基于BP神经网络的三轴数控加工刀轨逼近误差计算方法技术

本发明专利技术公开了一种基于BP神经网络的三轴数控加工刀轨逼近误差计算方法，首先获取神经网络模型计算所需的核心参数，并运用均值方差归一化将这些参数映射到同一尺度；然后根据逼近误差理论值是由刀触点轨迹线上极少数未知的关键刀触点决定的特征，加入Dropout稀疏对网络结构进行优化，实现在每次迭代过程中隐藏一部分神经元，从而减少非核心刀触点对逼近误差值计算产生干扰，促使模型泛化能力提升；最后在对损失函数进行梯度下降的反向传播过程中使用SGDM优化器(Stochastic Gradient Descent with Momentum,具有动量的随机梯度下降算法)，帮助模型加速逃离局部最优解区域、提高计算精度，从而获得准确的逼近误差值。从而获得准确的逼近误差值。从而获得准确的逼近误差值。

【技术实现步骤摘要】
基于BP神经网络的三轴数控加工刀轨逼近误差计算方法


[0001]本专利技术是关于计算机辅助制造(Computer Aided Manufacturing，CAM)的
，特别是关于一种逼近误差求解方法。

技术介绍

[0002]数控加工刀轨的逼近误差是指在进给方向上刀具从一个刀位点运动到下一个刀位点形成的包络面与刀触点轨迹线之间的最大误差。高精度曲面加工中，刀轨的逼近误差禁止超过最大允许值，因此在刀轨生成过程中必须计算并校核逼近误差。
[0003]现有算法都是通过在刀触点轨迹线上获得离散点，迭代计算到刀触点或刀位点连线上的距离，以最值计算出逼近误差。这种几何数据迭代方法每一次计算逼近误差都无法运用之前计算的数据，难以提高精度或效率，使得在计算需要海量的逼近误差计算次数的高质量刀轨(如步长最大化的等误差刀轨)时，耗时居高不下，已成为制约高质量刀轨广泛应用的主要瓶颈之一。因此，在满足计算精度的前提下，提高逼近误差计算效率对于数控加工刀轨生成有着十分重要的价值。
[0004]逼近误差的计算过程可视为通过已知数据(刀具半径、刀触点轨迹线等)计算未知数据(逼近误差)的过程，两者之间可视为存在某种复杂的函数关系。如果能够利用逼近误差的“计算经验”来对这种函数关系进行计算，则很可能提高后续逼近误差的计算效率。BP(Back Propagation，反向传播)神经网络能够利用已有的数据积累“经验”来计算新数据的结果。此外，BP神经网络具有良好的自学习、自适应、鲁棒性和泛化能力，且能以任意精度逼近任意非线性函数，因此将BP神经网络应用于逼近误差的计算具有很强的实际意义。
[0005]中国专利申请号为ZL202110004876.3的专利技术专利公开了一种参数曲面平底刀五轴加工的等误差刀轨生成方法。该方法主要包括平底刀五轴加工的逼近误差计算和等误差刀轨生成，首先对刀触点轨迹线上的刀触点计算出平底刀五轴刀位点和刀轴矢量，并计算出平底刀五轴加工的逼近误差，再调整步长实现等误差的要求，最后获得平底刀五轴加工的等误差刀轨。
[0006]论文《等误差步长法计算点云数控加工刀轨方法研究》(2017年发表于《制造业自动化》期刊，39卷，9期，第50
‑
53页)和《截面线等误差步长法计算点云刀具路径规划》(2013年发表于《机械科学与技术》期刊，32卷，6期，第824
‑
828页)针对点云模型给出了等误差步长法计算球头刀精加工刀轨的方法，主要通过对点云进行切片获得离散刀触点，采用不同的方法对刀触点构造以逼近误差最大允许值的圆、计算切线的方式计算出等误差刀触点，最后再生成刀位点并进行误差校核。
[0007]论文《三角网格曲面加工刀具路径生成等误差步长算法研究》(2015年发表于《机械科学与技术》期刊，34卷，9期，第1370
‑
1374页)针对三角网格模型给出了等误差步长法计算球头刀精加工刀轨的方法，首先对三角网格生成离散刀触点点集，再判断相邻刀触点之间的逼近误差是否满足等误差要求，并进行刀触点删除和插值新增的操作，直至获得等误差刀位点。
[0008]上述专利和论文都是生成等误差刀轨的方法，核心算法是逼近误差的计算方法，但刀轨类型和适用的对象不同，方法也差别很大。申请号为ZL202110004876.3的专利针对平底刀五轴加工，所计算的逼近误差是平底刀五轴联动形成的包络面与曲面之间的最大偏差，受旋转轴联动产生的非线性误差和XYZ轴联动产生的线性误差共同影响。
[0009]球头刀三轴加工的逼近误差不同于平底刀五轴加工，不存在非线性误差，且线性误差也不同于平底刀。上述第1、2篇论文都是针对点云模型的球头刀三轴加工，点云模型由海量离散点组成，无法提供连续、完整的模型数据，因此两篇论文都采用了求交法进行刀触点轨迹线的规划，并采用不同的方法针对离散数据点计算出等误差刀触点，再对刀触点进行调整进而获得等误差刀位点。上述第3篇论文不通过调整步长而是对已有刀触点删除、插值新增的方式筛选等误差刀触点，其精度和效率受限于已有刀触点的密度，本质上类似于筛选法。
[0010]由于五轴和三轴、平底刀和球头刀、曲面和点云、三角网格之间的差别，上述方法无法对自由曲面球头刀三轴加工计算出逼近误差。
[0011]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

[0012]本专利技术的目的在于提供一种基于BP神经网络的数控加工逼近误差计算方法，其能够高效率计算出三轴数控加工刀轨的逼近误差。
[0013]为实现上述目的，本专利技术的实施例提供了一种基于BP神经网络的逼近误差计算方法，其特征在于，包含以下步骤：
[0014]步骤1导入曲面模型，规划等参数刀轨；
[0015]步骤2数据准备及预处理；
[0016]步骤3建立神经网络模型；
[0017]步骤4计算逼近误差值。
[0018]在本专利技术的一个或多个实施方式中，所述的步骤1中，所述曲面模型以及等参数刀轨规划包括：采用刀触点截面线法和等参数步长法规划出刀轨。
[0019]在本专利技术的一个或多个实施方式中，所述的步骤2中，数据准备及预处理过程包括：
[0020](1)从步骤1中选择逼近误差计算的核心参数，每个样本包含如下参数：刀触点曲线上的点集坐标{p
j
}，相邻两刀位点刀具半径R，逼近误差理论值d
j
，逼近误差计算值y
j
；
[0021](2)使用均值方差归一化(Z
‑
score Normalization)将数据映射到同一尺度；
[0022](3)为了验证模型的拟合精度，需要将数据集分为训练集和测试集，训练集负责训练样本，测试集用于验证模型的准确性和泛化能力。
[0023]在本专利技术的一个或多个实施方式中，所述的步骤3中，建立神经网络过程包括：
[0024](1)设置神经网络所需参数包含隐藏层神经元数n1、隐藏层数量、神经元被停止传输数据的概率p、模型学习率η、SGDM优化器的动量超参数β、模型初始权重w
hj
、模型初始偏置b
ij
、激活函数(ReLU函数)、损失函数(MSE函数)、迭代次数；
[0025](2)通过以上参数建立BP神经网络模型并在每两隐藏层之间加入Dropout稀疏技术。
[0026]在本专利技术的一个或多个实施方式中，所述的步骤4中，计算逼近误差值过程包括：
[0027](1)将归一化后的参数导入网络的输入层，理论值保存在输出层中，使模型开始进行正向传播；
[0028](2)在正向传播过程中，输入层的数据传递给隐藏层，隐藏层的每个神经元对输入加权求和，经过非线性变换后传递给输出层；
[0029](3)使用MSE损失函数判断理论值d
j
与计算值y
j
...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的数控加工逼近误差计算方法，其特征在于，包含以下步骤：步骤1：导入曲面模型，规划等参数刀轨；步骤2：数据准备及预处理；步骤3：建立神经网络模型；步骤4：计算逼近误差值。2.如权利要求1所述的基于BP神经网络的数控加工逼近误差计算方法，其特征在于，导入曲面模型，规划等参数刀轨，对曲面模型采用刀触点截面线法和等参数步长法规划出刀轨，并获取每个刀触点、刀位点及其局部刀触点曲线、逼近误差信息。3.如权利要求1所述的基于BP神经网络的数控加工逼近误差计算方法，其特征在于，数据准备及预处理过程包括：为每个刀位点构造一个样本，所包括的参数有：逼近误差计算值y
j
、刀具半径R、相邻两刀位点的三坐标、相邻两刀触点之间局部刀触点曲线上的离散点集的三坐标、逼近误差理论值d
j
；使用均值方差归一化(Z
‑
score Normalization)将样本内的参数映射到同一尺度；所有样本组成了样本数据集。4.如权利要求1所述的基于BP神经网络的数控加工逼近误差计算方法，其特征在于，所述建立神经网络过程包括：设置创...

【专利技术属性】
技术研发人员：刘威，张子煜，王天力，李鹏飞，范吕阳，康嘉，
申请(专利权)人：苏州科技大学，
类型：发明
国别省市：