合的系统辨识方法，该方法通过机床工作台的模态实验获得离线状态和在线状态下的数据，利用离线状态的数据建立预测模型，然后再对在线状态的数据进行UT变换，利用一组Sigma采样点来描述随机变量的高斯分布，然后通过非线性函数的传递，进行卡尔曼滤波处理后更新预测模型，直至根据所述在线状态空间模型控制的系统输出值与所述被控对象的真实输出值的差值小于预设值时，确定出该时刻下的所述在线状态空间模型，为所述被控对象的最终预测控制模型。本发明具有计算量少，效率高，且有利于实时控制等优点。

Description

一种机床工作台的离线和在线结合的系统辨识方法
技术领域
本发明涉及机床工作台检测领域，具体涉及一种机床工作台的离线和在线结合的系统辨识方法。
背景技术
切削加工过程中存在外界激励、机床结构刚度各向异性，机床运动部件间隙等因素，不可避免存在工作台动力学性能发生改变，从而引起振动。在加工过程中，工作台振动的存在主要影响零件加工质量、刀具寿命和机床夹具的使用寿命。为减小数控机床工作台在加工过程中产生的振动，对工作台的系统动力学性能必须有所了解。当机床工作台的几何模型未知时，了解其动力学性能，就必须对机床工作台性能参数进行系统辨识。
鉴于此，申请本专利。
发明内容
本发明的目的在于提供一种机床工作台的离线和在线结合的系统辨识方法，该方法采集离线状态和在线状态下的工作台输入输出数据，通过滤波消除传感器的误差和测量过程时产生的噪音，再用极大似然估计法辨识系统参数。
为实现上述目的，本发明采用如下技术方案：
一种机床工作台的离线和在线结合的系统辨识方法，包括如下步骤：
(1)离线状态下系统参数估计：通过模态实验获取机床离线状态下的输入输出数据，采用非线性ARX方法辨识出机床工作台的动力学参数，构建被控对象的状态空间模型；其中，输入数据为转速；输出数据为机床工作台振动量；
(2)在线状态下系统参数处理：通过模态实验获取在线状态下的输入输出数据，将数据采用UT变换，利用一组Sigma采样点来描述随机变量的高斯分布，然后通过非线性函数的传递，进行卡尔曼滤波处理；
(3)更新状态空间模型：步骤(1)构建的状态空间模型作为预测模块，将经过卡尔曼滤波后的数据通过极大似然估计方法对被控对象进行离线辨识，获取被控对象的系统参数，根据该系统参数更新被控对象的状态空间模型，更新后的状态空间模型为在线状态空间模型；
(4)确立最终状态空间模型：不断更新所述在线状态空间模型，直至根据所述在线状态空间模型控制的系统输出值与所述被控对象的真实输出值的差值小于预设值时，确定出该时刻下的所述在线状态空间模型，为所述被控对象的最终预测控制模型。
本发明具有如下有益效果：
(1)通过机床工作台的模态实验获得离线状态和在线状态下的参数进行系统辨识，计算量少，效率高，且有利于实时控制；
(2)通过对在线状态下的数据先做UT变换后再进行卡尔曼滤波，可有效消除在线状态机床带来的噪音，提高系统辨识的精度。
附图说明
图1为本发明的流程示意图。
具体实施方式
如图1所示，本实施例提供的一种机床工作台的离线和在线结合的系统辨识方法包括如下步骤：
(1)离线状态下系统参数估计
通过模态实验获取机床离线状态下的输入输出数据，采用非线性ARX方法辨识出机床工作台的动力学参数，构建被控对象的状态空间模型；其中，输入数据为转速，即可通过电机力矩计算出转速；输出数据为机床工作台振动量。
(2)在线状态下系统参数处理
通过模态实验获取在线状态下的输入输出数据，将采集的输入输出数据进行UT变换，利用一组Sigma采样点来描述随机变量的高斯分布，然后通过非线性函数的传递，进行卡尔曼滤波处理。
参数介绍：为机床k时刻的状态量，状态量是指k时刻转速下的振动量，当k＝0时为离线状态下的输入输出数据，f(x)系统状态转移函数。
为机床k时刻的传感器测量的振动量。
Qk(n×n)为预测过程噪音矩阵，Rk(m×m)为传感器噪音矩阵，传感器是用于采集机床工作台振动量的。
为机床最优估算状态量，ppost为最优预测协方差矩阵。
λ为尺度参数，λ＝a2×(n+k)-n，调整λ值可以提高逼近精度，n为机床状态量的维度，k为当前时刻，a的取值一般在[e-4,1)区间内。
对于第一个sigma采样点，期望值方差为/>β为状态分布参数，高斯分布的变量。
除第一个点以外的其他sigma采样点，期望值和方差相等，为
在线状态下输入输出数据处理具体如下：
首先，生成sigma采样矩阵Xsig，
其次，对生成的生成sigma采样矩阵Xsig中每个sigma采样点按照状态转移函数进行预测，得到矩阵Xsigpred，
Xsigpred＝f(Xsig(i))，(i＝0,1,2......2n)；
然后，对预测出的矩阵Xsigpred计算先验估计值和先验协方差矩阵，先验估算值当i＝0时，期望值/>先验协方差矩阵当i＝0时期望值
对预测出的矩阵Xsigpred经过状态值转测量值函数h(x)，转换成预测测量值矩阵Zsigpred(i)＝h(Xsigpred(i)),(i＝0,1，2......2n)；
再把预测的矩阵Zsigpred，计算估计值向量和协方差矩阵
估计值向量
协方差矩阵
最后，
K＝xzCross×(ZPk)-1，K表示增益矩阵，
Ppost＝Pk-K×ZPk×KT。
(3)更新状态空间模型
步骤(1)构建的状态空间模型作为预测模块，将经过卡尔曼滤波后的数据通过极大似然估计方法对被控对象进行离线辨识，获取被控对象的系统参数，根据该系统参数更新被控对象的状态空间模型，更新后的状态空间模型为在线状态空间模型；
(4)确立最终状态空间模型
不断更新所述在线状态空间模型，直至根据所述在线状态空间模型控制的系统输出值与所述被控对象的真实输出值的差值小于预设值时，确定出该时刻下的所述在线状态空间模型，为所述被控对象的最终预测控制模型。
以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。

Claims (1)

1.一种机床工作台的离线和在线结合的系统辨识方法，其特征在于，包括如下步骤：
(1)离线状态下系统参数估计：通过模态实验获取机床离线状态下的输入输出数据，采用非线性ARX方法辨识出机床工作台的动力学参数，构建被控对象的状态空间模型；其中，输入数据为转速；输出数据为机床工作台振动量；
(2)在线状态下系统参数处理：通过模态实验获取在线状态下的输入输出数据，将数据进行UT变换，利用一组Sigma采样点来描述随机变量的高斯分布，然后通过非线性函数的传递，进行卡尔曼滤波处理；
(3)更新状态空间模型：步骤(1)构建的状态空间模型作为预测模块，将经过卡尔曼滤波后的数据通过极大似然估计方法对被控对象进行离线辨识，获取被控对象的系统参数，根据该系统参数更新被控对象的状态空间模型，更新后的状态空间模型为在线状态空间模型；
(4)确立最终状态空间模型：不断更新所述在线状态空间模型，直至根据所述在线状态空间模型控制的系统输出值与所述被控对象的真实输出值的差值小于预设值时，确定出该时刻下的所述在线状态空间模型，为所述被控对象的最终预测控制模型。
CN202211142725.5A 2022-09-20 2022-09-20 一种机床工作台的离线和在线结合的系统辨识方法 Active CN115685746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211142725.5A CN115685746B (zh) 2022-09-20 2022-09-20 一种机床工作台的离线和在线结合的系统辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211142725.5A CN115685746B (zh) 2022-09-20 2022-09-20 一种机床工作台的离线和在线结合的系统辨识方法

Publications (2)

Publication Number Publication Date
CN115685746A CN115685746A (zh) 2023-02-03
CN115685746B true CN115685746B (zh) 2023-09-01

Family

ID=85063339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211142725.5A Active CN115685746B (zh) 2022-09-20 2022-09-20 一种机床工作台的离线和在线结合的系统辨识方法

Country Status (1)

Country Link
CN (1) CN115685746B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5991525A (en) * 1997-08-22 1999-11-23 Voyan Technology Method for real-time nonlinear system state estimation and control
CN105334804A (zh) * 2015-12-01 2016-02-17 华中科技大学 一种基于数控编程的数控机床结构参数的辨识方法
CN106909738A (zh) * 2017-02-24 2017-06-30 北京工商大学 一种模型参数辨识方法
WO2021158198A2 (en) * 2020-02-07 2021-08-12 Orta Doğu Tekni̇k Üni̇versi̇tesi̇ A novel experimental modal analysis method based on response control approach for nonlinear engineering structures
CN113486523A (zh) * 2021-07-09 2021-10-08 南京航空航天大学 一种线性变参数振动系统全局辨识方法
CN114077195A (zh) * 2021-11-10 2022-02-22 苏州益声瑞机器人科技有限公司 基于数据驱动的子空间模型辨识预测控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6606054B2 (ja) * 2016-12-22 2019-11-13 Ｄｍｇ森精機株式会社 工作機械の運動誤差同定方法
CN109623499B (zh) * 2019-01-31 2020-08-25 大连理工大学 数控机床几何/热误差在线测量与补偿系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5991525A (en) * 1997-08-22 1999-11-23 Voyan Technology Method for real-time nonlinear system state estimation and control
CN105334804A (zh) * 2015-12-01 2016-02-17 华中科技大学 一种基于数控编程的数控机床结构参数的辨识方法
CN106909738A (zh) * 2017-02-24 2017-06-30 北京工商大学 一种模型参数辨识方法
WO2021158198A2 (en) * 2020-02-07 2021-08-12 Orta Doğu Tekni̇k Üni̇versi̇tesi̇ A novel experimental modal analysis method based on response control approach for nonlinear engineering structures
CN113486523A (zh) * 2021-07-09 2021-10-08 南京航空航天大学 一种线性变参数振动系统全局辨识方法
CN114077195A (zh) * 2021-11-10 2022-02-22 苏州益声瑞机器人科技有限公司 基于数据驱动的子空间模型辨识预测控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卡尔曼滤波在精密机床装配过程误差状态估计中的应用;周强 等;《西安交通大学学报》;第49卷(第12期);第97-103页 *

Also Published As

Publication number Publication date
CN115685746A (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN108490880B (zh) 一种数控机床切削刀具磨损状态实时监测方法
TWI481978B (zh) 工具機之加工品質的預測方法
CN112405072B (zh) 一种机床切削颤振的在线监测方法及装置
CN109389314B (zh) 一种基于最优近邻成分分析的质量软测量与监测方法
CN114619292B (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
CN113741377A (zh) 一种基于切削特征遴选的加工过程智能监控系统及方法
CN110889091B (zh) 基于温度敏感区间分段的机床热误差预测方法与系统
CN111007804B (zh) 一种切削加工机器人的动态误差补偿与控制方法
CN110716500B (zh) 用于确定温度敏感区间分段建模点的方法与系统
CN110682159A (zh) 一种刀具磨损状态识别方法及装置
CN103192292A (zh) 基于加工工件曲面形貌信息的数控机床误差辨识分离方法
CN115409067A (zh) 一种数控机床组件剩余寿命预测方法
CN112475410A (zh) 一种铣削温度与多元影响因子的关联分析系统及方法
CN114905336B (zh) 基于切削力成分解耦的变工况刀具磨损监测方法及系统
CN115016403A (zh) 一种滚动轴承外圈内滚道的磨削加工过程控制方法及系统
CN113203464A (zh) 一种动态车载称重系统的传感器故障检测方法
CN115685746B (zh) 一种机床工作台的离线和在线结合的系统辨识方法
CN116871978A (zh) 基于多传感器融合的钻削刀具状态监测方法
CN111650891A (zh) 具有恒力自适应控制方法的五轴精密小龙门数控加工中心
CN114757087A (zh) 一种基于动态主成分分析与lstm的刀具磨损预测方法
CN116861313B (zh) 基于振动能量趋势的卡尔曼滤波工况识别方法、系统
CN113704922B (zh) 一种基于声振及纹理特征预测表面粗糙度的方法
CN111251187A (zh) 一种叶片磨削烧伤信息融合与特征提取方法及装置
CN115169721A (zh) 一种基于迁移辨识的精馏过程单吨能耗预测方法及系统
CN112966560A (zh) 基于反卷积成像的电主轴故障诊断方法和装置

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