[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

说明书

本发明公开了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，包括如下步骤：A、建立数控机床圆运动误差轨迹理论模型；B、制作各误差因素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。本发明具有效率高，耗时短，对测试技术人员的专业技能要求较低，准确性高，使用方便、适应性强等优点。

技术领域

本发明涉及数控机床的精度检测技术领域，特别的涉及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。

背景技术

运动误差是数控机数控机床的主要精度指标，是造成产品加工误差的重要原因。数控机床运动精度状态出现衰退、甚至失效时，如何进行误差溯因，快速准确查找造成运动误差的原因，是机床设计、制造和使用过程亟需解决的重要课题。

现有数控机床误差溯因大多是依靠专业设备技术人员人工查找，效率低，时间长，并完全依靠技术人员个人经验和能力；或者必须借助于激光干涉仪、球杆仪、三坐标等外置传感器(仪器)，上述仪器价格昂贵，并需要专业测试技术人员操作，耗时长、存在实际应用效果和适用范围等问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种效率高，耗时短，对测试技术人员的专业技能要求较低，准确性高，使用方便、适应性强的基于深度学习网络的数控机床运动误差实时溯因方法。

为了解决上述技术问题，本发明采用了如下的技术方案：

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。

进一步的，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。

进一步的，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。

进一步的，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：