[發明專利]一種數控加工誤差優化方法

有效

• 申請號: 201710026532.6
• 申請日: 2017-01-14
• 公開（公告）號: CN106842922B
• 公開（公告）日: 2020-07-17
• 發明（設計）人: 王勇;黃俊杰;陳勝;葛園園;鄭彬峰;于灑
• 申請（專利權）人: 合肥工業大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 康瀟

1.一種數控加工誤差優化方法，它包括以下步驟：

1)獲取每一次機床加工實時采樣數據；

2)獲取每一次機床加工時的零件加工尺寸誤差數據，并與步驟1)中獲取的每一次機床加工實時采樣數據對應存儲；

3)采用時域分析方法和頻域分析方法分別對步驟1)中獲得的機床加工實時采樣數據進行處理以得到相應的時域特征參數和頻域特征參數，針對時域特征參數和頻域特征參數基于最小二乘法的數學擬合建立特征參數預測模型，并采用該模型對時域特征參數和頻域特征參數進行預測，得到時域特征參數預測值和頻域特征參數預測值；針對時域特征參數和頻域特征參數基于最小二乘法的數學擬合建立特征參數預測模型，建立特征參數預測模型的過程如下：

設對機床加工某零件至第i次，根據加工次序編號為1，2，3，…，i，將每一次加工過程對應的特征參數a依次表示為a₁，a₂，a₃，…，a_i，針對a₁，a₂，a₃，…，a_i采用基于最小二乘法的數學擬合得到“a-x”擬合曲線，即“a-x”擬合曲線為特征參數預測模型，擬合工作由相關軟件完成；上述相關軟件采用包括但不限于MATLAB完成擬合工作；

4)建立BP單隱層神經網絡模型，采用步驟3)中的時域特征參數和頻域特征參數以及步驟2)中獲得的零件加工尺寸誤差數據，針對BP單隱層神經網絡模型進行訓練，并將步驟3)中的時域特征參數預測值和頻域特征參數預測值帶入訓練后的BP單隱層神經網絡模型中，得到預測加工誤差；

5)根據步驟4)中得到的預測加工誤差，通過數控程序優化系統對部分程序微調，以補償加工誤差。

2.根據權利要求1所述的一種數控加工誤差優化方法，其特征在于：所述步驟4)包括以下步驟：

41)建立BP單隱層神經網絡模型；其中，BP單隱層神經網絡模型包括輸入層、隱含層和輸出層，其結構為N(s，p，q)，其中，s為輸入層神經元個數，且輸入層神經元個數s與選定的特征參數個數相同，p為隱含層神經元個數，q是輸出層神經元個數；

42)采用步驟3)中的時域特征參數和頻域特征參數以及步驟2)中獲得的零件加工尺寸誤差數據，針對BP單隱層神經網絡模型進行訓練；

43)將步驟3)中的時域特征參數預測值和頻域特征參數預測值帶入訓練后的BP單隱層神經網絡模型中，得到預測加工誤差。

3.根據權利要求2所述的一種數控加工誤差優化方法，其特征在于：所述步驟42)中，它包括以下步驟：

a)選定時域特征參數和頻域特征參數，并針對選定的特征參數采用min-max方法歸一化處理后得到的特征值，將特征值作為BP單隱層神經網絡模型的輸入層輸入；

b)隱含層神經元個數p按照經驗公式確定并取整，其中h為常數，且1≤h≤10；

c)在BP單隱層神經網絡中，輸出層的輸出神經元采用二進制編碼，每組二進制編碼與其相對應的誤差區間一一對應；

d)每次選定的特征參數輸入都會重新計算BP單隱層神經網絡模型的目標函數值，得到新的權值，并通過目標函數值與預期目標值相比較：若獲得的目標函數值小于預期目標值，則權值確定，得到滿足要求的BP單隱層神經網絡模型；若獲得的目標函數值未小于預期目標值，則按梯度下降法反向計算，逐層調整權值，直至滿足預期目標值。