论文部分内容阅读
【摘 要】本文对数控加工工程中误差技术进行了简要分析，指出根据传统模型计算出补偿值的方法难以实现，神经网络具有良好的非线性函数逼近能力及隐式函数的构造能力，因此可以应用于误差补差控制上。
【关键词】误差补偿；神经网络；NNI；NNC
一、误差补偿技术的概述
对于零件的高精度的数控加工，误差补偿技术将是一种行之有效的方法。误差补偿是一种事后补偿，即先通过各种测量手段对数控加工中产生的误差进行测量，然后经过已建立的相应的误差补偿模型进行误差补偿计算，最后通过相应的补偿机构对误差进行补偿，从而达到降低误差提高精度的目的。合理的误差补偿措施，可以使零件的加工精度达到甚至超过数控加工机床本身的精度。
常规的误差补偿控制策略大多是针对线性、非时变、单输入、输出系统的，这对于简单的型面加工控制能够起到较好的效果，有效的提高数控机床的加工精度。但由于复杂型面的零件数控加过程是一个多变量非线性系统，并包含较强的随机成分，加工过程往往很难找到理想的数学模型来描述，使其加工精度很难用传统的半闭环和闭环反馈控制补偿技术达到要求。
因此，采用传统的误差控制补偿技术已经无法达到现在的要求，而应使用适合于非线性系统的神经网络控制技术。解决数控加工误差的问题实际上是逼近一个复杂的非线性过程，神经网络虽然不善于显式表达知识，但它具有很强的非线性函数逼近能力，将神经网络应用于零件的加工误差控制就是利用它的这个特点。神经网络的主要特征是通过学习不断的修改网络中各层之间的连接权值，通过权值的修改来调整网络的“结构”，改变网络输出，最终使系统输出逼近期望值。
二、误差的测量方式和检测装置的选择
误差的测量是误差补偿的第一步，只有精确的检测出零件加工的误差值，才能进行误差的分析和补偿。现在一般测量数据的获得是通过数控机床进给系统中的反馈测量装置得到的，在进给驱动控制系统中有两种基本的反馈装置：速度和位置反馈传感器。分别用于检测数控机床的速度和位置信息。在本文中，我们关心的是零件的加工精度，而零件加工精度的表现就是实际加工出的轮廓曲线是否与理论轮廓曲线相吻合，即各相应型值点的坐标值是否重合。所以，为了提高零件加工精度，主要是控制机床的位置进给误差，通过位置信息检测和处理，进行误差补偿控制。
在伺服驱动系统中常用编码器作为数字位置检测装置，编码器是基于光电二极管的发光原理设计的。编码器是由不透明和透明段相间组成的测量带，光从一边的透明段传送到有光电二极管接受器的另一边，光电二极管根据检测到编码器增量岔置的透明和不透明段的数目给出逻辑信号（即二进制代码）。编码盘直接安装在旋转轴上，以测出轴的旋转角度位置和速度变化。这种检测方式的特点是：检测方式是非接触式的，无摩擦和磨损，驱动力矩小；由于光电变换器性能的提高，可以得到较快的响应速度；由于照相腐蚀技术的提高，可以制造出高分辨率、高精度的编码盘。
三、基于神经网络的误差补偿研究
为了计算出误差的补偿量，必须得到CNC系统的精确数学模型，根据模型计算出误差值修改机床的控制指令。但是由于机床结构的复杂性，往往难以得到系统精确模型。此外在加工过程中，除了静态误差和力变形误差，还有数控插补与伺服跟踪滞后等各种误差，不同的数控系统，不同的机床，其误差的量各不相同，甚至同一台机床，伺服参数设置的不同，产生的误差也不相同。产生此类误差的原因很多，难以采用固定的模型进行计算。同时由于加工误差随加工条件的变化而变化，误差的产生量并不等于X（Y） 轴的运动补偿量，且误差量与运动补偿量并不成线性关系，因此要通过建立精确模型对误差进行补偿是十分困难的。
对于加工误差补偿控制我们最关心的是如何调整输入控制信号，使输出满足我们的要求，即我们关心的修改后的控制信息。但由于建立CNC系统精确模型十分困难，使得用传统模型计算出补偿值的方法难以实现。而神经网络具有良好的非线性函数逼近能力及隐式函数的构造能力，因此可以应用于误差补差控制上。
神经网络NNC用于机床误差补偿控制，利用数控系统的位置及姿态检测信号得到实际的位置坐标，通过NNC得到数控系统的误差补偿量，用其对输入信号进行误差补偿，使加工出工件的实际尺寸更接近期望值。在实际利用检测装置进行工件误差检测时，不论是某一均匀的误差还是某一特定加工轨迹离散点的误差，均可以按一定的坐标位置间隔离散的检测出各空间误差的大小。在补偿时，对于己测点的误差，往往采用误差补偿量取反，然后叠加到各离散目标点上，对于未测点的误差，可以通过网络的泛化能力对补偿量进行预测。神经网络通过权值的自适应调整，使得其输出信号有效补偿逆误差，而且具有很强的实时性。基于神经网络的误差补偿技术，弥补了非线性动态系统的建立要求精确数学模型的缺点，可以使得动态逆控制律的设计简化，提高整个控制系统的效果。
参考文献：
[1]MartinTHagan.神经网络设计[Ml.北京.机械工业出版社，2005
[2]王建平.戴一帆.洪晓丽.精密机床神经网络法精度建模[J].国防科技大学学报，2002，24（1）：89-93
[3]范晋伟.关佳亮.SMART一CNC超精密数控曲面磨床综合误差补偿技术[J].北京工业大学学报，2006，32（4）：306一310
[4]刘志涛.王敏杰.人工神经网络在模具型腔加工走刀方式选择中的应用[J].锻压技术 ， 2005，6：53～57
【关键词】误差补偿；神经网络；NNI；NNC
一、误差补偿技术的概述
对于零件的高精度的数控加工，误差补偿技术将是一种行之有效的方法。误差补偿是一种事后补偿，即先通过各种测量手段对数控加工中产生的误差进行测量，然后经过已建立的相应的误差补偿模型进行误差补偿计算，最后通过相应的补偿机构对误差进行补偿，从而达到降低误差提高精度的目的。合理的误差补偿措施，可以使零件的加工精度达到甚至超过数控加工机床本身的精度。
常规的误差补偿控制策略大多是针对线性、非时变、单输入、输出系统的，这对于简单的型面加工控制能够起到较好的效果，有效的提高数控机床的加工精度。但由于复杂型面的零件数控加过程是一个多变量非线性系统，并包含较强的随机成分，加工过程往往很难找到理想的数学模型来描述，使其加工精度很难用传统的半闭环和闭环反馈控制补偿技术达到要求。
因此，采用传统的误差控制补偿技术已经无法达到现在的要求，而应使用适合于非线性系统的神经网络控制技术。解决数控加工误差的问题实际上是逼近一个复杂的非线性过程，神经网络虽然不善于显式表达知识，但它具有很强的非线性函数逼近能力，将神经网络应用于零件的加工误差控制就是利用它的这个特点。神经网络的主要特征是通过学习不断的修改网络中各层之间的连接权值，通过权值的修改来调整网络的“结构”，改变网络输出，最终使系统输出逼近期望值。
二、误差的测量方式和检测装置的选择
误差的测量是误差补偿的第一步，只有精确的检测出零件加工的误差值，才能进行误差的分析和补偿。现在一般测量数据的获得是通过数控机床进给系统中的反馈测量装置得到的，在进给驱动控制系统中有两种基本的反馈装置：速度和位置反馈传感器。分别用于检测数控机床的速度和位置信息。在本文中，我们关心的是零件的加工精度，而零件加工精度的表现就是实际加工出的轮廓曲线是否与理论轮廓曲线相吻合，即各相应型值点的坐标值是否重合。所以，为了提高零件加工精度，主要是控制机床的位置进给误差，通过位置信息检测和处理，进行误差补偿控制。
在伺服驱动系统中常用编码器作为数字位置检测装置，编码器是基于光电二极管的发光原理设计的。编码器是由不透明和透明段相间组成的测量带，光从一边的透明段传送到有光电二极管接受器的另一边，光电二极管根据检测到编码器增量岔置的透明和不透明段的数目给出逻辑信号（即二进制代码）。编码盘直接安装在旋转轴上，以测出轴的旋转角度位置和速度变化。这种检测方式的特点是：检测方式是非接触式的，无摩擦和磨损，驱动力矩小；由于光电变换器性能的提高，可以得到较快的响应速度；由于照相腐蚀技术的提高，可以制造出高分辨率、高精度的编码盘。
三、基于神经网络的误差补偿研究
为了计算出误差的补偿量，必须得到CNC系统的精确数学模型，根据模型计算出误差值修改机床的控制指令。但是由于机床结构的复杂性，往往难以得到系统精确模型。此外在加工过程中，除了静态误差和力变形误差，还有数控插补与伺服跟踪滞后等各种误差，不同的数控系统，不同的机床，其误差的量各不相同，甚至同一台机床，伺服参数设置的不同，产生的误差也不相同。产生此类误差的原因很多，难以采用固定的模型进行计算。同时由于加工误差随加工条件的变化而变化，误差的产生量并不等于X（Y） 轴的运动补偿量，且误差量与运动补偿量并不成线性关系，因此要通过建立精确模型对误差进行补偿是十分困难的。
对于加工误差补偿控制我们最关心的是如何调整输入控制信号，使输出满足我们的要求，即我们关心的修改后的控制信息。但由于建立CNC系统精确模型十分困难，使得用传统模型计算出补偿值的方法难以实现。而神经网络具有良好的非线性函数逼近能力及隐式函数的构造能力，因此可以应用于误差补差控制上。
神经网络NNC用于机床误差补偿控制，利用数控系统的位置及姿态检测信号得到实际的位置坐标，通过NNC得到数控系统的误差补偿量，用其对输入信号进行误差补偿，使加工出工件的实际尺寸更接近期望值。在实际利用检测装置进行工件误差检测时，不论是某一均匀的误差还是某一特定加工轨迹离散点的误差，均可以按一定的坐标位置间隔离散的检测出各空间误差的大小。在补偿时，对于己测点的误差，往往采用误差补偿量取反，然后叠加到各离散目标点上，对于未测点的误差，可以通过网络的泛化能力对补偿量进行预测。神经网络通过权值的自适应调整，使得其输出信号有效补偿逆误差，而且具有很强的实时性。基于神经网络的误差补偿技术，弥补了非线性动态系统的建立要求精确数学模型的缺点，可以使得动态逆控制律的设计简化，提高整个控制系统的效果。
参考文献：
[1]MartinTHagan.神经网络设计[Ml.北京.机械工业出版社，2005
[2]王建平.戴一帆.洪晓丽.精密机床神经网络法精度建模[J].国防科技大学学报，2002，24（1）：89-93
[3]范晋伟.关佳亮.SMART一CNC超精密数控曲面磨床综合误差补偿技术[J].北京工业大学学报，2006，32（4）：306一310
[4]刘志涛.王敏杰.人工神经网络在模具型腔加工走刀方式选择中的应用[J].锻压技术 ， 2005，6：53～57