[发明专利]基于神经网络的进给系统模型训练和预测方法及其系统

权利要求书

1.一种基于神经网络的进给系统模型训练方法，其特征在于，对进给系统的至少一个单轴，执行以下步骤：

为所述单轴的包括加速、反向、匀速、和减速的N个运动状态分别设置N个神经网络子模型，每个运动状态对应一个神经网络子模型，其中，N=4；

从历史数据中获取所述单轴的单轴运动指令时间序列和实际响应时间序列作为样本数据，其中，所述单轴运动指令时间序列包含单轴在预定时长为时间周期的时序上的位置指令增量集，所述实际响应时间序列是指数控系统位置检测装置采集到的单轴实际运动速度，其中，所述实际响应时间序列的速度是由安装在所述进给系统上的位置采集装置采集的位置增量信息除以采集的时间周期时长而得到，所述位置增量是指在一个时间间隔内的位置变化量，位置增量除以时间间隔的时长就是实际响应时间序列；

根据所述单轴运动指令时间序列为所述样本数据标记运动状态；

根据所述单轴运动指令时间序列和对应的运动状态，训练运动状态分类器；

将所述样本数据按照运动状态分类；

用每个运动状态的样本数据分别训练对应运动状态的神经网络子模型，其中所述神经网络子模型的输入包括所述单轴运动指令时间序列，所述神经网络子模型的输出包括所述实际响应时间序列。

2.根据权利要求1所述的基于神经网络的进给系统模型训练方法，其特征在于，所述神经网络子模型的输入还包括所述实际响应时间序列的时间序列。

3.根据权利要求2所述的基于神经网络的进给系统模型训练方法，其特征在于，所述神经网络子模型的输出为所述样本数据中第i+1个实际响应时间序列；

所述神经网络子模型的输入包括：所述样本数据的单轴运动指令时间序列中第i-M至第i个单轴指令，和，所述样本数据中第i-L至第i个实际响应时间序列，其中i为代表时间序列的整数，L和M为正整数。

4.根据权利要求1所述的基于神经网络的进给系统模型训练方法，其特征在于，所述进给系统的每一个单轴都设置有一个神经网络模型，每一个单轴的神经网络模型中包括多个所述神经网络子模型，多个所述神经网络子模型分别与该单轴的多个运动状态一一对应。

5.根据权利要求1所述的基于神经网络的进给系统模型训练方法，其特征在于，所述运动状态分类器为朴素贝叶斯分类器。

6.根据权利要求1所述的基于神经网络的进给系统模型训练方法，其特征在于，所述位置采集装置是光栅尺。

7.根据权利要求1所述的基于神经网络的进给系统模型训练方法，其特征在于，所述神经网络子模型是深度神经网络。

8.根据权利要求1-7中任意一项所述的基于神经网络的进给系统模型训练方法，其特征在于，所述进给系统是数控系统的子系统。

9.一种基于神经网络的进给系统模型预测方法，其特征在于，包括：

根据当前点之前的单轴运动指令时间序列确定当前点的运动状态，所述运动状态包括加速、反向、匀速、和减速，本步骤包括子步骤：将当前点之前的单轴运动指令时间序列输入所述权利要求1所训练的运动状态分类器，根据所述运动状态分类器的输出确定当前点的运动状态；

根据所确定的运动状态，将当前点之前的单轴运动指令时间序列输入对应该运动状态的神经网络子模型，得到与当前点对应的单轴的实际响应时间序列，其中所述神经网络子模型是根据所述权利要求1至8中任一项所述的方法训练得到的。

10.根据权利要求9所述的基于神经网络的进给系统模型预测方法，其特征在于，所述神经网络子模型的输入还包括当前点之前预测所得的实际响应时间序列的时间序列。