一种基于云端智能的误差补偿系统及动态补偿方法技术方案

本发明专利技术公开了一种基于云端智能的误差补偿系统及动态补偿方法，涉及误差补偿领域，包括数据采集单元、通信网关单元、数据中心单元、应用中心单元。数据采集单元部署在机械设备上；通信网关单元及数据中心单元部署在云端数据服务器上；应用中心单元部署在云端应用服务器上。本发明专利技术创造性地采用基于粒子群算法优化的ELM模型，将其应用到误差补偿系统，能够在复杂多变的生产环境中得到精准有效的误差补偿值，实现动态误差补偿，切实高效的解决生产加工过程中产生的误差补偿问题，极大的提高生产加工效益，保障产品质量。

An error compensation system and dynamic compensation method based on cloud intelligence

【技术实现步骤摘要】
一种基于云端智能的误差补偿系统及动态补偿方法
本专利技术涉及误差补偿领域，特别是指一种基于云端智能的误差补偿系统及动态补偿方法。
技术介绍
在实际的工业生产环境中，机械设备决定着产出品的质量，其加工精度对产品的价值起着决定性作用。虽然近些年来，由于底层技术的快速发展和广泛应用，制造技术发展呈迅猛态势，逐步朝着智能化的方向迈进，机械设备不断采用先进的工业制造技术，加工精度较之以往有了大幅度的提高，但随着机械设备的不断使用，其稳定性及精准度的降低无法避免，这使得加工生产环节出现误差，影响后续工艺的进行。因此，对机械设备采取误差补偿以便有效避免生产误差就显得尤为重要。现阶段的多数误差补偿，仅仅集中于某一种类设备的某项指标数据进行误差补偿，补偿效果有限、可复用性差。
技术实现思路
本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种基于云端智能的误差补偿系统及动态补偿方法。本专利技术采用如下技术方案：一种基于云端智能的动态补偿方法，其步骤如下：选取温度、位移、切削力这三个影响较大的参数作为输入数据来源；步骤一：确立误差建模所需的变量、实际测量误差值；同一时刻下的误差建模所需的变量集X＝(x1,x2,…xm)，X包含上述三种误差类型，m为误差数据个数；实际测量误差值为通过高精密仪器测量计算所得的误差值O＝(o1,o2,…,oq)，q为测量个数；采用粒子群算法，求解同一时间获取数据的最优解，对误差建模所需的变量集X进行优化；步骤二：粒子群算法优化误差建模所需的变量集；在一个M维的空间，空间内包含由n个粒子组成的种群，即原始变量集Xoriginal＝(x1,x2,…,xn)，每个粒子对应一个变量数据，即n＝m；在该空间中的第i个粒子的位置，0＜i≤n，可能是问题的一个潜在的最优解，可用一个M维的向量Xi＝(xi1,xi2,…,xiM)T表示；设每个粒子位置为Xi，则根据目标函数可以算出对应的适应度值；第i个粒子的速度为V＝(vi1,vi2,…,viM)T，其个体极值为Pi＝(pi1,pi2,…,piM)T，种群的全局极值为Gbesti＝(gi1,gi2,…,giM)T；速度和位置更新公式如下：式中：ω为惯性因子；r1、r2是介于[0,1]的随机数；c1、c2是学习因子，通常c1＝c2＝2；Pbest表示最优个体极值；Gbest表示最优全局极值；d＝M，M表示粒子群算法的空间维度；k表示迭代次数；(1)初始化粒子群；包括群体规模n，每个粒子的位置xi和速度vi；(2)计算粒子适应度；采用均方根误差作为适应度函数，计算粒子的适应度值Fi；(3)个体极值和全局极值；粒子群算法中获取粒子能使目标函数达到最大或是最小的那个时刻粒子的位置，即为粒子的个体极值；全局极值即为粒子群中最大或是最小的那个值；将上述计算的适应度值Fi同个体极值Pbesti和全局极值Gbesti分别进行比较：如果Fi＞Pbesti，则用适应度值Fi替换掉个体极值Pbesti；如果Fi＞Gbesti，则用适应度值Fi替换掉全局极值Gbesti；循环比较，直到确定最优的个体极值Pbesti和全局极值Gbesti；(4)更新粒子的速度vi和位置xi；(5)判断结果是否满足最小误差或迭代是否达到最大次数，不满足则跳转到(2)，反复迭代，直到找到全局最优粒子所在位置xi，即构造最优输入集Xbest＝(x1，x2，...，xi)，0＜i＜m；(6)将最优输入集分为训练样本XbestP＝(x1，x2，...，xp)，和测试样本XbestT＝(x1，x2，...，xt)，0＜p，0＜t，0＜p+t≤i。步骤三：ELM模型的建立，包括以下步骤：(1)确定隐层神经元个数c、随机设定输入层与隐含层间的连接权值w及隐含层神经元偏置b，随即设定取值区间为[-1,1]；W＝(w1,w2,…,wi)；B＝(b1,b2,…,bi)；其中，W为输入层与隐含层间的连接权值矩阵，B为隐含层神经元偏置矩阵，0＜i＜m；(2)确定隐含层神经元的激活函数g，且该函数必须满足无限可微的条件，由于涉及非线性特征，因此激活函数g＝R→R；然后通过计算得到隐含层输出矩阵H，公式如下：H＝g(WX+B)式中：X为输入层权值矩阵，X＝XbestP；g为激活函数；(3)计算输出层权值，即求出最小值函数，公式如下：minβ||HTβ-Y||式中：β为隐含层到输出层的权值矩阵，Y为输出矩阵，T为W和B的集合形式；根据上面公式，可进一步求出权值矩阵β，如下公式所示：式中：H+为隐含层输出矩阵H的Moore-Penrose广义逆，求得解的范数是唯一最小，ELM模型构建完成；步骤四：模型训练；(1)将步骤二中所得出的训练样本XbestP作为步骤三构建的ELM模型的输入，计算得到训练输出集Ytrain＝(y1,y2,…yt)，0＜t＜i；(2)将Ytrain代入进行均方根误差运算；式中：oq为机械设备的实际测量误差值；σ反映了测量数据偏离真实值的程度，σ越小，表示预测误差值偏离程度越小，误差补偿精度越高；(3)选取最小σmin、最大σmax，即可确定误差补偿值区间[ymin,ymax]；步骤五：结果运算；(1)将步骤二中所得出的测试样本XbestT作为步骤三构建的ELM模型的输入，计算得到测试输出集Ytest；(2)判断输出集Ytest是否满足条件，即Ytest是否在步骤四所确定的误差补偿值区间内；如果不满足则跳转到步骤二；如果满足，则输出最优误差补偿集Ytest；步骤六：动态补偿；将步骤五所得的最优误差补偿集Ytest转换成补偿信号通过I/O接口传送至数控机床控制器，然后通过机床自带的坐标原点平移功能控制系统的参考原点，并加到伺服环的控制信号中以调整数控机床各轴的运行，实现误差补偿。一种基于云端智能的误差补偿系统，包括数据采集单元、通信网关单元、数据中心单元、应用中心单元。数据采集单元部署在机械设备上；通信网关单元及数据中心单元部署在云端数据服务器上；应用中心单元部署在云端应用服务器上；所述的数据采集单元与通信网关单元、通信网关单元与数据中心单元、数据中心单元与应用中心单元均采用网络连接。所述的数据采集单元包括传感器模块、主控制器模块及通讯模块，各个模块均设置在数据采集终端上；所述的传感器模块采集机械设备运行中所产生的温度、偏移、加速度、应力等信号，然后传输给主控制器模块；所述的主控制器模块接收传感器模块传输的各类信号，并对信号进行放大、去噪、转换等预处理，然后传输到通讯模块；所述的通讯模块接收主控制器模块所传输的数据信息，将其通过Internet网络发送到通信网关单元。所述的通信网关单元包括适配器模块、报文处理模块：所述本文档来自技高网...

【技术保护点】
1.一种基于云端智能的动态补偿方法，其特征在于包括如下步骤：/n选取温度、位移、切削力这三个影响较大的参数作为输入数据来源；/n步骤一：确立误差建模所需的变量、实际测量误差值；同一时刻下的误差建模所需的变量集X＝(x

【技术特征摘要】
1.一种基于云端智能的动态补偿方法，其特征在于包括如下步骤：
选取温度、位移、切削力这三个影响较大的参数作为输入数据来源；
步骤一：确立误差建模所需的变量、实际测量误差值；同一时刻下的误差建模所需的变量集X＝(x1,x2,…xm)，X包含温度、位移、切削力，m为误差数据个数；实际测量误差值为通过高精密仪器测量计算所得的误差值O＝(o1,o2,…,oq)，q为测量个数；
采用粒子群算法，求解同一时间获取数据的最优解，对误差建模所需的变量集X进行优化；
步骤二：采用粒子群算法优化误差建模所需的变量集，得到训练样本XbestP和测试样本XbestT；
步骤三：ELM模型的建立；
步骤四：利用训练样本XbestP训练ELM模型，并确定误差补偿值区间；
步骤五：结果运算；
(1)将步骤二中所得出的测试样本XbestT作为步骤三构建的ELM模型的输入，计算得到测试输出集Ytest；
(2)判断输出集Ytest是否满足条件，即Ytest是否在步骤四所确定的误差补偿值区间内；如果不满足则跳转到步骤二；如果满足，则输出最优误差补偿集Ytest；
步骤六：动态补偿；
将步骤五所得的最优误差补偿集Ytest转换成补偿信号通过I/O接口传送至数控机床控制器，然后通过机床自带的坐标原点平移功能控制系统的参考原点，并加到伺服环的控制信号中以调整数控机床各轴的运行，实现误差补偿。


2.如权利要求1所述的一种基于云端智能的动态补偿方法，其特征在于，所述步骤二具体包括如下：
在一个M维的空间，空间内包含由n个粒子组成的种群，即原始变量集Xoriginal＝(x1,x2,…,xn)，每个粒子对应一个变量数据，即n＝m；在该空间中的第i个粒子的位置，0<i≤n，是问题的一个潜在的最优解，可用一个M维的向量Xi＝(xi1,xi2,…,xiM)T表示；设每个粒子位置为Xi，则根据目标函数可以算出对应的适应度值；第i个粒子的速度为V＝(vi1,vi2,…,viM)T，其个体极值为Pi＝(pi1,pi2,…,piM)T，种群的全局极值为Gbesti＝(gi1,gi2,…,giM)T；速度和位置更新公式如下：



式中：ω为惯性因子；r1、r2是介于[0,1]的随机数；c1、c2是学习因子，c1＝c2＝2；Pbest表示最优个体极值；Gbest表示最优全局极值；d＝M，M表示粒子群算法的空间维度；k表示迭代次数；
(1)初始化粒子群；包括群体规模n，每个粒子的位置xi和速度vi；
(2)计算粒子适应度；采用均方根误差作为适应度函数，计算粒子的适应度值Fi；
(3)个体极值和全局极值；
粒子群算法中获取粒子能使目标函数达到最大或是最小的那个时刻粒子的位置，即为粒子的个体极值；
全局极值即为粒子群中最大或是最小的那个值；
将上述计算的适应度值Fi同个体极值Pbesti和全局极值Gbesti分别进行比较：
如果Fi>Pbesti，则用适应度值Fi替换掉个体极值Pbesti；
如果Fi>Gbesti，则用适应度值Fi替换掉全局极值Gbesti；
循环比较，直到确定最优的个体极值Pbesti和全局极值Gbesti；
(4)更新粒子的速度vi和位置xi；
(5)判断结果是否满足最小误差或迭代是否达到最大次数，不满足则跳转到(2)，反复迭代，直到找到全局最优粒子所在位置xi，即构造最优输入集Xbest＝(x1,x2,...,xi),0<i<m；
(6)将最优输入集分为训练样本XbestP＝(x1,x2,...,xp)，和测试样本XbestT＝(x1,x2,...,xt),0<p,0<t,0<p+t≤i。


3.如权利要求1所述的一种基于云端智能的动态补偿方法，其特征在于，所述步骤三包括以下步骤：
(1)确定隐层神经元个数c、随机设定输入层与隐含层间的连接权值w及隐含层神经元偏置b，随即设定取值区间为[...

【专利技术属性】
技术研发人员：王维龙，梅雪松，何源，梁伟达，杨开益，
申请(专利权)人：厦门嵘拓物联科技有限公司，
类型：发明
国别省市：福建;35