基于长短时记忆网络的机床主轴时变热误差模型在线进化方法
文献发布时间:2023-06-19 19:27:02
技术领域
本发明属于数控机床误差补偿技术领域,涉及一种基于长短时记忆网络的机床主轴时变热误差模型在线进化方法。
背景技术
提升精度稳定性对促进高端数控机床整体水平跃升具有重要意义。时变热误差补偿是提升数控机床精度稳定性的有效手段。实施时变热误差补偿的关键是建立准确的时变热误差模型。自1933年瑞士发现了机床热变形是影响定位精度的主要因素之一以来,已有大量数控机床时变热误差模型被建立,促进了数控机床精度稳定性的提升。然而,时变热误差建模过程中,难免使用假设条件并引入经验公式。面对复杂的机床加工条件以及长期缓时变工况,如何保障时变热误差模型适应时令更替下机床工作环境变化,如何保证时变热误差模型长期适应机床的热特性,是需要重点关注并深入研究的关键问题。
针对上述机床时变热误差补偿问题,美国伊利诺伊大学的J.Mou等提出了利用加工间歇在机测量误差更新误差模型的自适应误差补偿方法。美国密歇根大学的J.Ni等利用加工间歇测量得到的时变热误差在线调整误差模型。瑞士苏黎世联邦理工学院的P.Blaser和J.Mayr等利用周期性加工间歇测量获得实际误差数据,定期更新时变热误差模型参数。H.Liu等利用最佳温度输入数据和在机测量的误差数据自适应更新模型参数。然而,目前存在的问题包括:1)依赖加工间歇测量误差数据,需配置误差在机测量装置,如探针、量块等;2)在机测量误差数据时须在非加工状态,难免影响生产效率;3)利用温度数据作为触发误差在机测量或模型更新的判断对象,需设置多温度测点,不仅增加了温度测量的故障率,还将产生因布线过多妨碍机床正常加工的问题。
发明内容
本发明聚焦数控机床时变热误差长期精准补偿的迫切需求,提供了一种新的基于长短时记忆网络的机床主轴时变热误差模型在线进化方法,可通过长短时记忆网络与主轴时变热伸长误差模型相互矫正的模型参数在线更新机制实现主轴时变热伸长误差模型在线进化,以保证主轴时变热伸长误差模型在机床长期运行过程中始终准确。
为了达到上述目的,本发明采用的技术方案为:
一种基于长短时记忆网络的机床主轴时变热误差模型在线进化方法,首先,基于主轴温度变化速度和加速度建立主轴时变热伸长误差模型,以主轴温度与环境温度作为模型输入,计算主轴时变热伸长误差;然后,基于长短时记忆网络建立主轴时变热伸长误差预测的数据驱动模型,以主轴温度与环境温度作为模型输入,预测主轴时变热伸长误差;之后,判断主轴时变热伸长误差模型计算数据集E
第一步,建立基于主轴温度变化速度和加速度的主轴时变热伸长误差模型;
采用主轴温度变化速度和加速度计算主轴时变热伸长误差稳态值:
式中,E
基于主轴温度变化速度和加速度的主轴时变热伸长误差计算公式写为:
E
式中,E
采用非线性二次规划算法对与主轴温度变化速度相关的系数λ
式中,E
第二步,建立用于主轴时变热伸长误差预测的长短时记忆网络;
采用长短时记忆网络建立用于主轴时变热伸长误差预测的数据驱动模型,模型输入为主轴温度T
E
式中,K为长短时记忆网络的权值矩阵和偏置向量参数,采用以主轴温度T
第三步,判断主轴时变热伸长误差模型计算数据集E
主轴温度和环境温度的采集周期为t
采用一致性评价方法(Bland-Altman法),根据一致性判断周期T
式中,m为一致性判断周期T
基于主轴温度变化速度和加速度的主轴时变热伸长误差模型在工作过程中,当模型计算数据集E
第四步,根据一致性判断结果在线更新主轴时变热伸长误差模型;
根据第三步的判断结果,如果E
如果E
本发明的有益效果:
(1)使基于主轴温度变化速度和加速度的主轴时变热伸长误差模型具有在线进化能力,保证模型在长期运行中的准确性,提高时变热误差模型的鲁棒性;
(2)明确了使用主轴时变热误差模型进行数控机床主轴时变热误差长期准确补偿的实施办法,为机床主轴时变热误差的长期鲁棒补偿提供了有效方案;
(3)本发明提供的方法具有一定的普适性,可将本发明提供的模型在线进化方法推广到其他领域的数据驱动模型在线进化中。
附图说明
图1为机床主轴时变热误差模型在线进化方法实施流程图。
图2为机床主轴时变热误差模型在线进化原理图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清晰明了,下面结合附图对本发明作详细说明。
以某型卧式铣镗床的主轴为例,详细说明本发明的实施方式。该卧式铣镗床的数控系统为华中8型数控系统,主轴转速范围为20r/min~5000r/min,冷却系统温度阈值设置为25℃,主轴电机与主轴采用皮带轮连接。机床主轴时变热误差模型在线进化方法实施流程如图1所示。
(1)建立基于主轴温度变化速度和加速度的主轴时变热伸长误差模型;
采用磁吸式温度传感器获取主轴温度和环境温度,测温精度为±0.1℃(5℃~45℃)。采用电涡流位移传感器测量主轴轴向时变热伸长误差。电涡流传感器选用米銥DT3005-U1-M-C1型,线性量程为1mm,分辨率为0.5μm,灵敏度值约为111um/V,数据采集卡选用NI-USB6281。主轴以1300r/min的转速工作4h,接着停机5h,温度和误差采集周期设置为10s,得到主轴温度、环境温度和主轴时变热伸长误差;由于数据量大,以5min为间隔展示温度和误差数据如表1:
表1主轴温度、环境温度和主轴时变热伸长误差
采用非线性二次规划算法,通过式(1)~(3),利用表1中的主轴温度、环境温度和主轴时变热伸长误差测试结果对与主轴温度变化速度相关的系数λ
(2)建立用于主轴时变热伸长误差预测的长短时记忆网络;
长短时记忆网络的层数被设置为5层,学习率为0.01,梯度阈值设置为1。以温度和误差测试过程中前6小时的主轴温度和环境温度测量值为训练集,以前6小时的主轴时变热伸长误差测量值为标签,训练长短时记忆网络,得到用于主轴时变热伸长误差预测的长短时记忆网络模型。
以温度和误差测试过程中后3小时的主轴温度、环境温度和主轴时变热伸长误差测量值为测试集,测试长短时记忆网络模型的建模效果,测试集数据和测试结果如表2所示:
表2测试集数据和测试结果
从测试结果可以看出,主轴时变热伸长误差的模型预测结果与实际测量结果之间差值范围为-1.4μm~1.1μm,结果表明长短时记忆网络对主轴时变热伸长误差预测效果很好。
(3)判断主轴时变热伸长误差模型计算数据集E
主轴温度和环境温度的采集周期设置为t
表3主轴时变热伸长误差的计算数据集和预测数据集
利用表3的数据,按照式(5)计算阈值A
取A
表4一致性判断周期内的主轴时变热伸长误差计算数据集和预测数据集
利用表4的数据,按照式(5)计算均值A和一致性边界间的宽度B:
此时,均值A和一致性边界间的宽度B满足:A>A
(4)根据一致性判断结果在线更新主轴时变热伸长误差模型;
利用该一致性判断周期T
表5一致性判断周期内的主轴时变热伸长误差计算数据集和预测数据集
利用表5的数据,按照式(5)计算均值A和一致性边界间的宽度B:
- 基于机床功率的主轴轴向热误差模型建模方法
- 一种基于检测神经网络的机床主轴热误差建模检测方法