基于BP神經(jīng)網(wǎng)絡(luò)的五軸數(shù)控機床熱誤差補償建模

伍偉敏 文建平 孫慧 徐文慶

摘要：隨著我國經(jīng)濟實力的不斷發(fā)展，我國對于工業(yè)加工領(lǐng)域的重視程度在不斷的加強，尤其是在數(shù)控機床的應(yīng)用，具有重要的意義，不僅能夠有效提高數(shù)控機床工作效率和質(zhì)量，還能保障產(chǎn)品質(zhì)量。為了有效判斷數(shù)控機床檔次，應(yīng)當以數(shù)控機床加工精度作為主要的檢測標準，而傳統(tǒng)的五軸數(shù)控機床在熱影響下，經(jīng)常性的出現(xiàn)加工精度下降的問題，針對于此，本文基于BP神經(jīng)網(wǎng)絡(luò)的五軸數(shù)控機床熱誤差補償情況進行建模分析，對比之前的應(yīng)用數(shù)據(jù)可知其能夠有效提高五軸數(shù)控機床的加工精度，具有重要的推廣價值。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);綜合誤差;數(shù)控機床

0? 引言

通過分析以往大量五軸數(shù)控機床實際應(yīng)用情況可知，五軸數(shù)控機床在熱影響下出現(xiàn)精度下降的概率大大增加，而將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到五軸數(shù)控機床運行過程中，能夠有效解決數(shù)控機床的綜合性誤差，且能夠提高數(shù)控機床運行效率和質(zhì)量。[1]與此同時，在研究BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用效果時，將放大因子和陡度因子引入到數(shù)控機床運行過程中，以此來實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)建模目的，便于后期進行研究和分析數(shù)控機熱誤差補償問題。在BP神經(jīng)網(wǎng)絡(luò)建模過程中，要將數(shù)控機床誤差數(shù)據(jù)和刀位偏差數(shù)據(jù)作為基礎(chǔ)建模基準，進而證明在應(yīng)用BP神經(jīng)網(wǎng)絡(luò)時不需要將五軸數(shù)控機床進行全面的修改就能有效降低出現(xiàn)熱影響誤差概率，提高五軸數(shù)控機床工作效率和質(zhì)量。

1? BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于數(shù)控機床綜合誤差補償?shù)脑?/p>

為了得到準確BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于數(shù)控機床綜合誤差補償?shù)臄?shù)據(jù)，本文主要將A/B雙擺五軸數(shù)控銑床情況作為分析案例，通過詳細的分析和研究得到合理的誤差數(shù)據(jù)。在五軸數(shù)控銑床運行時，由于其長時間的運行，造成其加工精度下降的因素有很多，會延長整體的加工時間和降低加工質(zhì)量。一般情況下，五軸數(shù)控機床出現(xiàn)誤差的原因主要為數(shù)控機床主軸熱漂移誤差和各運動軸出現(xiàn)的不同程度的熱變形誤差，這兩種情況都能夠增加出現(xiàn)數(shù)控機床的誤差概率。出現(xiàn)這種熱影響的主要因素為數(shù)控機床長時間運行、散熱性差、主軸靠近發(fā)熱源等，還有可能是五軸數(shù)控機床內(nèi)部各工件出現(xiàn)振動而出現(xiàn)的運動誤差等。[2]如果將具有誤差的五軸數(shù)控機床檢測數(shù)據(jù)作為建模標準，難以建立熱影響誤差因素參數(shù)模型。通過分析BP神經(jīng)網(wǎng)絡(luò)的工作原理可知，其采用的算法具有獨特性，并且能夠根據(jù)相關(guān)的數(shù)據(jù)進行自我學(xué)習和非線性映射能力，因此將其應(yīng)用到五軸數(shù)控機床熱誤差補償建模時，能夠在其輸入端進行多端輸入，其能夠有效處理大量的檢測數(shù)據(jù)，并能夠?qū)⑵渑c正常的數(shù)據(jù)相對比，使其輸出五軸數(shù)控機床熱誤差補償模型數(shù)據(jù)，保證模型的合理性。與此同時，在應(yīng)用自我學(xué)習能力時，其還能在利用其算法進行后續(xù)數(shù)據(jù)處理，并將后期添加的數(shù)據(jù)與前期數(shù)據(jù)相比較，將其映射到熱誤差補償模型中，得到兩段運行階段的模型差值。所以，本文著重構(gòu)建單隱層BP神經(jīng)網(wǎng)絡(luò)，對應(yīng)單隱層形式BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)可見圖1。雖然五軸數(shù)控機床在實際運行中會受到不同因素的影響，但是熱影響是主要的影響因素，因此結(jié)合BP神經(jīng)網(wǎng)絡(luò)，將各類熱影響數(shù)據(jù)進行分析和研究，并輸出有效的處理數(shù)據(jù)，使其構(gòu)建完善的五軸數(shù)控機床熱誤差補償模型，便于工作人員進行分析和研究，為后期五軸數(shù)控機床的創(chuàng)新和發(fā)展提供有效的參考數(shù)據(jù)。[3]

2? BP 神經(jīng)網(wǎng)絡(luò)建模流程

BP神經(jīng)網(wǎng)絡(luò)在建立五軸數(shù)控機床熱誤差補償模型時，需要先得到數(shù)控機床運行過程中各類誤差數(shù)據(jù)，然后將其輸入到BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)中，得到隱層輸出量和輸入量的值，然后將數(shù)控機床的網(wǎng)絡(luò)輸出層作為主要的對比數(shù)據(jù)，要將其輸入到網(wǎng)絡(luò)訓(xùn)練模式中，進行數(shù)據(jù)優(yōu)化和分析，以此來保證對比數(shù)據(jù)的合理性和準確性。在檢測五軸數(shù)控機床的實際數(shù)據(jù)后，按照BP神經(jīng)網(wǎng)絡(luò)中的算法應(yīng)用可知，其所含的隱層內(nèi)容為非線性激活函數(shù)，所輸出的層次為線性激活函數(shù)，因此這兩種函數(shù)都是能夠進行調(diào)整的函數(shù)。本文所采用的BP神經(jīng)網(wǎng)絡(luò)具有重要的應(yīng)用意義，不僅能夠有效的結(jié)合五軸數(shù)控機床數(shù)據(jù)信息，還能對誤差影響因素進行合理的控制，達到正確的建模標準，實現(xiàn)數(shù)據(jù)信息的正向傳輸，還能對誤差因素進行反向控制。在向BP神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)時，其能夠根據(jù)所檢測到的數(shù)據(jù)信息進行追蹤，確保數(shù)據(jù)信息的準確性?？蓞⒖紙D2。[4]在實際應(yīng)用中，其能夠?qū)?quán)值標量作為主要的輸入樣本，然后將其上傳到隱層中，激發(fā)隱層內(nèi)部所含有的數(shù)據(jù)處理函數(shù)使其得到合理的處理結(jié)果，然后將其傳輸?shù)捷敵鰧樱俑敵鰧觾?nèi)部的變量相結(jié)合，得到五軸數(shù)控機床熱誤差補償數(shù)據(jù)。將該數(shù)據(jù)與初始預(yù)設(shè)數(shù)據(jù)值進行對比，其中存在的數(shù)據(jù)差值作為誤差反向調(diào)整方向，在調(diào)整過程中，其還能作為目標誤差作為主要的參考值，然后在計算后期的誤差數(shù)據(jù)時，能夠?qū)⑵渥鳛橹匾膮⒖紨?shù)據(jù)。在BP神經(jīng)網(wǎng)絡(luò)中，目標誤差還能作為均方差的計算樣本，其能夠根據(jù)兩者之間的數(shù)值差異，在滿足輸出條件下的情況下，進行開展數(shù)值計算，然后對出現(xiàn)較大偏差的數(shù)據(jù)進行重新檢測和調(diào)整。BP神經(jīng)網(wǎng)絡(luò)還結(jié)合MATALB應(yīng)用程序，使其具備自主學(xué)習能力，能夠更好的優(yōu)化神經(jīng)網(wǎng)絡(luò)中的算法。[4]在實際應(yīng)用中，首先要在五軸數(shù)控機床主軸和各工作軸周圍設(shè)置溫度傳感器，將運行過程中各軸的溫度實時傳輸?shù)缴窠?jīng)系統(tǒng)中，將其作為該運行階段的輸入樣本X，然后利用位移傳感器檢測五軸數(shù)控機床各軸的位移進行檢測，對于出現(xiàn)誤差的數(shù)據(jù)作為期望輸出0，在此過程中，需要將閾值向量和權(quán)值向量進行重置，保證檢測數(shù)據(jù)的時效性。其次，在應(yīng)用BP神經(jīng)網(wǎng)絡(luò)時，還需要將輸入值和輸出值作為不同變量進行計算，并且對各輸入層和輸出層的閾值和權(quán)值進行調(diào)整，使其能夠符合檢查標準。最后，在檢測過程中，如果實現(xiàn)權(quán)值與閾值保持動態(tài)平衡的狀態(tài)，則算法自我學(xué)習結(jié)束，并輸出最終的數(shù)據(jù)。將BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到五軸數(shù)控機床熱誤差補償建模中，利用其線性擬合能力能夠得到準確的檢測數(shù)據(jù)，并且能夠有效優(yōu)化五軸數(shù)控機床的綜合運動情況，但是在實際應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)還是存在著較多的問題。例如，基于BP神經(jīng)網(wǎng)絡(luò)的五軸數(shù)控機床熱誤差補償建模，為了得到更準確的熱誤差模型，需要將大量的動量項作為輸入層，以此來提高神經(jīng)網(wǎng)絡(luò)的自我學(xué)習能力，但是在引入過程中，也將陡度因子引入其中，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在處理陡度因子時，會默認將其添加到正向數(shù)據(jù)計算當中，因此會造成BP神經(jīng)網(wǎng)絡(luò)算法出現(xiàn)錯誤，當輸出層或隱層輸出1或0較接近的數(shù)值時，權(quán)值和閾值會出現(xiàn)趨向于無窮下的情況，導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)自我學(xué)習能力出現(xiàn)停止的問題。針對于此，為了降低此問題的出現(xiàn)，應(yīng)當優(yōu)化和創(chuàng)新BP神經(jīng)網(wǎng)絡(luò)算法，將陡度因子和放大因子都加入到正向計算中，流程如圖3所示，以此來保證基于BP神經(jīng)網(wǎng)絡(luò)建立五軸數(shù)控機床熱誤差模型的合理性和科學(xué)性。[5]

3? 數(shù)控銑床誤差建模

在五軸數(shù)控銑床誤差建模時，要先對五軸數(shù)控銑床運行過程中易出現(xiàn)溫度變化和位移的部位進行溫度檢測和位移檢測，然后利用這兩者的變化數(shù)據(jù)情況，構(gòu)建溫度和位移兩個因素關(guān)系變化模型。本文中所分析的A/B雙擺五軸數(shù)控銑床中每個主軸內(nèi)部都已經(jīng)安裝溫度傳感器。在五軸數(shù)控銑床運行時，傳感器會根據(jù)機床實際運行情況來選擇開啟數(shù)量，以此來保證溫度變化數(shù)據(jù)檢測的準確性。在檢測五軸數(shù)控銑床位移情況時，需要重點關(guān)注X、Y軸的實際位移數(shù)據(jù)，因此在主軸頭部的X方位和Y方位應(yīng)當分別安裝位移傳感器，并在其內(nèi)部輸入有效的指令。例如，五軸數(shù)控銑床位移達到11mm后，傳感器運行時間需要停止5s，然后在進行下一周期的檢測?；贐P神經(jīng)網(wǎng)絡(luò)的五軸數(shù)控機床熱誤差補償建模時，要保證五軸數(shù)控機床運行的穩(wěn)定性，因此在建模前期，要保證五軸數(shù)控機床保持禁止運行狀態(tài)約一天的時間，在建立模型過程中，要維持五軸數(shù)控機床穩(wěn)定運轉(zhuǎn)的狀態(tài)，控制主軸的恒轉(zhuǎn)速達到 4000r/min，因此在開啟五軸數(shù)控機床前，要進行30min的空轉(zhuǎn)，然后在進行檢測運轉(zhuǎn)過程中各檢測階段溫度變化情況，檢測頻率為1min/次，進而得到溫度和時間的變化曲線，對其進行深入分析，選取其中相同時間下的溫度差值作為參考數(shù)值。最后根據(jù)BP神經(jīng)網(wǎng)絡(luò)算法中得到的綜合數(shù)據(jù)結(jié)果作為基準數(shù)據(jù)，將放大因子和陡度因子都引入算法中，從而得到科學(xué)性的基于BP神經(jīng)網(wǎng)絡(luò)的五軸數(shù)控機床熱誤差補償模型。[6]

4? 結(jié)語

綜上所述，基于BP神經(jīng)網(wǎng)絡(luò)的五軸數(shù)控機床熱誤差補償構(gòu)建的數(shù)據(jù)模型，能夠?qū)⑽遢S數(shù)控機床熱影響直觀的呈現(xiàn)出來，有效提高五軸數(shù)控機床工作效率和質(zhì)量。BP神經(jīng)網(wǎng)絡(luò)能夠自動改進算法來計算五軸數(shù)控機床熱誤差補償數(shù)據(jù)，且能夠適應(yīng)大多數(shù)數(shù)控機床測量數(shù)據(jù)和種類，因此具有重要的推廣應(yīng)用價值。

參考文獻：

[1]王洪樂等.基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)控機床綜合誤差補償方法[J].西安交通大學(xué)學(xué)報，2017，51（6）：138-146.

[2]張寶剛.數(shù)控機床關(guān)鍵部件的熱誤差補償技術(shù)研究[D].河北工程大學(xué)，2016.

[3]周天鵬.數(shù)控機床熱變形的智能補償方法及系統(tǒng)設(shè)計[D].四川理工學(xué)院，2012.

[4]陽江源.數(shù)控機床熱誤差檢測與建模研究[D].大連理工大學(xué)，2010.

[5]沈金華.數(shù)控機床誤差補償關(guān)鍵技術(shù)及其應(yīng)用[D].上海交通大學(xué)，2008.

[6]李永祥.數(shù)控機床熱誤差建模新方法及其應(yīng)用研究[D].上海交通大學(xué)，2007.