[發明專利]經遺傳算法優化的BP神經網絡重型機床熱誤差建模方法

在審

• 申請號: 201510052875.0
• 申請日: 2015-02-02
• 公開（公告）號: CN104597842A
• 公開（公告）日: 2015-05-06
• 發明（設計）人: 周祖德;胡建民;婁平;劉泉;姜正
• 申請（專利權）人: 武漢理工大學
• 主分類號: G05B19/404
• 分類號: G05B19/404
• 代理公司: 武漢開元知識產權代理有限公司 42104
• 代理人: 潘杰;劉琳

技術領域

本發明涉及面向數字制造技術領域，特別針對重型機床以及超精密加工機床，具體地指一種經遺傳算法優化的BP神經網絡重型機床熱誤差建模方法。

背景技術

重型機床是制造領域的重要裝備，其加工性能是一個國家制造業發展水平的主要標志之一，重型機床用于高端裝備的加工，在航空、航天及高端裝備制造業中有著廣泛的應用。由于自身材質、結構和加工環境的原因，在對零件加工過程中存在著幾何誤差、熱誤差、伺服誤差和定位夾緊誤差等影響加工精度穩定性的因素。重型機床由于熱源較多、結構復雜及其驅動系統所需的功率大，零部件發熱嚴重，因此受環境溫度和加工過程發熱的影響很大，所以，重型機床在外部熱源和內部熱源發熱的影響下機床零部件產生熱變形所導致的熱誤差尤為明顯。國內外研究表明，重型機床熱誤差占機床加工總誤差量的40％到70％左右，在超高精密加工過程中，熱誤差所占比例甚至高達80％。重型數控機床工作過程中的熱誤差會降低機床的制造精度，從而嚴重影響工件的加工質量、降低重型數控機床的生產效率。隨著機床制造技術和結構設計的改善，幾何誤差等已經得到了很好的控制，但是重型機床加工過程中的熱誤差一直以來難以得到有效控制。由此可見，開發有效的熱誤差補償裝置對提高重型數控機床加工精度有著重要意義。

在熱誤差補償技術中，采用誤差補償法對數控機床熱誤差進行補償的先決條件是要建立一個可反映熱變形所的導致熱誤差的預測模型，在此基礎上根據熱誤差預測模型的預測結果向數控系統發送實時補償數據進而實現對熱誤差的補償，因此，熱誤差預測模型的好壞將最終決定熱誤差的補償效果。目前常用的熱誤差建模方法有：多元線性回歸建模方法、神經網絡建模方法、貝葉斯網絡建模方法、灰色系統建模方法等。

2005年，Yang?Kong等人對數控機床熱變形的動態特性進行了系統的分析研究，并基于系統辨識方法提出了數控機床熱誤差動態建模理論，在對機床結構仿真的基礎上，建立了多元動態熱誤差預測模型，同時對動態模型的自適應方法論進行了系統描述(參看文獻“Adaptive?model?estimation?of?machine-tool?thermal?errors?based?on?recursive?dynamic?modeling?strategy”，來自期刊《International?Journal?of?Machine?Tools?and?Manufacture》，2005年第45卷第1期)。該方法雖然有效的獲取了數控機床熱誤差數據，但是建模所花時間長，不具有良好的實時性。

2006年，Kang?Yuan等人結合混合濾波方法和人工神經網絡建立了數控機床熱誤差預測模型，把混合濾波的輸出作為神經網絡的輸入，溫度變量和熱誤差的動態特性作為神經網絡的輸出(參看文獻“Modification?of?a?neural?network?utilizing?hybrid?filters?for?the?compensation?of?thermal?deformation?in?machine?tools”，來自期刊《International?Journal?of?Machine?Tools?and?Manufacture》，2007年第47卷第2期)。該模型在減少神經網絡學習時間的同時，也有效的提高了模型的預測精度，但單純的人工神經網絡方法雖然可以通過自學習修正神經元的各權重系數得到充分小的訓練誤差，但卻存在局部極小點過學習和過分依賴經驗等缺陷，對于未經訓練的新數據，其泛化能力差。

專利號為200810163140.5的中國發明“數控機床熱誤差貝葉斯網絡補償方法”，該發明根據實測樣本數據，構建貝葉斯網絡熱誤差預測模型，實現機床熱誤差的實時補償。所采用的貝葉斯網絡建模方法一方面用圖論的語言直觀表達產生熱誤差的各種因素間的因果依賴關系，另一方面按照概率論的原則對各因素間的內在關聯進行分析、利用，降低推理預測的計算復雜度，具有表達只管、建模精度高和自適應的特點。該方法不能反映熱誤差的非線性特征，預測誤差精度低且魯棒性不好。