[發明專利]基于深度學習網絡的數控機床運動誤差實時溯因方法

在審

• 申請號: 201810936010.4
• 申請日: 2018-08-16
• 公開（公告）號: CN109032071A
• 公開（公告）日: 2018-12-18
• 發明（設計）人: 余永維;杜柳青;彭西;徐李
• 申請（專利權）人: 重慶理工大學
• 主分類號: G05B19/401
• 分類號: G05B19/401;G06N3/04;G06N3/08
• 代理公司: 重慶博凱知識產權代理有限公司 50212
• 代理人: 周輝

1.一種基于深度學習網絡的數控機床運動誤差實時溯因方法，其特征在于，包括如下步驟：

A、建立數控機床圓運動誤差軌跡理論模型：

R′＝R+ΔR＝R+f(e,θ)

式中，R′為數控機床主軸刀具圓運動的實際半徑，R為數控機床主軸刀具圓運動的理論半徑，ΔR為數控機床主軸刀具圓運動的半徑誤差矢量，ΔR＝f(e,θ)，θ為實際插補半徑O′P′與X的夾角，e為誤差因素，f()為與誤差因素有關的函數；

B、制作各誤差因素對應的誤差軌跡理論樣本：根據不同類型的誤差因素e，改變誤差因素e的數值大小，制作對應的誤差軌跡理論樣本；

C、基于深度卷積神經網絡，建立數控機床圓運動誤差軌跡深度學習識別網絡；

D、用各誤差因素對應的誤差軌跡理論樣本離線訓練數控機床圓運動誤差軌跡深度學習識別網絡；

E、使待檢測數控機床作兩軸插補的圓運動，通過數控機床內置傳感器采集圓運動誤差軌跡圖形；并將采集到的圓運動誤差軌跡圖形輸入訓練后的誤差軌跡深度學習識別網絡，識別出造成數控機床運動誤差的因素。

2.如權利要求1所述的基于深度學習網絡的數控機床運動誤差實時溯因方法，其特征在于，所述步驟B中，所述誤差因素e包括垂直度誤差因素，其對應的圓運動誤差軌跡模型為：

其中θ為實際插補半徑O′P′與X軸的夾角，α為Y軸相對于垂直X軸方向的偏轉角度；改變角度系數α，獲得不同垂直度誤差值對應的圓運動誤差軌跡樣本。

3.如權利要求1所述的基于深度學習網絡的數控機床運動誤差實時溯因方法，其特征在于，所述步驟B中，所述誤差因素e包括反向間隙σ，其對應的圓運動誤差軌跡模型為：

改變反向間隙σ，獲得不同反向間隙誤差值對應的圓運動誤差軌跡樣本。

4.如權利要求1所述的基于深度學習網絡的數控機床運動誤差實時溯因方法，其特征在于，所述步驟B中，所述誤差因素e包括由熱變形或/和裝配引起的直線度誤差δ，其對應的圓運動誤差軌跡模型為：

R′＝R+ΔR＝R+(-2δhRcos²θ-δR²sinθcos²θ)

其中h為在Y軸方向位于移動面上方的距離；改變直線度誤差δ，獲得不同直線度誤差值對應的圓運動誤差軌跡樣本。

5.如權利要求1所述的基于深度學習網絡的數控機床運動誤差實時溯因方法，其特征在于，所述步驟B中，所述誤差因素e包括滾珠絲杠引起的周期性誤差，其對應的圓運動誤差軌跡模型為：

其中b為周期性誤差的振幅，Φ為相位，p為螺距；改變振幅b，獲得不同周期性誤差值對應的圓運動誤差軌跡樣本。

6.如權利要求1所述的基于深度學習網絡的數控機床運動誤差實時溯因方法，其特征在于，所述步驟C中，所述誤差軌跡深度學習識別網絡包括用于輸入數控機床圓運動軌跡圖形的輸入層，用于提取圓運動軌跡圖形的深度特征的深度特征提取層，和用于識別所述深度特征提取層輸入的深度特征，并輸出識別出的誤差因素的識別層，所述識別層采用RBF網絡。

7.如權利要求6所述的基于深度學習網絡的數控機床運動誤差實時溯因方法，其特征在于，所述深度特征提取層包括第一層卷積層C1、第一層池化層S1、第二層卷積層C2、第二層池化層S2、第三層卷積層C3、第三層池化層S3、第四層卷積層C4和第五層全連接層。

8.如權利要求7所述的基于深度學習網絡的數控機床運動誤差實時溯因方法，其特征在于，所述步驟D中，離線訓練包括前向傳播過程和反向傳播過程，前向傳播過程中，卷積層前向傳播計算公式為：

其中X_l,j表示特征圖，其中l和j分別表示對應的卷積層層數和個數，M_j表示作為輸入的前一層特征圖X_l-1,j的集合，b_l,j表示卷積特征圖X_l,j的偏置，w_l-1,i,j表示卷積特征圖X_l,j的第i個權值；

池化層前向傳播計算公式為

X_l,j＝f(β_l,jpooling(X_l-1,j)+b_l,j)

式中pooling表示最大池化的函數，對于指定n×n區域中計算其最大值作為該區域的輸出，輸出圖像會比原有特征圖縮小n倍，β_l,j為特征圖的乘性偏置；

在反向傳播學習過程中進行權值更新，由t次到t+1次，卷積層更新神經元權值計算公式為：

池化層更新神經元權值的計算公式為：

其中，η是學習速率；E為有N個訓練樣本、共有C種類型的深度學習網絡模型的整體樣本方差代價函數：

其中，t_n,k為第n個訓練樣本所對應的第k維標簽，y_n,k為第n個訓練樣本所所對應的第k個實際輸出。