【技术实现步骤摘要】
本专利技术属于三轴数控机床轨迹跟踪控制，具体涉及一种基于改进神经网络的三轴数控机床复合控制方法。
技术介绍
1、数控机床被称为工业母机，其发展水平高低直接决定了我国装备制造水平甚至整个工业的水平高低。数控机床作为制造业生产自动化中重要一环，提高数控系统的工作性能不仅可以提高劳动生产率、保证产品质量，并缩短生产周期和改善生产条件。数控系统具有结构简单、效率高、功率密度大以及环境的适应性强等优点，被广泛应用于汽车、工业零件生产以及航天航空等领域，是当前最高效的生产工具。
2、数控机床需要对输入信号进行准确快速地表达，由于机械臂、数控机床等伺服系统均是复杂系统，存在这耦合干扰、摩擦、振动和齿隙等不确定性，数控系统的建模模型也存在着不确定性，在此基础上想更进一步地提高其附加不确定性的非线性系统的精度，这是很困难的。如今对伺服系统的研究主要针对于提高它的控制性能，比如控制精度、响应速度、抗干扰能力等。随着神经网络与机器学习领域的快速发展，使用神经网络在线学习的方式从闭环系统的控制中学习系统的未知不确定性，并用于前馈补充控制，成为了解决不确定性问题的最有效方式之一。
3、在神经网络学习控制方法中，训练轨迹对应回归向量的持续激励条件和持续激励等级很大程度上会影响系统的控制精度，因此对持续激励等级进行优化至关重要。目前已提出的优化方法可以在一定程度上提高持续激励等级，但是适用场景较窄，仅适用于与训练轨迹相同的轨迹的轨迹跟踪控制任务。目前的改进思路是对神经网络超参数设置和训练方法进行改进，以此来提高持续激励等级或降低神经网
技术实现思路
1、为解决上述技术问题，本专利技术的目的在于提供一种基于改进神经网络的三轴数控机床复合控制方法，具有不修改神经网络结构、训练轨迹生成过程简单、精确补偿三轴数控机床的不确定性、提高了神经网络的学习精度与泛化性、补偿了系统的不确定性、减小了跟踪误差和轮廓误差、实现数控机床的高精度轨迹跟踪控制的优点。
2、为实现上述专利技术目的，本专利技术采取的技术方案如下：
3、一种基于改进神经网络的三轴数控机床复合控制方法，包括以下步骤：
4、s1：采集数控机床的数据集，包括输入信号及输出信号，采用rbf神经网络来描述数控机床中的不确定性；
5、s2：根据步骤s1采集到的数据集，得到适用于训练神经网络的输入特征，分析出数控机床的运行限定范围；
6、s3：根据步骤s2得到的机床的运行限定范围，获得rbf神经网络对应的训练轨迹目标函数值，作为训练轨迹的持续激励等级量化指标；
7、s4：将步骤s3得到的目标函数值与粒子群算法结合，通过非均匀有理b样条拟合单轴训练轨迹，基于粒子群算法生成三轴最优训练轨迹；
8、s5：根据步骤s4生成的三轴最优训练轨迹，采用rbf神经网络学习控制框架，设计rbf神经网络前馈控制器，得到rbf神经网络前馈-pid反馈的复合控制方法，以三轴控制机床为控制对象进行复合控制。
9、优选的，在步骤s1中，输入信号包含二维圆轨迹、二维蝴蝶轨迹、二维花朵轨迹、二维四阶椭圆轨迹、三维花朵轨迹、三维螺旋线轨迹、三维皇冠轨迹和三维随机nurbs轨迹的一种或多种。
10、优选的，在步骤s2中，数控机床运行限定范围包括行程、速度范围和加速度范围的一种或多种。
11、优选的，步骤s3包括以下步骤：
12、s3.1：根据平台算力确定神经网络输入特征的个数，通常为2或3个，输入特征根据步骤s2选取：
13、s3.2：按晶格分布在归一化后的特征空间中选取rbf神经网络隐含层节点，生成均匀分布的隐含层节点集合，计算各相邻隐含层节点间的分离距离如下所示：
14、
15、其中，和代表不同的神经网络隐含层节点；
16、s3.3：根据步骤s3.2获取的分离距离，设置神经网络接受域宽度其中a∈[0.5,2]为接受域宽度调节系数；
17、s3.4：根据步骤s2选取的输入特征，计算各轴训练轨迹输入特征对应的回归向量序列，并进一步计算各轴训练轨迹输入特征经过n个采样周期ts后的协方差矩阵如下：其中t0为神经网络开始训练的时刻，机床系统的采样周期设为ts＝0.001s；；
18、s3.5：根据步骤3.4计算的各轴协方差矩阵，定位单轴轨迹的目标函数为：
19、
20、其中，k取1、2、3，表示机床的三个轴，表示单轴协方差矩阵的平均特征值，α为调节参数，用于调节超越平均值的特征值的惩罚程度。
21、优选的，在步骤s4中，设定机床运行限定范围，初始化粒子群算法，生成nurbs轨迹参数，以生成nurbs轨迹的自变量序列和控制点序列并拟合为nurbs轨迹，计算该轨迹的目标函数值，判断如果满足迭代结束条件则获得最优训练轨迹，如果不满足迭代结束条件则重新生成nurbs轨迹参数，继续迭代。
22、更优选的，在步骤s4中，采用非均匀有理b样条(nurbs)拟合训练轨迹，通过控制点pi和自变量u，并使用五次b样条对控制点进行拟合，最终获得nurbs曲线。对于p阶nurbs曲线，作为分段连续函数，具有n+1个控制点pi和相应的权重wi，其可以通过以下的权重控制的分数多项式形式表示：
23、
24、其中c(u)＝[cx,cy,cz]是表示曲线上某点的坐标向量函数，其各分量分别为自变量u对应的显式函数，自变量u的序列u如下：
25、
26、其中u0为自变量初始值，通常设为0，ue为自变量最终值，通常设为1。此外ni,p(u)为cox-de boor递归公式定义的p阶的第i个基函数：
27、
28、其中，基函数的初始值如下：
29、
30、nurbs曲线的一种简单形式是b样条曲线，当所有权重wi＝1时，此时基函数也满足则ri,p(u)＝ni,p(u)。
31、在这种形式下，p阶nurbs曲线可被改写如下：
32、
33、为生成具有更多特征信息的训练轨迹，考虑对自变量序列u和控制点pi进行随机生成，可以通过如下形式生成：
34、
35、其中δui＝uorigin+rand(umin,umax)，uorigin≥0为自变量最小值，rand(umin,umax)代表了umin≥0和umax≥0之间的一个随机数，由此可以获得一个非均匀分布的自变量序列。
36、对于控制点pi，为使轨迹具有更多特征信息，使用正态分布的随机数来生成控制点，即pi～n本文档来自技高网...
【技术保护点】
1.一种基于改进神经网络的三轴数控机床复合控制方法，其特征在于，
2.根据权利要求1所述的三轴数控机床复合控制方法，其特征在于，在步骤S1中，输入信号包含二维圆轨迹、二维蝴蝶轨迹、二维花朵轨迹、二维四阶椭圆轨迹、三维花朵轨迹、三维螺旋线轨迹、三维皇冠轨迹和三维随机NURBS轨迹的一种或多种。
3.根据权利要求1所述的三轴数控机床复合控制方法，其特征在于，在步骤S2中，数控机床运行限定范围包括行程、速度范围和加速度范围的一种或多种。
4.根据权利要求1所述的三轴数控机床复合控制方法，其特征在于，步骤S3包括以下步骤：
5.根据权利要求1-4任一项所述的三轴数控机床复合控制方法，其特征在于，在步骤S4中，设定机床运行限定范围，初始化粒子群算法，生成NURBS轨迹参数，以生成NURBS轨迹的自变量序列和控制点序列并拟合为NURBS轨迹，计算该轨迹的目标函数值，判断如果满足迭代结束条件则获得最优训练轨迹，如果不满足迭代结束条件则重新生成NURBS轨迹参数，继续迭代。
6.根据权利要求5所述的三轴数控机床复合控制方法，其特征在于，
7.根据权利要求6所述的三轴数控机床复合控制方法，其特征在于，步骤S4包括以下步骤：
8.根据权利要求1所述的三轴数控机床复合控制方法，其特征在于，在步骤S5中，在在线学习阶段，在训练结束之后将最终的自适应控制器参与控制过程，使用三轴最优训练轨迹进行训练，在训练结束之后将最终的权重向量取出；在离线控制阶段，使用在线学习阶段获取的最终权重向量设计RBF神经网络前馈控制器，使得RBF神经网络与PID反馈控制器组合，形成前馈和反馈的复合控制方式来实现三轴数控机床的高精度轨迹跟踪控制。
9.根据权利要求8所述的三轴数控机床复合控制方法，其特征在于，步骤S5包括以下步骤：
10.根据权利要求9所述的三轴数控机床复合控制方法，其特征在于，在步骤S5.1中，当RBF神经网络作为自适应控制器时，权重更新律如下所示：
...【技术特征摘要】
1.一种基于改进神经网络的三轴数控机床复合控制方法，其特征在于，
2.根据权利要求1所述的三轴数控机床复合控制方法，其特征在于，在步骤s1中，输入信号包含二维圆轨迹、二维蝴蝶轨迹、二维花朵轨迹、二维四阶椭圆轨迹、三维花朵轨迹、三维螺旋线轨迹、三维皇冠轨迹和三维随机nurbs轨迹的一种或多种。
3.根据权利要求1所述的三轴数控机床复合控制方法，其特征在于，在步骤s2中，数控机床运行限定范围包括行程、速度范围和加速度范围的一种或多种。
4.根据权利要求1所述的三轴数控机床复合控制方法，其特征在于，步骤s3包括以下步骤：
5.根据权利要求1-4任一项所述的三轴数控机床复合控制方法，其特征在于，在步骤s4中，设定机床运行限定范围，初始化粒子群算法，生成nurbs轨迹参数，以生成nurbs轨迹的自变量序列和控制点序列并拟合为nurbs轨迹，计算该轨迹的目标函数值，判断如果满足迭代结束条件则获得最优训练轨迹，如果不满足迭代结束条件则重新生成nurbs轨迹参数，继续迭代。
6.根据权利要求5所述的三轴数控机床复合控制方法，其特征在于，在步骤s4中，采用非均匀...
【专利技术属性】
技术研发人员：李建刚，许俊承，胡智宇，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。