[发明专利]一种基于动力学及深度神经网络的进给系统混合建模方法

说明书

发明公开了一种数控机床进给系统混合建模方法，包括一个动力学基础模型和一个基于大数据的神经网络偏差模型；动力学基础模型由动力学理论分析及参数辨识得到；神经网络偏差模型通过利用指令序列、动力学基础模型的仿真预测数据和实际响应数据分析训练得到；将指令序列输入进给系统混合模型中，对实际响应序列进行预测，得到混合预测序列。本发明技术方案相比单纯的动力学模型，对高度非线性过程(如反向过程)的仿真更精准，相比单纯的神经网络模型，对不同加工工艺下的泛化能力更强。通过混合建模的方式，实现对复杂动态的进给系统的准确模拟。

技术领域

本发明属于数控领域，具体涉及一种基于动力学及深度神经网络的进给系统混合建模方法。

背景技术

数控机床的加工精度与机床进给系统动态性能密切相关。机床进给系统建模，是实现控制策略优化、参数设定、跟随误差和轮廓误差预测及补偿，提升进给系统动态性能的基础。在机床设计与调试阶段，可以利用进给系统模型进行稳态误差、动态误差进行分析，指导控制策略优化与参数设定；在机床投入使用阶段，可以利用进给系统模型，进行跟随误差和轮廓误差的预测与补偿。目前的数控机床进给系统建模，主要分为两个方向一个是在基于理论分析的动力学建模中对其进行研究，另一个是基于数控系统内部数据及人工神经网络的大数据建模方法对其进行研究。

针对第一种研究方式，在基于理论分析的动力学建模方面，论文《基于Simulink的机床伺服进给系统仿真技术研究》中通过对进给系统的各个环节进行理论分析和研究，建立了各环节数学模型，考虑摩擦和延时等非线性因素，最终建立了整体数学模型，实现对机械传动机构的频率分析；在另一篇名为《滚珠丝杠进给系统刚度建模及仿真》的论文中，通过进给系统轴向刚度和扭转刚度分析，建立包含刚度环节的进给系统动力学模型，对进给系统动态性能进行分析，提高进给系统的稳定性和快速响应特性。

基于理论分析的动力学建模的优势在于，便于对控制机理进行分析和优化，以及仿真鲁棒性高等特点。但也有其局限性：首先，进给系统是一个复杂的动态系统，用数学物理方法，基于简化和假设的控制规律、工艺模型的传统建模方式建立的微分方程及传递函数形式的数学模型在机床非线性要素(反向间隙、润滑情况、阻尼等)的表达能力上存在不足，难以完整、精确地描述其模型。另外，动力学模型存在模型复杂性与准确性的矛盾，采用低阶模型计算效率高、便于分析，但误差大，特别是在动态误差的预测上误差更大；采用高阶或有限元模型则带来计算效率低、模型参数辨识困难等问题。

针对第二种研究方式，基于数控系统内部数据以及神经网络进行大数据建模方面，利用伺服或数控系统提供的位置指令和位移反馈等信号进行大数据分析建模方式，现有技术中，《Neural Network Contour Error Predictor in CNC Control Systems》公开了一种基于伺服位置指令输入和响应输出数据，利用多层感知机神经网络，建立进给系统运动响应模型。而专利《一种基于指令域分析的数控机床建模误差补偿方法》则公开了一种通过在赛博空间建立机床工作过程中的运行传感数据U、内部电控数据V、外部传感数据W与事前工作任务数据w1、事前制造资源数据w2、误差补偿数据w3之间的映射关系函数Y{U，V，M}＝y{w1，w2，w3}，进而通过函数模型进行误差补偿的方法。

虽然大数据建模方法只需建立建模对象的黑盒模型，建模过程相对简单。且大数据建模对建模对象中的非线性关系拟合效果比较好，仿真精度高。但也有其局限性：首先，模型没有理论支持，指令输入存在扰动时模型的鲁棒性不够。其次，大数据建模方法无法用于设计阶段，必须在机械、控制完全安装好后才能施行，此时进行的分析得到的结果很难再用于机械的结构优化和控制器的选取。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于动力学及深度神经网络的进给系统混合建模方法。本发明技术方案针对动力学模型所采用的数学物理方法对复杂非线性要素难以精准仿真、而单一的神经网络建模方法对于不同加工工艺下的泛化能力较弱的问题，通过混合建模的方式，实现对复杂动态的进给系统的准确模拟。