基于并联深度学习网络的数控机床热误差预测与补偿方法技术

本发明专利技术公开了一种基于并联深度学习网络的数控机床热误差预测与补偿方法，包括如下步骤：A、采集样本数据：在数控机床上选取热源测量点，检测热源测量点的温度值，和对应时间点的主轴热误差值，作为样本数据；B、建立基于并联深度信念网络的深度学习热误差预测模型；C、将采集到样本数据训练深度学习热误差预测模型；D、实时检测数控机床热源测量点的温度值，并输入训练后的深度学习热误差预测模型，实时预测热误差值；E、将预测的热误差值作为数控机床坐标系原点的补偿平移量，通过坐标系原点偏移实现热误差实时补偿。本发明专利技术具有能够准确表征大数据情况下监测温度信号与热误差之间复杂的映射关系，有利于提高热误差预测与补偿精度等优点。

【技术实现步骤摘要】
基于并联深度学习网络的数控机床热误差预测与补偿方法
本专利技术涉及数控机床行业的精度控制
，特别的涉及一种基于并联深度学习网络的数控机床热误差预测与补偿方法。
技术介绍
据统计，在精密加工过程中由于工艺系统热变形引起的加工误差占总加工误差的40％-70％，其中数控机床热变形误差占的比重很大，甚至占整个工件加工误差的50％以上。合理有效地进行热误差控制是提高数控机床加工精度的重要保证。误差补偿法就是其中一种最常用有效的方法。而热误差补偿的前提是能够尽可能准确地建立机床热误差和温度之间的映射关系，从而在实时补偿过程中用机床温度值来预报热误差。由于热误差本身具有准静态时变、非线性、衰减延迟以及耦合的综合特征，所以难以采用理论分析来建立精确热误差数学模型。目前常用的热误差建模方法为实验建模法，即根据统计理论对热误差数据和机床温度值作相关分析用最小二乘原理进行拟合建模。近年来，浅层神经网络理论(BP网络、RBF网络)、灰色系统理论等也已运用到热误差建模中。但用传统方法建立起来的热误差数学模型的除了存在补偿精度和鲁棒性问题外，还存在两大缺陷：一是需要掌握大量的信号处理技术结合丰富的工程实践经验来提取信号特征；二是使用浅层模型难以表征大数据情况下监测信号与热误差之间复杂的映射关系。深度学习网络及其学习算法，作为成功的大数据分析方法，与传统方法相比，深度学习方法以数据驱动、能自动地从数据中提取特征(知识)，对于分析非结构化、模式不明多变、跨领域的大数据具有显著优势。
技术实现思路
针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种能够自动提取数控机床温度数据深层特征，准确表征大数据情况下监测温度信号与热误差之间复杂的映射关系，有利于提高热误差预测与补偿精度、实时性和适应性的基于并联深度学习网络的数控机床热误差预测与补偿方法。为了解决上述技术问题，本专利技术采用了如下的技术方案：一种基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，包括如下步骤：A、采集样本数据：在数控机床上选取热源测量点，检测热源测量点的温度值，和对应时间点的主轴热误差值，作为样本数据；B、建立基于并联深度信念网络的深度学习热误差预测模型；C、采用步骤A所采集到样本数据训练深度学习热误差预测模型；D、实时检测数控机床热源测量点的温度值，并输入训练后的深度学习热误差预测模型，实时预测热误差值；E、将预测的热误差值作为数控机床坐标系原点的补偿平移量，通过坐标系原点偏移实现热误差实时补偿。进一步的，其特征在于，对输入的温度样本数据进行归一化处理到区间[0，1]，对网络预测输出的热误差值进行去归一化处理。进一步的，所述深度学习热误差预测模型主要由三个具有相同网络结构的深度信念网络并联而成，分别为用于预测主轴在X轴方向上的热误差值的DBN1、用于预测主轴在Y轴方向上的热误差值的DBN2和用于预测主轴在Z轴方向上的热误差值的DBN3；所述DBN1、DBN2和DBN3均包含1个可视输入层，1个输出层和3个限制玻尔兹曼机RBM隐含层，分别为RBM1、RBM2和RBM3；所述DBN1、DBN2和DBN3分别具有不同的权值参数，并共享一个RBM1层。进一步的，所述可视输入层的神经元数量与所述步骤A中选取的热源测量点数量一致；所述输出层的神经元数量为1，其输出值为主轴在X轴方向、Y轴方向或Z轴方向上的热误差值。进一步的，所述限制玻尔兹曼机RBM隐含层的神经元数量采用如下步骤确定：先设定神经元初始数量式中，r为步骤A中选取的热源测量点数量，然后以步长为s逐步增加，同时以所述深度学习热误差预测模型预测均方根误差，将所述深度学习热误差预测模型预测得到的最小均方根误差所对应的神经元数量确定为该限制玻尔兹曼机RBM隐含层的神经元数量。进一步的，采用对数散度无监督学习方法，预训练模型中的深度信念网络DBN1，获得DBN1网络初始权值，将训练完成的DBN1参数对应赋值给DBN2、DBN3，实现初始权值共享进一步的，每一时刻的温度数据与对应时刻的热误差组成标签样本数据，用标签样本数据、采用BP算法分别微调生成3个深度信念网络的最优权值。进一步的，所述步骤A中，选取至少15个热源测量点，并采集至少100组温度值和对应的热误差值作为样本数据。进一步的，所述热源测量点主要分布在数控机床主轴、各进给轴丝杆螺母副、床身、冷却液和工作室处。进一步的，所述热误差值包括主轴在X轴方向、Y轴方向和Z轴方向上的3个热误差值，分别为ex、ey、ez。综上所述，本专利技术具有如下优点：1、本专利技术基于并联深度信念网络，解决了传统方法使用浅层模型难以表征大数据情况下监测温度信号与热误差之间复杂的映射关系。相较于传统热误差预测系统，大大提高了预测准确性的同时，显著提高了热误差补偿的实时性和适应性。2、本专利技术基于深度学习原理，能够自动提取数控机床温度数据深层特征，不需要介入人为的干预，能够摆脱对大量信号处理技术与诊断经验的依赖，完成特征的自适应提取与热误差状态的智能预测与补偿，鲁棒性好、实时性强。3、本专利技术提高了热误差预测网络的深层学习能力，解决了传统方法需要掌握大量的信号处理技术结合丰富的工程实践经验来提取信号特征的难题。附图说明图1为基于并联深度学习网络的数控机床热误差预测与补偿方法流程图。图2为龙门加工中心主轴热误差测量示意图。图3为数控机床深度学习热误差预测模型结构。图4为X轴方向热误差补偿曲线。图5为Y轴方向热误差补偿曲线。图6为Z轴方向热误差补偿曲线。具体实施方式下面结合一种龙门加工中心的热误差预测及补偿对本专利技术作进一步的详细说明。具体实施时，如图1所示，具体采用如下步骤：一、采集数控机床关键点温度值和对应时间的主轴热误差值作为样本数据；(1)根据该龙门加工中心的结构、工况及热源分布，将热源关键点设置在机床发热较大部位或其附近，采用18个温度传感检测温度数据。温度关键点编号从T1至T18，布置如下：1)左右立柱部位丝杠上下轴承座：T1，T2；丝杠螺母：T3，T4；导轨：T5、T6。2)横梁部位丝杠左右轴承座：T7，T8；丝杠螺母T9；导轨T10。3)滑枕部位主轴箱上表面：T11；主轴箱左侧：T12；主轴箱右侧：T13；主轴法兰：T14。4)床身及工作台部位床身：T15；工作台：T16。5)冷却液部位：冷却液输入管处T17。6)环境温度：工作车间温度T18。(2)测量龙门加工中心主轴在径向方向和轴向方向的3个热误差值：ex、ey、ez，测量方式如图2所示。(3)模拟龙门加工中心连续循环加工状态、主轴旋转、进给轴移动、冷却液循环，但不实际切削。数据采集分上下午进行，采集前将龙门加工中心预热0.5小时，中午1小时停止采集，但不停机，下午继续采集数据，每隔5分钟记录一次各温度传感器的数值和主轴位移传感器的数值，共采集150组温度及热误差数据作为样本数据。(4)将150组样本数据按如下公式归一化到区间[0，1]，用于深度学习预测模型的训练和验证：式中ai′表示各样本数据归一化后的值，ai为各样本数据原始值，amax和amin分别表示各类型样本数据的最小值和最大值。二、建立基于并联深度信念网络的深度学习热误差预测模型；(1)数控机床深度学习热误差预测模型结构构建数控机床深度学习热误差预测本文档来自技高网...

【技术保护点】
1.一种基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，包括如下步骤：A、采集样本数据：在数控机床上选取热源测量点，检测热源测量点的温度值，和对应时间点的主轴热误差值，作为样本数据；B、建立基于并联深度信念网络的深度学习热误差预测模型；C、采用步骤A所采集到样本数据训练深度学习热误差预测模型；D、实时检测数控机床热源测量点的温度值，并输入训练后的深度学习热误差预测模型，实时预测热误差值；E、将预测的热误差值作为数控机床坐标系原点的补偿平移量，通过坐标系原点偏移实现热误差实时补偿。

【技术特征摘要】
1.一种基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，包括如下步骤：A、采集样本数据：在数控机床上选取热源测量点，检测热源测量点的温度值，和对应时间点的主轴热误差值，作为样本数据；B、建立基于并联深度信念网络的深度学习热误差预测模型；C、采用步骤A所采集到样本数据训练深度学习热误差预测模型；D、实时检测数控机床热源测量点的温度值，并输入训练后的深度学习热误差预测模型，实时预测热误差值；E、将预测的热误差值作为数控机床坐标系原点的补偿平移量，通过坐标系原点偏移实现热误差实时补偿。2.如权利要求1所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，其特征在于，所述步骤A中，对输入的温度样本数据进行归一化处理到区间[0，1]，所述步骤C和步骤D中，对输出的热误差值进行去归一化处理。3.如权利要求1所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，所述深度学习热误差预测模型主要由三个具有相同网络结构的深度信念网络并联而成，分别为用于预测主轴在X轴方向上的热误差值的DBN1、用于预测主轴在Y轴方向上的热误差值的DBN2和用于预测主轴在Z轴方向上的热误差值的DBN3；所述DBN1、DBN2和DBN3均包含1个可视输入层，1个输出层和3个限制玻尔兹曼机RBM隐含层，分别为RBM1、RBM2和RBM3；所述DBN1、DBN2和DBN3分别具有不同的权值参数，并共享一个RBM1层。4.如权利要求3所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，所述可视输入层的神经元数量与所述步骤A中选取的热源测量点数量一致；所述输出层的神经元数量为1，其输出值为...

【专利技术属性】
技术研发人员：余永维，杜柳青，王承辉，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：重庆,50