结合萤火虫算法与BP神经网络的数控机床热误差补偿

作者:路军; 刊名:天津冶金 上传者:任杰

【摘要】针对环境温度变化及数控机床本身发热导致机床加工精度降低的问题,提出一种结合萤火虫算法与BP神经网络的数控机床热误差补偿方法.该方法两次使用萤火虫优化算法,第一次用于筛选传感器数据,第二次用于优化BP神经网络,然后通过优质训练库和GSO-BP神经网络进行建模,实现高精度的误差补偿.实验结果表明,本文方法预测误差与实际误差更加接近,补偿后残余误差更小,且补偿稳定性好.

全文阅读

1引言数控机床是自动化生产过程中的重要工具,几乎在所有制造业中都可以看到它的身影,随着工艺要求的提高,对机床加工精度也提出了新的要求。数控机床是以加工误差为精度指标的,而加工误差一般来源于形变,特别是热误差造成的形变。1992年,PEKLENIK等[1]经过调查发现,在机床加工过程中,热形变引起的误差高达40%~70%,这与1985年PUSH[2]获得的结论相吻合,充分说明热误差广泛存在于机床加工中。为降低热误差带来的干扰,国内外已经有很多学者尝试不同的热误差补偿方法, 特别是数控机床高度自动化的今天,工作人员无法对加工过程进行干预,需要机床自身保持加工精度,为预测和补偿温度因素造成的加工误差,很多研究人员开始尝试建立机床热误差模型。机床热误差主要有两种建模方法:(1)经验热误差模型,这种模型以温度变化、进给量、机床转速为输入,并以补偿为目的,该模型不考虑热量在何处产生、通过那些部件传递、如何影响精度等因素,只考虑输入对加工精度造成的影响,所以也叫做“黑箱模型”。根据输入状态又可将经验热误差模型分为准静态与动态模型,其中,准静态模型将输入视为不随时间而改变的静态数据,结合神经网络、多元回归分析等方法实现建模,人工神经网络是一种常用的机床热误差建模方法,它的模型精度在很大 程度上取决于输入,因此很多学者将灰色理论[3]、蚁算法实现主要有四个阶段[10]:群算法[4]、时间序列[5]等用于寻找最优输入,以期待(1)种群初始化阶段。设定个萤火虫随机分布达到更好的建模效果;动态模型认为机床数据是时在搜索空间内,且每个萤火虫都携带相同的初始亮刻变化的,所以将输入视为一个时间序列[6]。(2)理论度和感知半径。热误差模型,这种模型以热量守恒理论为基础,通过(2)亮度更新阶段。由于位置和荧光素值的改对流、导热、热辐射等函数求解机床温度场和位移变,萤火虫亮度需要不断更新,时刻的亮度是由时场,进而建立误差预测模型,主要包括集中质量法[7]刻的亮度和挥发速度决定的,计算时采用时刻亮度与有限元法[8]。集中质量法将模型简化为多个质量集值加上一个与时刻萤火虫的适应值成正比的数,公中点,然后利用点与点之间的热阻能量守恒方程建式如下:模;有限元作为一种成熟的统计方法在机床热误差l(tt)=(1-)l(it-1)+(fX(it))(1)模型仿真中应用广泛,并且具有很好的仿真效果,但其中,l(it-1)为时刻亮度,为时刻挥发速度,为亮该模型对边界条件要求较高,所以一般不直接用于度更新率,(fX(it))为t时刻的适应度值。误差补偿。在实际应用中,理论热误差模型受参数影(3)位置更新阶段。当萤火虫个体在感知范围响比较大,难以达到理想补偿效果,而基于神经网络内搜寻到亮度比自己高的萤火虫存在时,亮度低的的热误差模型展现出较好的补偿效果。萤火虫会发生一定的移动。假设萤火虫比萤火虫亮为降低环境和机床本身温度因素导致的数控机度高且在萤火虫的感知范围内,则萤火虫会向其移床加工误差,本文提出一种结合萤火虫算法与BP动一个量,位移公式为:神经网络的数控机床热误差补偿方法。首先,根据X(it+1)=X(it)!X(+sjt)-X(it)机床硬件结构,在关键位置放置传感器获取误差补X(jt)-X(it)"(2)偿参数;然后,利用萤火虫算法对参数进行筛选,使其中,s为移动步长。用预测效果较好的数据构建训练库;最后,通过(4)感知范围更新。由于空间中萤火虫密度不GSO-BP神经网络进行建模,实现误差预测和补偿。一致,在萤火虫移动过程中要保证每个个体搜寻到2结合萤火虫算法与BP神经网络的机床热误差相同数量

参考文献

引证文献

问答

我要提问