[发明专利]考虑实际工况的宏宏双驱动系统的热变形预测方法及系统

说明书

本发明公开了一种考虑实际工况的宏宏双驱动系统的热变形预测方法及系统。其中该预测方法，包括：基于Elman神经网络构建宏宏双驱动系统的热变形预测模型；利用训练数据集对热变形预测模型进行训练；将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值。

技术领域

本发明属于宏宏双驱动系统领域，尤其涉及一种考虑实际工况的宏宏双驱动系统的热变形预测方法及系统。

背景技术

宏宏双驱动系统包括两个伺服电机、滚珠丝杠螺母传动副、位移检测装置、位置反馈模块、CNC运动控制器；其中一个伺服电机A驱动滚珠丝杠螺母传动副的丝杠的旋转，另一个伺服电机B驱动滚珠丝杠螺母传动副的滚珠螺母组件旋转，且两个伺服电机各自通过一套伺服驱动系统驱动；CNC运动控制器根据工作台给定运动要求，按照设定的算法分配宏动指令给两个伺服驱动系统，两个伺服驱动系统控制丝杠和螺母的各自旋转运动，以控制工作台的微量进给运动。

目前针对宏宏双驱动系统的热变形预测的方法均未考虑宏宏双驱动系统的实际工况，影响了热变形预测的准确性。因此，亟需一种能够准确预测宏宏双驱动系统的热变形的预测方法及系统。

发明内容

为了解决现有技术的不足，本发明的第一目的是提供一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其能够准确预测宏宏双驱动系统的热变形。

本发明的一种考虑实际工况的宏宏双驱动系统的热变形预测方法，包括：

基于Elman神经网络构建宏宏双驱动系统的热变形预测模型；

利用训练数据集对热变形预测模型进行训练；

将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值；

其中，基于Elman神经网络构建宏宏双驱动系统的热变形预测模型的具体过程为：

选取宏宏双驱动系统的关键测温点的温度变量作为Elman神经网络的输入，宏宏双驱动系统的丝杠副的轴向热伸长作为Elman神经网络的输出，进而确定出Elman神经网络的结构；

采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值，进而构建出宏宏双驱动系统的热变形预测模型。

进一步的，采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值的具体过程为：

初始化Elman神经网络及DE算法相关参数；

计算初始种群的适应度值：利用训练数据对神经网络进行训练，个体的预测和期望输出之间的差的平方和的倒数作为适应度函数；

依次进行变异操作、交叉操作和选择操作；

计算新个体适应度值：将当前种群中每个个体的值依次映射到神经网络的初始权值和阈值，采用适应度函数分别计算每个个体的适应度值；

判断采用DE算法优化神经网络过程是否完成，若完成，则将经过DE算法优化得到的最佳适应度值对应的个体映射到Elman神经网络各层连接的初始权值和阈值，将其作为最优的初始权值和阈值。

进一步的，根据当前进化代数是否达到预先设置的最大进化代数判断采用DE算法优化Elman神经网络过程是否完成。

进一步的，根据得到的种群中所有个体的适应度值计算最佳适应度值，然后根据最佳适应度值是否达到预先设置的最小值判断是否停止DE算法优化Elman神经网络的过程。