CN116822091A - 一种融合参数化模型与机器学习的机床进给轴位置预测方法 - Google Patents
一种融合参数化模型与机器学习的机床进给轴位置预测方法 Download PDFInfo
- Publication number
- CN116822091A CN116822091A CN202310837950.9A CN202310837950A CN116822091A CN 116822091 A CN116822091 A CN 116822091A CN 202310837950 A CN202310837950 A CN 202310837950A CN 116822091 A CN116822091 A CN 116822091A
- Authority
- CN
- China
- Prior art keywords
- machine tool
- model
- machine learning
- tool feed
- parameterized model
- 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.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000005094 computer simulation Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种融合参数化模型与机器学习的机床进给轴位置预测方法,对机床进给轴的位置进行了预测,该方法包括以下步骤:采集指令位置下机床进给轴的数据;建立机床进给轴参数化模型,得到机床进给轴参数化模型仿真位置;建立基于机器学习方法的数据驱动模型;构建基于融合参数化模型与机器学习的机床进给轴位置预测模型;基于本发明的机床进给轴位置预测方法,能够提高机床进给轴位置控制的精度。
Description
技术领域
本发明涉及机床进给轴位置预测分析技术领域,具体涉及一种融合参数化模型与机器学习的机床进给轴位置预测方法。
背景技术
机床是制造业中重要的生产设备,其精度和效率直接影响到产品的质量和生产效率。机床进给轴是机床中的关键部件之一,其位置控制对机床的精度和效率有着重要的影响。传统的机床进给轴位置预测方法主要采用参数化模型,这种方法对各物理过程进行数学建模,存在模型参数难以确定的问题,且在模型建立过程中存在简化及近似替代。尽管可以在模型中添加模拟摩擦、反向间隙等非线性因素的模块,但是与机床进给系统相比仍存在考虑不足的问题,难以满足高精度和高效率的控制要求。
有鉴于此,本发明提供一种融合参数化模型与机器学习的机床进给轴位置预测方法,以解决现有技术存在的不足,是非常有必要的。
发明内容
针对现有技术存在的不足,本发明提供一种融合参数化模型与机器学习的机床进给轴位置预测方法,对机床进给轴的位置进行了预测,旨在提高机床进给轴位置控制的精度。
为实现上述目的,本发明给出以下技术方案:
基于融合参数化模型与机器学习的机床进给轴位置预测方法,具体步骤为:
S1.采集指令位置下机床进给轴的实际数据;
S2.建立机床进给轴参数化模型,得到机床进给轴参数化模型仿真位置;
S3.建立基于机器学习方法的数据驱动模型;
S4.构建基于融合参数化模型与机器学习的机床进给轴位置预测模型。
作为优选,所述步骤S1中采集指令位置下机床进给轴的实际数据是通过扫频的形式,从不同的初始点出发,设置不同的速度,获取尽量多的进给轴位置信息与动态特性。
作为优选,所述步骤S2中建立机床进给轴参数化模型,要确定机床进给轴的运动学、动力学模型,并对其进行不确定参数辨识,使用simulink进行动力学仿真,得到电机的仿真力矩和机床进给轴融合参数化模型仿真位置。
作为优选,所述步骤S3建立基于机器学习方法的数据驱动模型,所述机器学习方法是TCN+LSTM+Attention网络结构。
作为优选,所述步骤S3建立基于机器学习方法的数据驱动模型,其中输入特征为指令位置、指令速度、参数化模型仿真位置、参数化模型仿真速度和参数化模型计算力矩,输出特征为机床进给轴实际位置与参数化模型仿真位置之间的残差。
作为优选,所述步骤S3建立基于机器学习方法的数据驱动模型中,TCN是一种特殊的一维全卷积神经网络,由因果卷积、扩张卷积和残差块三部分组成,本研究将TCN提取的特征作为LSTM的输入,其中TCN加入权值规范化是为了抵消梯度爆发的问题,加入正则化是为了防止过拟合。
作为优选,所述步骤S3建立基于机器学习方法的数据驱动模型中LSTM用于处理序列数据,LSTM获取TCN得到的特征序列,并通过门控机制来控制信息的流动,从而实现对序列中长期依赖关系的捕捉。
作为优选,所述步骤S3建立基于机器学习方法的数据驱动模型中Attention机制将LSTM学习到的信息进行加权聚合。Attention机制自适应地计算每个时间步的重要性,从而捕捉时间序列中的重要信息。
作为优选,所述步骤S4构建基于参数化模型与机器学习数据混合驱动的机床进给轴位置预测模型,将融合参数化模型仿真位置与机器学习模型输出的残差值线性叠加,即可得到机床进给轴预测位置。
本发明的有益效果在于,提供一种融合参数化模型与机器学习的机床进给轴位置预测方法,采用融合参数化模型和机器学习模型混合驱动的方式,克服了参数化模型对复杂物理过程无法描述的问题,能够更好的提高位置预测的精度。机器学习模型引入参数化模型计算数据作为输入特征,这种非端到端的数据集形式,能够将参数化模型充分的融入到机器学习模型中,让机器学习模型提取到更多的特征元素,提高模型预测精度和稳定性。
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,对于本领域普通技术人员而言,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是本发明提供的一种融合参数化模型与机器学习的机床进给轴位置预测方法流程图。
图2是本发明提供的机器学习方法的数据驱动模型原理图。
图3是本发明提供的融合参数化模型与机器学习的原理图。
实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,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他实施例,都应当属于本发明保护的范围。
如图1所示,本发明实施例1提供一种融合参数化模型与机器学习的机床进给轴位置预测方法,包括以下步骤:
S1.采集指令位置下机床进给轴的数据。
令机床进给轴从不同的初始点出发,按照扫频的方式进行往复运动,获取尽量多的进给轴状态信息与动态特性,用于参数辨识以及丰富机器学习模型的数据集。
S2.建立机床进给轴参数化模型,得到机床进给轴参数化模型仿真位置。
构建机床进给轴的运动学、动力学模型,对其不确定参数进行辨识,使用simulink进行动力学仿真,得到电机的仿真位置、电机的仿真速度、电机的仿真力矩、机床进给轴仿真位置以及机床进给轴仿真速度。
S3.建立基于机器学习方法的数据驱动模型。
机器学习模型的输入特征为指令位置、指令速度、参数化模型仿真位置、参数化模型仿真速度和参数化模型计算力矩,输出特征为机床进给轴实际位置与参数化模型仿真位置之间的残差。
机器学习模型所用到的TCN网络结构,是一种一维全卷积神经网络,由因果卷积、扩张卷积和残差块三部分组成,TCN提取的特征作为LSTM的输入,其中TCN加入权值规范化是为了抵消梯度爆发的问题,加入正则化是为了防止过拟合。
机器学习模型所用到的LSTM网络结构,主要用于处理序列数据,LSTM获取TCN得到的特征序列,并通过门控机制来控制信息的流动,从而实现对序列中长期依赖关系的捕捉。
Attention机制将LSTM学习到的信息进行加权聚合,Attention机制自适应地计算每个时间步的重要性,从而捕捉时间序列中的重要信息。
S4.构建基于参数化模型与机器学习驱动的机床进给轴位置预测模型。
将S2中参数化模型仿真位置与S3中机器学习模型输出的残差值线性叠加,即可得到机床进给轴预测位置。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种融合参数化模型与机器学习的机床进给轴位置预测方法,其特征在于,包括以下步骤:
S1.采集指令位置下机床进给轴的数据;
S2.建立机床进给轴参数化模型,得到机床进给轴参数化模型仿真位置;
S3.建立基于机器学习方法的数据驱动模型;
S4.构建基于融合参数化模型与机器学习的机床进给轴位置预测模型。
2.根据权利要求1所述的一种基于融合参数化模型与机器学习的机床进给轴位置预测方法,其特征在于,所述步骤S1中采集指令位置下机床进给轴的数据是通过扫频的形式,从不同的初始点出发,设置不同的速度,获取尽量多的进给轴位置信息与动态特性。
3.根据权利要求1所述的一种基于融合参数化模型与机器学习的机床进给轴位置预测方法,其特征在于,所述步骤S2中建立机床进给轴参数化模型,要确定机床进给轴的运动学、动力学模型,并对其进行不确定参数辨识,使用simulink进行动力学仿真,得到电机的仿真力矩和机床进给轴参数化模型仿真位置。
4.根据权利要求1所述的一种基于融合参数化模型与机器学习的机床进给轴位置预测方法,其特征在于,所述步骤S3建立基于机器学习方法的数据驱动模型,所述机器学习方法是TCN+LSTM+Attention网络结构,其中网络结构输入特征为指令位置、指令速度、参数化模型仿真位置、参数化模型仿真速度和参数化模型计算力矩,输出特征为机床进给轴实际位置与参数化模型仿真位置之间的残差。
5.根据权利要求1所述的一种基于融合参数化模型与机器学习的机床进给轴位置预测方法,其特征在于,所述步骤S3建立基于机器学习方法的数据驱动模型中TCN是一种特殊的一维全卷积神经网络,由因果卷积、扩张卷积和残差块三部分组成,TCN提取的特征作为LSTM的输入,其中TCN加入权值规范化是为了抵消梯度爆发的问题,加入正则化是为了防止过拟合。
6.根据权利要求1所述的一种基于融合参数化模型与机器学习的机床进给轴位置预测方法,其特征在于,所述步骤S3建立基于机器学习方法的数据驱动模型中LSTM用于处理序列数据,LSTM获取TCN得到的的特征序列,并通过门控机制来控制信息的流动,从而实现对序列中长期依赖关系的捕捉。
7.根据权利要求1所述的一种基于融合参数化模型与机器学习的机床进给轴位置预测方法,其特征在于,所述步骤S3建立建立基于机器学习方法的数据驱动模型中Attention机制将LSTM学习到的信息进行加权聚合,Attention机制自适应地计算每个时间步的重要性,从而捕捉时间序列中的重要信息。
8.根据权利要求1所述的一种基于融合参数化模型与机器学习的机床进给轴位置预测方法,其特征在于,所述步骤S4构建基于融合参数化模型与机器学习的机床进给轴位置预测模型,将参数化模型仿真位置与数据驱动模型输出的残差值线性叠加,即可得到机床进给轴预测位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310837950.9A CN116822091A (zh) | 2023-07-10 | 2023-07-10 | 一种融合参数化模型与机器学习的机床进给轴位置预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310837950.9A CN116822091A (zh) | 2023-07-10 | 2023-07-10 | 一种融合参数化模型与机器学习的机床进给轴位置预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116822091A true CN116822091A (zh) | 2023-09-29 |
Family
ID=88125714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310837950.9A Pending CN116822091A (zh) | 2023-07-10 | 2023-07-10 | 一种融合参数化模型与机器学习的机床进给轴位置预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822091A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272873A (zh) * | 2023-11-22 | 2023-12-22 | 山东建筑大学 | 一种基于数理串联增强深度学习方法的抛射落点预测算法 |
CN117272846A (zh) * | 2023-11-22 | 2023-12-22 | 山东建筑大学 | 一种两自由度回转俯仰运动机构动态响应预测算法 |
CN117272873B (zh) * | 2023-11-22 | 2024-05-31 | 山东建筑大学 | 一种基于数理串联增强深度学习方法的抛射落点预测算法 |
-
2023
- 2023-07-10 CN CN202310837950.9A patent/CN116822091A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272873A (zh) * | 2023-11-22 | 2023-12-22 | 山东建筑大学 | 一种基于数理串联增强深度学习方法的抛射落点预测算法 |
CN117272846A (zh) * | 2023-11-22 | 2023-12-22 | 山东建筑大学 | 一种两自由度回转俯仰运动机构动态响应预测算法 |
CN117272873B (zh) * | 2023-11-22 | 2024-05-31 | 山东建筑大学 | 一种基于数理串联增强深度学习方法的抛射落点预测算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN107598928A (zh) | 基于语义模型的相机与机器人控制系统及其自动适配方法 | |
CN116822091A (zh) | 一种融合参数化模型与机器学习的机床进给轴位置预测方法 | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN109297689A (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN106154964B (zh) | 机械压力设备的工艺流程控制方法及一体机控制装置 | |
CN110389534A (zh) | 一种基于数字孪生技术的多轴运动控制虚拟实验系统 | |
CN115545321A (zh) | 一种制丝车间工艺质量在线预测方法 | |
CN111580479A (zh) | 一种基于机器学习和工业物联网的智能制造行业参数寻优方法 | |
CN102509152A (zh) | 一种基于rbf神经网络的开关磁阻电机在线建模方法 | |
CN110716520B (zh) | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 | |
CN111736553A (zh) | 基于工业互联网平台的远程可视化试模系统 | |
CN108198268A (zh) | 一种生产设备数据标定方法 | |
Lu et al. | Digital twin-based operation simulation system and application framework for electromechanical products | |
CN108805289B (zh) | 一种基于基底神经节的电机故障诊断方法 | |
CN107728481B (zh) | 一种基于模型预测控制的闭环建模方法及装置 | |
CN117473439A (zh) | 一种无缝钢管连轧生产过程监测与异常追溯方法及系统 | |
Zeiser et al. | Requirements towards optimizing analytics in industrial processes | |
Zhao et al. | A framework for development of digital twin industrial robot production lines based on a mechatronics approach | |
WO2021111936A1 (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 | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
CN103558762B (zh) | 基于图形化组态技术的免疫遗传pid控制器的实现方法 | |
CN113674249A (zh) | 基于工业互联网的pcb板印刷质量检测方法 | |
Palaniappan et al. | GRAFCET Based Modelling of Processing Operation in Modular Production System | |
Kabaldin et al. | Neuromorphic adaptive control of hybrid processing on CNC machines |
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 |