[发明专利]基于深度学习网络的数控机床运动误差实时溯因方法

权利要求书

1.一种基于深度学习网络的数控机床运动误差实时溯因方法，其特征在于，包括如下步骤：

A、建立数控机床圆运动误差轨迹理论模型：

R′＝R+ΔR＝R+f(e,θ)

式中，R′为数控机床主轴刀具圆运动的实际半径，R为数控机床主轴刀具圆运动的理论半径，ΔR为数控机床主轴刀具圆运动的半径误差矢量，ΔR＝f(e,θ)，θ为实际插补半径O′P′与X的夹角，e为误差因素，f()为与误差因素有关的函数；

B、制作各误差因素对应的误差轨迹理论样本：根据不同类型的误差因素e，改变误差因素e的数值大小，制作对应的误差轨迹理论样本；

C、基于深度卷积神经网络，建立数控机床圆运动误差轨迹深度学习识别网络；

D、用各误差因素对应的误差轨迹理论样本离线训练数控机床圆运动误差轨迹深度学习识别网络；

E、使待检测数控机床作两轴插补的圆运动，通过数控机床内置传感器采集圆运动误差轨迹图形；并将采集到的圆运动误差轨迹图形输入训练后的误差轨迹深度学习识别网络，识别出造成数控机床运动误差的因素。

2.如权利要求1所述的基于深度学习网络的数控机床运动误差实时溯因方法，其特征在于，所述步骤B中，所述误差因素e包括垂直度误差因素，其对应的圆运动误差轨迹模型为：

其中θ为实际插补半径O′P′与X轴的夹角，α为Y轴相对于垂直X轴方向的偏转角度；改变角度系数α，获得不同垂直度误差值对应的圆运动误差轨迹样本。

3.如权利要求1所述的基于深度学习网络的数控机床运动误差实时溯因方法，其特征在于，所述步骤B中，所述误差因素e包括反向间隙σ，其对应的圆运动误差轨迹模型为：

改变反向间隙σ，获得不同反向间隙误差值对应的圆运动误差轨迹样本。

4.如权利要求1所述的基于深度学习网络的数控机床运动误差实时溯因方法，其特征在于，所述步骤B中，所述误差因素e包括由热变形或/和装配引起的直线度误差δ，其对应的圆运动误差轨迹模型为：

R′＝R+ΔR＝R+(-2δhRcos²θ-δR²sinθcos²θ)

其中h为在Y轴方向位于移动面上方的距离；改变直线度误差δ，获得不同直线度误差值对应的圆运动误差轨迹样本。

5.如权利要求1所述的基于深度学习网络的数控机床运动误差实时溯因方法，其特征在于，所述步骤B中，所述误差因素e包括滚珠丝杠引起的周期性误差，其对应的圆运动误差轨迹模型为：

其中b为周期性误差的振幅，Φ为相位，p为螺距；改变振幅b，获得不同周期性误差值对应的圆运动误差轨迹样本。

6.如权利要求1所述的基于深度学习网络的数控机床运动误差实时溯因方法，其特征在于，所述步骤C中，所述误差轨迹深度学习识别网络包括用于输入数控机床圆运动轨迹图形的输入层，用于提取圆运动轨迹图形的深度特征的深度特征提取层，和用于识别所述深度特征提取层输入的深度特征，并输出识别出的误差因素的识别层，所述识别层采用RBF网络。

7.如权利要求6所述的基于深度学习网络的数控机床运动误差实时溯因方法，其特征在于，所述深度特征提取层包括第一层卷积层C1、第一层池化层S1、第二层卷积层C2、第二层池化层S2、第三层卷积层C3、第三层池化层S3、第四层卷积层C4和第五层全连接层。

8.如权利要求7所述的基于深度学习网络的数控机床运动误差实时溯因方法，其特征在于，所述步骤D中，离线训练包括前向传播过程和反向传播过程，前向传播过程中，卷积层前向传播计算公式为：

其中X_l,j表示特征图，其中l和j分别表示对应的卷积层层数和个数，M_j表示作为输入的前一层特征图X_l-1,j的集合，b_l,j表示卷积特征图X_l,j的偏置，w_l-1,i,j表示卷积特征图X_l,j的第i个权值；

池化层前向传播计算公式为

X_l,j＝f(β_l,jpooling(X_l-1,j)+b_l,j)

式中pooling表示最大池化的函数，对于指定n×n区域中计算其最大值作为该区域的输出，输出图像会比原有特征图缩小n倍，β_l,j为特征图的乘性偏置；

在反向传播学习过程中进行权值更新，由t次到t+1次，卷积层更新神经元权值计算公式为：

池化层更新神经元权值的计算公式为：

其中，η是学习速率；E为有N个训练样本、共有C种类型的深度学习网络模型的整体样本方差代价函数：

其中，t_n,k为第n个训练样本所对应的第k维标签，y_n,k为第n个训练样本所所对应的第k个实际输出。