一种基于神经网络模型的机床误差数据拟合与预测方法技术

本发明专利技术属于误差预测相关技术领域，其公开了一种基于神经网络模型的机床误差数据拟合与预测方法，该方法包括以下步骤：(1)将机床的行程空间按照预定间距划分为三维空间网格，并使用激光跟踪仪依次测量出每个空间网格点在三个坐标轴上的误差；(2)将所测得的空间网格点的坐标作为神经网络模型的输入层，将空间网格点测量误差作为输出层；其中，所述神经网络模型采用单隐层神经网络来对机床空间点数据进行拟合；(3)基于测得的误差数据对所述神经网络模型进行训练以得到机床误差模型；(4)采用所述机床误差模型对机床空间非网格点的误差值进行预测，由此完成机床误差数据的拟合与预测。本发明专利技术提高了训练速度及精度，适用性及灵活性较好。

A Method of Machine Tool Error Data Fitting and Prediction Based on Neural Network Model

The invention belongs to the related technical field of error prediction, and discloses a method of fitting and predicting machine tool error data based on neural network model. The method includes the following steps: (1) dividing the travel space of machine tool into three-dimensional spatial grids according to predetermined spacing, and measuring the errors of each spatial grids point on three coordinate axes in turn by laser tracker; (2) measuring the errors of each spatial grids point on three coordinate axes; The coordinates of space mesh points are the input layer of the neural network model, and the measurement error of space mesh points is the output layer. The neural network model uses single hidden layer neural network to fit the data of machine tool space points; (3) The neural network model is trained based on the measured error data to get the machine tool error model; (4) The machine tool error model is adopted. The error values of non-grid points in machine tool space are predicted, and the fitting and prediction of machine tool error data are completed. The invention improves the training speed and accuracy, and has good applicability and flexibility.

【技术实现步骤摘要】
一种基于神经网络模型的机床误差数据拟合与预测方法
本专利技术属于误差预测相关
，更具体地，涉及一种基于神经网络模型的机床误差数据拟合与预测方法。
技术介绍
数控机床空间误差补偿和热误差补偿技术作为一种有效的后补偿手段，广泛地应用在高档精密数控机床上。基于数控系统的误差补偿技术，通常是将机床的部分空间格点误差数据保存到系统中，再通过一定的方法计算机床空间任意一点的误差值(补偿量)，以实现实时补偿的功能。现阶段大都是采用空间插值法计算机床空间任意位置的误差值，空间插值法因具有原理具体、实现简单以及网格点的预测值与实际值相同的特点，已经被应用于FANUC数控系统空间补偿模块中。使用空间插值法需要事先存储空间网格点的误差数据，以三轴机床为例，若每个轴测量21个点，需存储的数据量为27783(3×213)个。对于大型机床，若要获取更精确的误差数据，就必须增大单轴的测量点数，而实际操作过程中，往往因为数控系统的数据空间大小的限制，单轴测量点数不会太多，如FANUC系统中限制单轴最大测量点数为25，进而导致获取的误差数据的准确性被限制。相应地，本领域存在着发展一种不受存储空间限制的基于神经网络模型的机床误差数据拟合与预测方法的技术需求。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于神经网络的机床数据误差拟合与预测方法，其基于现有的采用空间插值法预测机床误差数据的特点，研究及设计了一种不受存储空间限制、准确性较好的基于神经网络模型的机床误差数据拟合与预测方法。所述方法以所测的机床空间网格点的坐标值为模型输入，以空间网格点测量误差为输出来对神经网络进行训练，以便得到空间网格点误差的机床误差模型。采用机床误差模型对机床空间网格点数据进行拟合，以减少数据存储量，然后再采用机床误差模型预测非网格点数据，如此不受存储空间限制，提高了机床误差数据的预测准确性。为实现上述目的，本专利技术提供了一种基于神经网络的机床数据误差拟合与预测方法，该方法主要包括以下步骤：(1)将机床的行程空间按照预定间距划分为三维空间网格，并使用激光跟踪仪依次测量出每个空间网格点在三个坐标轴上的误差；(2)构建神经网络模型，并将所测得的机床的空间网格点的坐标作为所述神经网络模型的输入层，将空间网格点测量误差作为输出层；其中，所述神经网络模型采用单隐层神经网络来对机床空间点数据进行拟合；(3)基于测得的误差数据对所述神经网络模型进行训练以得到机床误差模型，其中训练是以所述神经网络模型的输出值与实际值之间的均方误差最小为目标，并采用BP算法来对训练中的权值和阈值进行更新，以实现所述神经网络模型的训练学习；(4)采用所述机床误差模型对机床空间非网格点的误差值进行预测，由此完成机床误差数据的拟合与预测。进一步地，所述三个坐标轴包括相互垂直的X轴、Y轴及Z轴，其中X轴为第一补偿轴，Y轴为第二补偿轴，Z轴为第三补偿轴。进一步地，步骤(1)中，先测完X轴方向上的网格点误差，然后再将Y轴增加一个网格距离后测量下一条线；待测完第一层XOY平面后，Z轴增加一个网格距离，然后重复第一层XOY平面的测量过程，直至空间网格点测量完毕。进一步地，所述神经网络模型的第h个隐层神经元的输入为：其中，xi表示输入层第i个节点的输入值；vih表示输入层第i个节点到隐层第h个节点的权值；d为节点的数量。进一步地，所述神经网络模型的隐层的第h个节点的输出值为：bh＝f(αh-γh)式中，γh表示隐层第h个节点的阈值；隐层和输出层的激活函数为Sigmoid函数：f(x)＝(1+e-x)-1。进一步地，所述神经网络模型的第j个输出神经元的输入为：则yj表示为：yj＝f(βj-θj)；式中，whj表示隐层第h个节点到输出层第j个节点的权值；θj表示输出层第j个节点的阈值。进一步地，训练时不断调整权值与阈值，直至达到预定的训练次数或者拟合效果不再增加。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，本专利技术提供的基于神经网络模型的机床误差数据拟合与预测方法主要具有以下有益效果：1.所述神经网络模型采用单隐层神经网络来对机床空间点数据进行拟合，如此采用机床误差模型对机床空间网格点数据进行拟合，以减少数据存储量，并采用机床误差模型预测非网格点数据，如此不受存储空间限制，且提高了机床误差数据的预测准确性，提高了适用性及灵活性。2.采用BP神经网络算法来对训练中的权值和阈值进行更新，以实现所述神经网络模型的训练学习，如此提高了训练速度及精度。3.将本专利技术所提供的方法与空间插值法进行比对，结果表明该方法的拟合效果较好，完全满足实际补偿的要求，适用性较好。4.所述机床误差数据拟合与预测方法简单，易于实施，灵活性较好，有利于推广应用。附图说明图1是本专利技术提供的基于神经网络模型的机床误差数据拟合与预测方法的流程示意图。图2是图1中的基于神经网络模型的机床误差数据拟合与预测方法涉及的机床空间网格点测量次序示意图。图3是图1中的基于神经网络模型的机床误差数据拟合与预测方法涉及的神经网络模型的示意图。图4是采用图1中的基于神经网络模型的机床误差数据拟合与预测方法获得的机床空间误差数据示意图，其中，图4中的a图、b图、c图、d图、e图、f图、g图、h图及i图分别是X轴误差数据的示意图、X轴误差数据拟合的示意图、X轴拟合误差的示意图、Y轴误差数据的示意图、Y轴误差数据拟合的示意图、Y轴误差拟合的示意图、Z轴误差数据的示意图、Z轴误差数据拟合的示意图及Z轴拟合误差的示意图。图5是采用图1中的基于神经网络模型的机床误差数据拟合与预测方法及空间插值法获得机床条对角线定位误差的对比示意图，其中图5中的a图、b图、c图及d图分别是PPP对角线定位误差的曲线、NPP对角线定位误差曲线、NPN对角线定位误差的曲线及PPN对角线定位误差的曲线；且图内的虚线为采用空间插值法所获得，实线为采用本专利技术所提供的方法所获得。图6是图5中的空间插值法涉及的差值原理示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。请参阅图1、图2、图3及图4，本专利技术提供的基于神经网络模型的机床误差数据拟合与预测方法针对数控机床空间误差补偿中的网格点误差数据的存储和非网格点误差值的预测所存在的问题，以所测的机床空间网格点的坐标值为模型输入，以空间网格点的测量误差为输出来对神经网络进行训练，以便得到空间网格点误差的机床误差模型。此外，采用机床误差模型对机床空间网格点数据进行拟合，以减少数据存储量，然后再采用机床误差模型预测非网格点误差数据，如此不受存储空间限制，提高了机床误差数据的预测准确性。所述的基于神经网络模型的机床误差数据拟合与预测方法主要包括以下步骤：步骤一，将机床的行程空间按照预定间距划分为三维空间网格，并使用激光跟踪仪依次测量出每个空间网格点在三个坐标轴上的误差。具体地，采集机床的误差数据，将机床的行程空间按照预定间距划分成三维空间网格，使用激光跟踪仪依次测量出每个空间网格点在三个坐标轴方向上的误差本文档来自技高网...

【技术保护点】
1.一种基于神经网络模型的机床误差数据拟合与预测方法，其特征在于，该方法包括以下步骤：(1)将机床的行程空间按照预定间距划分为三维空间网格，并使用激光跟踪仪依次测量出每个空间网格点在三个坐标轴上的误差；(2)构建神经网络模型，并将所测得的机床的空间网格点的坐标作为所述神经网络模型的输入层，将空间网格点测量误差作为输出层；其中，所述神经网络模型采用单隐层神经网络来对机床空间点数据进行拟合；(3)基于测得的误差数据对所述神经网络模型进行训练以得到机床误差模型，其中训练是以所述神经网络模型的输出值与实际值之间的均方误差最小为目标，并采用BP算法来对训练中的权值和阈值进行更新，以实现所述神经网络模型的训练学习；(4)采用所述机床误差模型对机床空间非网格点的误差值进行预测，由此完成机床误差数据的拟合与预测。

【技术特征摘要】
1.一种基于神经网络模型的机床误差数据拟合与预测方法，其特征在于，该方法包括以下步骤：(1)将机床的行程空间按照预定间距划分为三维空间网格，并使用激光跟踪仪依次测量出每个空间网格点在三个坐标轴上的误差；(2)构建神经网络模型，并将所测得的机床的空间网格点的坐标作为所述神经网络模型的输入层，将空间网格点测量误差作为输出层；其中，所述神经网络模型采用单隐层神经网络来对机床空间点数据进行拟合；(3)基于测得的误差数据对所述神经网络模型进行训练以得到机床误差模型，其中训练是以所述神经网络模型的输出值与实际值之间的均方误差最小为目标，并采用BP算法来对训练中的权值和阈值进行更新，以实现所述神经网络模型的训练学习；(4)采用所述机床误差模型对机床空间非网格点的误差值进行预测，由此完成机床误差数据的拟合与预测。2.如权利要求1所述的基于神经网络模型的机床误差数据拟合与预测方法，其特征在于：所述三个坐标轴包括相互垂直的X轴、Y轴及Z轴，其中X轴为第一补偿轴，Y轴为第二补偿轴，Z轴为第三补偿轴。3.如权利要求2所述的基于神经网络模型的机床误差数据拟合与预测方法，其特征在于：步骤(1)中，先测完X轴方向上的网格点误差，然后再将Y轴增加一...

【专利技术属性】
技术研发人员：向华，余金舫，熊成，陈吉红，周浩，王超，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42