一种用于提升五轴机床动态精度的伺服参数调谐方法与流程

本发明涉及数字制造，特别是涉及一种用于提升五轴机床动态精度的伺服参数调谐方法。

背景技术：

1、五轴机床是一种具有复杂曲面加工能力的制造装备，是航空航天、光学器件等制造领域的核心技术装备。在高速高精度多轴加工当中，影响五轴机床精度的因素有部件尺寸/装配误差、机床部件热变形、伺服跟踪时延、机床部件受外力发生应变和谐振等，其中，伺服系统动态性能缺陷引起的动态误差是高速高精度运动过程中影响加工精度的主要因素之一。

2、对于动态误差的抑制和消除，常用的方法有进给速度规划、预补偿、伺服参数调谐等。伺服参数调谐（在英文文献中通常称之为dynamic servo tuning），在工程实践中俗称为“调伺服”或“伺服调参”，是目前在工程实践中常用的方法之一，基本原理是通过调节各轴伺服系统的位置环、速度环、电流环、前馈权重、等效时间常数等参数，使得各轴跟踪精度及相互匹配程度达到较高水平，实现动态误差的有效抑制，该方法无需对机床的结构、电路、数控系统进行改造，只需要在数控系统内调节伺服参数即可实现，因此以其简单易操作的优势在业界被广泛采用。

3、目前伺服参数调谐的操作依据，通常是操作机床运行圆轨迹，通过各个运动轴伺服系统的反馈光栅或外置的球杆仪采集误差数据，通过误差图像的几何特征，结合工程经验判定哪些参数应进行调整。上述方法涉及的伺服参数调整过于依赖定性的检测结果几何特征和现场人员经验，缺乏定量化、规范化、标准化的伺服参数调谐方法。

4、现有技术中，提出的公开号为cn110187669a，公开日为2019年08月30日的中国发明专利文件。该专利文件提出了面向闭环频响一致的多轴机床伺服参数快速调整方法，但是需要技术难度较高的机理分析和工程经验积累过程。

技术实现思路

1、为解决上述技术问题，本发明提出了一种用于提升五轴机床动态精度的伺服参数调谐方法，利用r-test或球杆仪采集多轴联动误差数据，训练机床关键伺服参数到多轴联动误差的卷积神经网络映射模型，采用遗传算法对关键伺服参数进行寻优，智能筛选最优伺服参数设置，实现伺服参数调谐的智能化、标准化运行。

2、本发明是通过采用下述技术方案实现的：

3、一种用于提升五轴机床动态精度的伺服参数调谐方法，包括以下步骤：

4、步骤s1. 搭建并训练机床关键伺服参数到联动误差指标的卷积神经网络映射模型；

5、步骤s2. 使用遗传算法对步骤s1中的映射模型进行寻优，寻找产生动态误差最小的最优伺服参数设置。

6、所述映射模型包括输入层、卷积池化层、全连接层和输出层，所述输入层将作为输入数据的伺服参数转换为高维列向量。

7、所述步骤s1中，映射模型所使用的训练样本的形成方法为：在随机调节各个伺服参数设置的情况下，通过r-test检测仪或球杆仪对机床进行五轴联动检测，并将r-test检测数据或球杆仪检测数据进行积累，形成训练样本。

8、所述步骤s1中训练的方法包括以下步骤：

9、步骤s11. 初始化卷积层的卷积核和全连接层每个神经元的权值；

10、步骤s12. 输入一个训练样本；

11、步骤s13. 通过卷积池化层，进行特征提取；

12、步骤s14. 前向传播，计算全连接层和输出层各神经元的输出；

13、步骤s15. 计算映射模型输出结果和训练样本之间的损失函数值；

14、步骤s16. 判断损失函数值是否满足要求，若否，反向传播，通过优化算法调整卷积池化层的卷积核参数与全连接层各神经元的权值，输入下一个训练样本后，进入步骤s13；若是，则进入步骤s17；

15、步骤s17. 判断是否所有训练样本的损失函数值都满足要求，若否，则输入下一个训练样本，并进入步骤s13；若是，则结束训练。

16、所述步骤s2具体包括以下步骤：

17、步骤s21. 基因库生成：使用hammersley序列，在各个伺服参数可调范围内，生成参数设置搭配的样本库，样本总数为n；

18、步骤s22. 编码：将所有样本赋予数字序号标签作为遗传编码；

19、步骤s23. 种群初始化：随机从样本库中抽取n个样本作为个体，共抽取m次，形成包含m个个体的初始种群；

20、步骤s24. 遗传进化：反复进行扩充种群和淘汰种群的步骤，直到进化代数达到预设上限，完成遗传进化过程，得到最优种群，选择最优种群中的最终个体中的最优样本为最优的伺服参数设置；

21、其中，淘汰种群的方法为：将每个个体内所有的样本输入到映射模型中，得到输出结果，将个体内所有样本的输出结果平均值的倒数作为该个体的适应度指标，计算种群中所有个体的适应度指标，保留适应度最高的m个个体作为新种群，其他个体淘汰。

22、所述扩充种群的方法为：分别通过交叉配对、变异、基因入侵的方式生成新种群并加入种群。

23、所述步骤s21中，使用hammersley序列在各个伺服参数可调范围构成的可行域中随机抽取离散点位放入基因库。

24、所述交叉配对具体指：随机两两交换个体内的遗传编码。

25、所述变异具体指：随机改变个体内遗传编码并乱序重排所有标签顺序。

26、所述基因入侵具体指：每隔预设遗传代数，完全随机生成新种群。

27、与现有技术相比，本发明的有益效果表现在：

28、1、本发明中，针对目前五轴机床伺服参数调谐存在的难以规范化、标准化的问题，提出一种用于提升五轴机床动态精度的伺服参数调谐方法，建立基于积神经网络的机床关键伺服参数到联动误差指标的映射模型，再基于遗传算法的寻优方法对该训练完成的映射模型进行寻优，以误差最小为目标，找到最优伺服参数搭配组合。相较于通过专业维修调试人员个人经验进行伺服参数调整的传统方法，该种方法能够智能化生成最优伺服参数搭配以指导伺服参数调谐，也能免去技术难度较高的机理分析和工程经验积累过程，实现伺服参数调整方法的智能化执行。

29、2、本发明中，输入层将作为输入数据的伺服参数转换为高维列向量，即可以将离散的伺服参数设置演绎为“参数类型-设置种类”二维阵列，能更好的完成映射模型的训练。

30、3、本发明针对伺服系统输入参数维数较多的特征，使用hammersley序列在各个伺服参数可调范围构成的可行域中随机抽取离散点位放入基因库，使得基因库数据呈现离散化，便于后续的迭代优化。

31、4、本发明中，通过基因入侵的步骤，能避免种群落入局部最优解，无法获得最佳输出结果的情况。

技术特征：

1.一种用于提升五轴机床动态精度的伺服参数调谐方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种用于提升五轴机床动态精度的伺服参数调谐方法，其特征在于：所述映射模型包括输入层、卷积池化层、全连接层和输出层，所述输入层将作为输入数据的伺服参数转换为高维列向量。

3.根据权利要求1所述的一种用于提升五轴机床动态精度的伺服参数调谐方法，其特征在于：所述步骤s1中，映射模型所使用的训练样本的形成方法为：在随机调节各个伺服参数设置的情况下，通过r-test检测仪或球杆仪对机床进行五轴联动检测，并将r-test检测数据或球杆仪检测数据进行积累，形成训练样本。

4.根据权利要求2所述的一种用于提升五轴机床动态精度的伺服参数调谐方法，其特征在于：所述步骤s1中训练的方法包括以下步骤：

5.根据权利要求1~4中任一权利要求所述的一种用于提升五轴机床动态精度的伺服参数调谐方法，其特征在于：所述步骤s2具体包括以下步骤：

6.根据权利要求5所述的一种用于提升五轴机床动态精度的伺服参数调谐方法，其特征在于：所述扩充种群的方法为：分别通过交叉配对、变异、基因入侵的方式生成新种群并加入种群。

7.根据权利要求5所述的一种用于提升五轴机床动态精度的伺服参数调谐方法，其特征在于：所述步骤s21中，使用hammersley序列在各个伺服参数可调范围构成的可行域中随机抽取离散点位放入基因库。

8.根据权利要求6所述的一种用于提升五轴机床动态精度的伺服参数调谐方法，其特征在于：所述交叉配对具体指：随机两两交换个体内的遗传编码。

9.根据权利要求6所述的一种用于提升五轴机床动态精度的伺服参数调谐方法，其特征在于：所述变异具体指：随机改变个体内遗传编码并乱序重排所有标签顺序。

10.根据权利要求6所述的一种用于提升五轴机床动态精度的伺服参数调谐方法，其特征在于：所述基因入侵具体指：每隔预设遗传代数，完全随机生成新种群。

技术总结本发明涉及数字制造技术领域，特别是涉及一种用于提升五轴机床动态精度的伺服参数调谐方法，包括：搭建并训练机床关键伺服参数到联动误差指标的卷积神经网络映射模型；使用遗传算法对训练完成的映射模型进行寻优，寻找产生动态误差最小的最优伺服参数设置。通过本伺服参数调谐方法，能实现伺服参数调谐的智能化、标准化运行。技术研发人员：丁启程,高强荣,谢睿,虎瑛,蒋云峰,张伟伟,陶文坚,郭瑞华受保护的技术使用者：成都飞机工业（集团）有限责任公司技术研发日：技术公布日：2024/7/4