[發明專利]大數據分析五軸小龍門數控加工中心的動態精度檢測方法

有效

• 申請號: 202010583947.5
• 申請日: 2020-06-23
• 公開（公告）號: CN111633466B
• 公開（公告）日: 2021-11-19
• 發明（設計）人: 李愛軍;殷正斌;沈成輝;趙小雨;李歡
• 申請（專利權）人: 廣東普拉迪科技股份有限公司
• 主分類號: B23Q17/00
• 分類號: B23Q17/00
• 代理公司: 佛山市恒瑞知識產權代理事務所(普通合伙) 44688
• 代理人: 史亮亮

本發明公開了一種大數據分析五軸小龍門數控加工中心的動態精度檢測方法，其通過對數據的預處理，消除了噪聲數據，缺失數據以及低質量數據等異常數據對于訓練所生成的模型的影響，便于更好地利用所采集的數據進行大數據分析處理；所提供的方法準確可靠，其基于歷史數據，利用神經網絡算法構建了動態誤差的多元回歸模型，同時借助實時數據和實時動態精度不斷地校正多元回歸模型；所提供的方法利用大數據技術進而只需借助于數控加工中心的傳感器數據就能夠可靠地獲取動態精度的知識，從而避免使用特定檢測裝置，大大節約了人力物力成本，使得獲取動態精度的過程經濟易行，簡單友好。

技術領域

本發明涉及大數據分析及數控加工領域，尤其涉及一種大數據分析五軸小龍門數控加工中心的動態精度檢測方法。

背景技術

數控加工中心的精度分為靜態精度和動態精度，前者通常指在沒有切削載荷以及機床靜止或者低速運動情況下的精度，而后者為加工中心在有外載荷、溫升、振動等工作狀態下的精度。通常在實際的工作狀態下，靜態精度只能在一定程度上反映加工中心的加工精度，而動態精度直接決定了被加工件的精度。另外，由于實際工作中的切削力、夾緊力、摩擦發熱、環境溫度變化、振動等因素都會對動態精度產生影響，進而影響被加工工件的精度，因而有必要對加工中心的動態精度進行檢測，以保障工件的質量。

目前，在現有的動態精度獲取方法中，絕大部分都需要特定的檢測裝置來完成，比如在申請公布號為CN102009369A和CN103273379A的專利中，都是通過特定的檢測裝置來完成動態精度的檢測。這些檢測方法能夠獲取可靠的動態精度，但其需要耗費較長的時間去布置檢測裝置，耗費了大量的人力物力。在專利(CN104050317A)中，公開了一種將實驗測試和仿真軟件相結合的動態精度獲取方法，雖然避免了特定檢測裝置的使用，但涉及有限元模型及動力學模型的建立及優化，對工人的技術水平要求高，且該種方法使得在機床進行改裝升級后，需要重新構建相關模型才能檢測動態精度，費時費力，加重了用戶負擔。

發明內容

本發明旨在至少解決現有技術中存在的技術問題之一。為此，如圖1所示，本發明公開了一種大數據分析五軸小龍門數控加工中心的動態精度檢測方法，包括如下步驟：

步驟1，采集數控加工中心生產過程數據和內部狀態數據；

步驟2，實時接收所采集的數據并儲存，同時對數據進行預處理，并對異常數據進行剔除；

步驟3，通過大數據技術基于采集到的歷史數據建立動態誤差模型，同時利用實時數據不斷修正模型，以得到加工中心的動態精度。

更進一步地，所述步驟1進一步包括：對數控系統指令，振動信號，力信號，主軸及運動軸的位置信號以及溫度信號進行采集。

更進一步地，所述步驟2進一步包括：在進行數據預處理時，假設采集的數據服從正態分布，給出正態分布公式如下：

其中，σ為數據集的標準差，μ表示數據集的均值，x代表數據集的數據；相對于正常數據，異常數據可以被視為小概率數據；在標準正態分布中，數據x落在(μ-3σ,μ-3σ)外的概率小于0.003，即P(|x-μ|＞3σ)≤2-φ(3)＝0.0026；

其中φ(3)為標準正態分布在x＝3時的概率，剔除滿足上述等式的數據，并利用被剔除數據的前后兩個數據的均值代替該數據。

更進一步地，所述步驟3進一步包括：在進行數據分析處理時，基于所述歷史數據，選用多元回歸模型構建動態誤差模型，其中，多元回歸模型包括一個因變量和多個自變量，可表示如下：

y_n＝a₀+a₁x₁₁+a₂x₂₁+......+a_nx_n1+b_k,k＝1,2,......q