CN117331342B - 一种基于ffrls算法的机床进给轴参数辨识方法 - Google Patents
一种基于ffrls算法的机床进给轴参数辨识方法 Download PDFInfo
- Publication number
- CN117331342B CN117331342B CN202311628920.3A CN202311628920A CN117331342B CN 117331342 B CN117331342 B CN 117331342B CN 202311628920 A CN202311628920 A CN 202311628920A CN 117331342 B CN117331342 B CN 117331342B
- Authority
- CN
- China
- Prior art keywords
- machine tool
- feed shaft
- identification
- tool feed
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013016 damping Methods 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims description 38
- 238000012546 transfer Methods 0.000 claims description 34
- 230000033001 locomotion Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000009347 mechanical transmission Effects 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 34
- 238000005070 sampling Methods 0.000 description 31
- 239000011159 matrix material Substances 0.000 description 12
- 238000012937 correction Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G05B19/19—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 positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
-
- 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
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35349—Display part, programmed locus and tool path, traject, dynamic locus
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
本发明涉及一种基于FFRLS算法的机床进给轴参数辨识方法，属于参数辨识技术领域，本发明实现了读取机床运行实测数据，将实测数据结合FFRLS算法，能够实时地对机床进给轴机械参数进行辨识，获得机床进给轴的双弹簧阻尼系统的机械参数；本发明利用FFRLS算法，能够在机床参数未知的情况下，仅通过采集机床运行数据对机床进给轴机械参数进行精准辨识，解决了机床进给轴机械参数、结合面参数难以测量的问题。
Description
技术领域
本发明涉及参数辨识技术领域，具体涉及一种基于FFRLS算法的机床进给轴参数辨识方法。
背景技术
数控机床具有高速、高精度、复合、智能等特点，是船舶、航空航天、轨道交通等领域的重要制造装备。数控机床的动态性能是机床性能的一项重要指标，动态性能将直接影响机床工作性能和加工精度。
进给传动系统是将电动机的运转(通常为旋转)转换为机床工作台直线进给运动的整个机械传动链，加工件的最终坐标位置精度和轮廓精度都与机床的传动结构的几何精度、传动精度、灵敏度和稳定性密切相关。因此，为了提高机床进给系统的动态性能、跟踪精度和加工效率，在线优化控制参数和匹配伺服进给系统的控制参数显得尤为重要。
建立机床进给系统精确的动力学模型对于研究系统的动态性能有着重要的作用，但这之中存在着部分机械参数难以测量、部分参数会随着不同工况而变化等问题，如丝杆刚度，阻尼系数，粘滞摩擦系数等，降低动力学模型的准确性，甚至影响系统运行的稳定性。目前，已有大量关于机床进给系统相关参数在线辨识的研究，例如，中国专利CN113467367A、CN109947048A和CN116560301A。
目前，关于机床进给轴传动链机械参数辨识方法大多基于单惯量刚性系统辨识，此类辨识方法仅能辨识刚度较大的系统，部分刚度较小的传动件会影响单惯量刚性系统辨识结果。在高速度、高加速度或重载等情况下，由于传动零件、联接部分刚性不足，需要考虑刚性较弱的零部件弹性和变形，才能较好地反映其动态特性。
发明内容
鉴于上述问题，本发明提供了一种基于FFRLS算法的机床进给轴参数辨识方法，本发明利用FFRLS算法，能够在机床参数未知的情况下，仅通过采集机床运行数据对机床进给轴机械参数进行精准辨识，解决了机床进给轴机械参数、结合面参数难以测量的问题；实现了读取机床运行实测数据，将实测数据结合FFRLS算法，能够实时地对机床进给轴机械参数进行辨识，获得机床进给轴的双弹簧阻尼系统的机械参数。
本发明提供了一种基于FFRLS算法的机床进给轴参数辨识方法，具体涉及一种基于FFRLS算法的机床进给轴的双弹簧阻尼系统辨识方法，包括：
步骤S1：基于机床进给轴机械传动方式，建立机床进给轴传动模型；
步骤S2：对机床进给轴传动模型进行离散化处理，获得离散化结果，基于所述离散化结果，建立机床进给轴参数辨识模型；
步骤S3：将辨识信号输入所述机床进给轴传动模型，采集机床运行数据；
基于所述机床运行数据对所述机床进给轴参数辨识模型进行训练获得更新机床进给轴参数辨识模型；
将所述机床运行数据输入所述更新机床进给轴参数辨识模型，基于FFRLS递推最小二乘估计算法进行计算，输出辨识参数；
步骤S4：将所述辨识参数转化为机床进给轴机械参数。
优选的，步骤S1所述机床进给轴机械传动方式为丝杠螺母传动或齿轮齿条传动。
所述机床进给轴传动模型表达式为：
其中，T为电机输出转矩；J为转动部件等效转动惯量，为电机转子角加速度，/>为转动部件等效转动阻尼；/>为电机转子角速度；r为电机总体减速比；/>为转动部件至龙门立柱的推动力，K为转动部件等效刚度，/>为电机转子转动角度；X为机床工作台位移，机床的电机经过进给传动系统将动力和运动传动给机床工作台，机床工作台用于机床加工工作平面使用；C为转动部件等效阻尼；/>为机床工作台速度，/>为机床工作台加速度；M为转动部件等效质量，/>为转动部件等效平动阻尼；F为转动部件切削力，在空载的情况下，切削力F为0。
优选的，步骤S2所述获得机床进给轴参数辨识模型的具体步骤包括：
设置机床运行状态为空载，将电机转矩和电机转速作为机床进给轴传动模型的输入和输出，建立辨识算法的传递函数；
将所述辨识算法的传递函数变化为频域的零极点表达形式，获得更新辨识算法的传递函数；
所述辨识算法的传递函数表达式为：
其中，为辨识算法的传递函数值；/>为电机转速的拉普拉斯变换值，/>为电机输出转矩的拉普拉斯变换值；s为拉普拉斯变换后的复频率；M为等效质量，r为总体减速比，C为等效阻尼，/>为等效平动阻尼；K为有等效刚度，J为等效转动惯量，/>为等效转动阻尼。
对上述传递函数进行简化，获得简化后的更新辨识算法的传递函数，表达式为：
其中，为简化后的更新辨识算法的传递函数值；bn为分子待定系数，an为分母待定系数；n=1,2,3。
离散化处理为：将简化后的更新辨识算法的传递函数按照零极点匹配规则从连续域转入离散域，获得辨识算法的离散传递函数，表达式为：
其中，为辨识算法的离散传递函数值；z为离散化后的复变量。
将辨识算法的离散传递函数进行化简并改写为最小二乘形式，获得更新辨识算法的离散传递函数，即离散化结果，表达式为：
其中，为离散化后的电机转速；/>为离散化后的电机输出转矩；θc为待辨识参数向量，c=1,2,3,4,5,6。
基于所述更新辨识算法的离散传递函数获得机床进给轴参数辨识模型，表达式为：
其中，为第k次采样得到的电机转速数据，k=1,2,3,…U，U表示采样总次数；T（k-1）为第k-1次采样得到的电机输出转矩数据；
优选的，步骤S3所述辨识信号为输入进给轴的运动速度信号；例如扫频信号、正弦信号或方波信号。
优选的，所述运行数据为电机电流和电机转速。
优选的，步骤S3所述获得更新机床进给轴参数辨识模型，具体包括：
将辨识信号输入步骤S1所述机床进给轴传动模型获得对应的电机电流和电机转速；
再将获得的电机电流和电机转速作为机床进给轴参数辨识模型的输入和输出，进行训练，获得更新机床进给轴参数辨识模型。
优选的，步骤S3所述FFRLS递推最小二乘估计算法，表达式为：
其中，Kk为第k次采样得到的参数向量对上一次采样得到的估计参数向量的修正矩阵，具体为当第k次采样对应的参数向量与估计参数向量存在误差时，对上一次采样后得到的估计参数向量中的参数进行修正的幅度；为第k-1次采样得到的参数向量对上一次采样得到的估计参数向量的协矩阵，协矩阵的值越小代表第k次采样后得到的估计参数越接近真值；/>为第k次采样得到的参数向量，/>为遗忘因子，代表采样数据对估计参数向量的影响权重；/>为第k次采样得到的参数向量转置值；/>为第k次采样获取的待辨识参数向量，/>为第k-1次采样获取的待辨识参数向量；/>为第k-1次采样得到的电机转速数据；P k为第k次采样得到的参数向量对上一次采样得到的估计参数向量的协矩阵，I为电机电流。
优选的，步骤S4所述机床进给轴机械参数为机床进给轴的双弹簧阻尼系统。
本发明基于FFRLS递推最小二乘估计算法对机床进给轴参数进行参数辨识，通过选取适当的参数辨识初值与待辨识参数/>，将电机电流与电机转速的运行数据分别作为辨识算法函数的输入与输出，带入更新机床进给轴参数辨识模型进行递推；通过设定一个较小的参考值/>对参数向量的变化大小进行判定，当多次输入新的实测数据后，参数向量/>的各参数修改值都小于/>，可以认为辨识参数/>已经收敛；根据上文的推导过程，可以将辨识结果/>转换为机械参数，最终得到待求的系统机械参数。
与现有技术相比，本发明至少具有现如下有益效果：
（1）本发明的辨识算法能够适配多种传动形式，包含了常见的机床传动链形式，如齿轮齿条传动、丝杠螺母传动，无需针对不同传动形式开发不同的参数辨识算法，能够适用于大部分机床；
（2）本发明能够全面地对机床进给轴各个机械参数进行辨识，包括结合面参数、转动件与平动件参数，能够根据辨识参数快速建立机床动力学模型并进行动力学分析；
（3）本发明支持运行过程中的在线辨识，通过递推最小二乘算法，能够实现在机床运行过程中自动辨识参数，无需单独导出运行数据运行辨识算法，这提高了辨识算法的运算速度。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制。
图1为本发明基于FFRLS算法的机床进给轴参数辨识方法的流程图；
图2为本发明的机床进给轴机械传动链示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。另外，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的一个具体实施例，如图1-图2，公开了一种基于路径规划的飞行汽车电池系统可用能估计方法，为了说明本发明所提方法的有效性，以下通过一个具体实施例对本发明的上述技术方案进行详细说明，具体实施步骤如下：
步骤S1：基于机床进给轴机械传动方式，建立机床进给轴传动模型；
步骤S2：对机床进给轴传动模型进行离散化处理，获得离散化结果，基于所述离散化结果，建立机床进给轴参数辨识模型；
步骤S3：将辨识信号输入所述机床进给轴传动模型，采集机床运行数据；
基于所述机床运行数据对所述机床进给轴参数辨识模型进行训练获得更新机床进给轴参数辨识模型；
将所述机床运行数据输入所述更新机床进给轴参数辨识模型，基于FFRLS递推最小二乘估计算法进行计算，输出辨识参数；
步骤S4：将所述辨识参数转化为机床进给轴机械参数。
优选的，步骤S1所述机床进给轴机械传动方式为丝杠螺母传动或齿轮齿条传动。
所述机床进给轴传动模型表达式为：
其中，T为电机输出转矩；J为转动部件等效转动惯量，为电机转子角加速度，/>为转动部件等效转动阻尼；/>为电机转子角速度；r为电机总体减速比；/>为转动部件至龙门立柱的推动力，K为转动部件等效刚度，/>为电机转子转动角度；X为机床工作台位移，机床的电机经过进给传动系统将动力和运动传动给机床工作台，机床工作台用于机床加工工作平面使用；C为转动部件等效阻尼；/>为机床工作台速度，/>为机床工作台加速度；M为转动部件等效质量，/>为转动部件等效平动阻尼；F为转动部件切削力，在空载的情况下，切削力F为0。
优选的，步骤S2所述获得机床进给轴参数辨识模型的具体步骤包括：
设置机床运行状态为空载，将电机转矩和电机转速作为机床进给轴传动模型的输入和输出，建立辨识算法的传递函数；
将所述辨识算法的传递函数变化为频域的零极点表达形式，获得更新辨识算法的传递函数；
所述辨识算法的传递函数表达式为：
其中，为辨识算法的传递函数值；/>为电机转速的拉普拉斯变换值，/>为电机输出转矩的拉普拉斯变换值；s为拉普拉斯变换后的复频率；M为等效质量，r为总体减速比，C为等效阻尼，/>为等效平动阻尼；K为有等效刚度，J为等效转动惯量，/>为等效转动阻尼。
对上述传递函数进行简化，获得简化后的更新辨识算法的传递函数，表达式为：
其中，为简化后的更新辨识算法的传递函数值；bn为分子待定系数，an为分母待定系数；n=1,2,3。
离散化处理为：将简化后的更新辨识算法的传递函数按照零极点匹配规则从连续域转入离散域，获得辨识算法的离散传递函数，表达式为：
其中，为辨识算法的离散传递函数值；z为离散化后的复变量。
将辨识算法的离散传递函数进行化简并改写为最小二乘形式，获得更新辨识算法的离散传递函数，即离散化结果，表达式为：
其中，为离散化后的电机转速；/>为离散化后的电机输出转矩；θc为待辨识参数向量，c=1,2,3,4,5,6。
基于所述更新辨识算法的离散传递函数获得机床进给轴参数辨识模型，表达式为：
其中，为第k次采样得到的电机转速数据，k=1,2,3,…U，U表示采样总次数；T（k-1）为第k-1次采样得到的电机输出转矩数据；
优选的，步骤S3所述辨识信号为输入进给轴的运动速度信号；例如扫频信号、正弦信号或方波信号。
优选的，所述运行数据为电机电流和电机转速。
优选的，步骤S3所述获得更新机床进给轴参数辨识模型，具体包括：
将辨识信号输入步骤S1所述机床进给轴传动模型获得对应的电机电流和电机转速；
再将获得的电机电流和电机转速作为机床进给轴参数辨识模型的输入和输出，进行训练，获得更新机床进给轴参数辨识模型。
优选的，步骤S3所述FFRLS递推最小二乘估计算法，表达式为：
其中，Kk为第k次采样得到的参数向量对上一次采样得到的估计参数向量的修正矩阵，具体为当第k次采样对应的参数向量与估计参数向量存在误差时，对上一次采样后得到的估计参数向量中的参数进行修正的幅度；为第k-1次采样得到的参数向量对上一次采样得到的估计参数向量的协矩阵，协矩阵的值越小代表第k次采样后得到的估计参数越接近真值；/>为第k次采样得到的参数向量，/>为遗忘因子，代表采样数据对估计参数向量的影响权重；/>为第k次采样得到的参数向量转置值；/>为第k次采样获取的待辨识参数向量，/>为第k-1次采样获取的待辨识参数向量；/>为第k-1次采样得到的电机转速数据；P k为第k次采样得到的参数向量对上一次采样得到的估计参数向量的协矩阵，I为电机电流。
优选的，步骤S4所述机床进给轴机械参数为机床进给轴的双弹簧阻尼系统。
本发明基于FFRLS递推最小二乘估计算法对机床进给轴参数进行参数辨识，通过选取适当的参数辨识初值与待辨识参数/>，将电机电流与电机转速的运行数据分别作为辨识算法函数的输入与输出，带入更新机床进给轴参数辨识模型进行递推；通过设定一个较小的参考值/>对参数向量的变化大小进行判定，当多次输入新的实测数据后，参数向量/>的各参数修改值都小于/>，可以认为辨识参数/>已经收敛；根据上文的推导过程，可以将辨识结果/>转换为机械参数，最终得到待求的系统机械参数。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于FFRLS算法的机床进给轴参数辨识方法，其特征在于，包括以下具体步骤：
步骤S1：基于机床进给轴机械传动方式，建立机床进给轴传动模型；
步骤S2：对机床进给轴传动模型进行离散化处理，获得离散化结果，基于所述离散化结果，建立机床进给轴参数辨识模型；
步骤S3：将辨识信号输入所述机床进给轴传动模型，采集机床运行数据；
基于所述机床运行数据对所述机床进给轴参数辨识模型进行训练获得更新机床进给轴参数辨识模型；
将所述机床运行数据输入所述更新机床进给轴参数辨识模型，基于FFRLS递推最小二乘估计算法进行计算，输出辨识参数；
步骤S4：将所述辨识参数转化为机床进给轴机械参数。
2.根据权利要求1所述的参数辨识方法，其特征在于，步骤S1所述机床进给轴机械传动方式为丝杠螺母传动或齿轮齿条传动。
3.根据权利要求1所述的参数辨识方法，其特征在于，所述机床进给轴传动模型的表达式为：
其中，T为电机输出转矩；J为转动部件等效转动惯量， 为电机转子角加速度，/>为转动部件等效转动阻尼； />为电机转子角速度；r为电机总体减速比；/>为转动部件至龙门立柱的推动力，K为转动部件等效刚度，/>为电机转子转动角度；X为机床工作台位移，机床的电机经过进给传动系统将动力和运动传动给机床工作台，机床工作台用于机床加工工作平面使用；C为转动部件等效阻尼；/>为机床工作台速度，/>为机床工作台加速度；M为转动部件等效质量，/>为转动部件等效平动阻尼；F为转动部件切削力，在空载的情况下，切削力F为0。
4.根据权利要求3所述的参数辨识方法，其特征在于，步骤S2所述建立机床进给轴参数辨识模型的具体步骤包括：
设置机床运行状态为空载，设置机床进给轴传动模型的输入和输出，建立辨识算法的传递函数；
将所述辨识算法的传递函数变化为频域的零极点表达形式，获得更新辨识算法的传递函数；
对上述更新辨识算法的传递函数进行简化并做离散化处理，获得更新辨识算法的离散传递函数；
将更新辨识算法的离散传递函数进行化简并改写为最小二乘形式，获得离散化结果；
基于所述离散化结果获得机床进给轴参数辨识模型。
5.根据权利要求1所述的参数辨识方法，其特征在于，步骤S3所述辨识信号为输入进给轴的运动速度信号；运动速度信号为扫频信号、正弦信号或方波信号。
6.根据权利要求1所述的参数辨识方法，其特征在于，步骤S3所述机床运行数据包括电机电流和电机转速。
7.根据权利要求1-6任一项中所述参数辨识方法，其特征在于，步骤S3所述获得更新机床进给轴参数辨识模型，具体包括：
将辨识信号输入步骤S1所述机床进给轴传动模型获得对应的电机电流和电机转速；
再将获得的电机电流和电机转速作为机床进给轴参数辨识模型的输入和输出，进行训练，获得更新机床进给轴参数辨识模型。
8.根据权利要求1所述的参数辨识方法，其特征在于，步骤S4所述机床进给轴机械参数为机床进给轴的双弹簧阻尼系统的机械参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311628920.3A CN117331342B (zh) | 2023-12-01 | 2023-12-01 | 一种基于ffrls算法的机床进给轴参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311628920.3A CN117331342B (zh) | 2023-12-01 | 2023-12-01 | 一种基于ffrls算法的机床进给轴参数辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117331342A CN117331342A (zh) | 2024-01-02 |
| CN117331342B true CN117331342B (zh) | 2024-02-02 |
Family
ID=89279666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311628920.3A Active CN117331342B (zh) | 2023-12-01 | 2023-12-01 | 一种基于ffrls算法的机床进给轴参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117331342B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107553220A (zh) * | 2017-09-04 | 2018-01-09 | 四川大学 | 一种数控机床综合误差实时补偿方法 |
| WO2020260093A1 (de) * | 2019-06-27 | 2020-12-30 | Hilti Aktiengesellschaft | Verfahren zur erkennung eines rutschkupplungs-auslöseereignisses, sowie werkzeugmaschine |
| CN113467367A (zh) * | 2021-07-12 | 2021-10-01 | 华中科技大学 | 一种机床进给系统的刚度阻尼辨识方法 |
| CN113510709A (zh) * | 2021-07-28 | 2021-10-19 | 北京航空航天大学 | 基于深度强化学习的工业机器人位姿精度在线补偿方法 |
| CN115470691A (zh) * | 2022-07-28 | 2022-12-13 | 西安科技大学 | 一种滚珠丝杠元动作单元进给系统参数辨识方法 |
| CN116560301A (zh) * | 2023-04-21 | 2023-08-08 | 华中科技大学 | 一种基于梯度优化的机床进给系统数理模型参数辨识方法 |
-
2023
- 2023-12-01 CN CN202311628920.3A patent/CN117331342B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107553220A (zh) * | 2017-09-04 | 2018-01-09 | 四川大学 | 一种数控机床综合误差实时补偿方法 |
| WO2020260093A1 (de) * | 2019-06-27 | 2020-12-30 | Hilti Aktiengesellschaft | Verfahren zur erkennung eines rutschkupplungs-auslöseereignisses, sowie werkzeugmaschine |
| CN113467367A (zh) * | 2021-07-12 | 2021-10-01 | 华中科技大学 | 一种机床进给系统的刚度阻尼辨识方法 |
| CN113510709A (zh) * | 2021-07-28 | 2021-10-19 | 北京航空航天大学 | 基于深度强化学习的工业机器人位姿精度在线补偿方法 |
| CN115470691A (zh) * | 2022-07-28 | 2022-12-13 | 西安科技大学 | 一种滚珠丝杠元动作单元进给系统参数辨识方法 |
| CN116560301A (zh) * | 2023-04-21 | 2023-08-08 | 华中科技大学 | 一种基于梯度优化的机床进给系统数理模型参数辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117331342A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112698625B (zh) | 一种面向联动轨迹误差预测的五轴机床数字孪生建模方法 | |
| CN102944197B (zh) | 一种双转台结构的五轴加工中心精度检测方法 | |
| CN113400088B (zh) | Ac双转台五轴机床的位置无关几何误差建模和辨识方法 | |
| CN102430961B (zh) | 基于多传感器集成测量的自由曲面类零件加工系统 | |
| CN111002313B (zh) | 一种机器人模态参数辨识与动态特性分析的方法 | |
| CN110837248B (zh) | 机床健康度测评方法、系统、综合系统及数控机床 | |
| CN115470691A (zh) | 一种滚珠丝杠元动作单元进给系统参数辨识方法 | |
| CN113467367B (zh) | 一种机床进给系统的刚度阻尼辨识方法 | |
| CN115409067A (zh) | 一种数控机床组件剩余寿命预测方法 | |
| CN116560301A (zh) | 一种基于梯度优化的机床进给系统数理模型参数辨识方法 | |
| CN117331342B (zh) | 一种基于ffrls算法的机床进给轴参数辨识方法 | |
| Zhou et al. | Modelling and compensation of thermal deformation for machine tool based on the real-time data of the CNC system | |
| Wu et al. | A study on tracking error based on mechatronics model of a 5-DOF hybrid spray-painting robot | |
| CN112114557B (zh) | 五轴联动数控机床动态精度检测方法、系统及储存介质 | |
| CN112008490A (zh) | 一种全闭环伺服系统的数控机床反向间隙检测方法 | |
| CN113486523B (zh) | 一种线性变参数振动系统全局辨识方法 | |
| CN114527710B (zh) | 基于摩擦补偿的进给直接转矩控制方法、设备及存储介质 | |
| CN202317181U (zh) | 一种自由曲面类零件加工装置 | |
| CN108723888A (zh) | 直线进给轴刀尖点相对于光栅检测点位置偏差估计方法 | |
| Zhu et al. | Full compensation method of thermal error of NC machine tool based on sequence depth learning | |
| Suzuki et al. | Primitive study on model-based process identification by utilizing force estimation techniques | |
| CN108646670B (zh) | 一种数控机床部件温度实时预测方法 | |
| Wang et al. | A normal tracking method for workpieces with free-form surface in robotic polishing | |
| Shi et al. | Incremental transfer learning for robot drilling state monitoring under multiple working conditions | |
| CN118720853A (zh) | 机理与数据混合驱动的铣削加工切削力监测方法及系统 |
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 |