[发明专利]一种基于卷积网络的五轴机床旋转轴热误差建模方法

说明书

一种基于卷积网络的五轴机床旋转轴热误差建模方法，它属于数控机床加工精度技术领域，该方法主要步骤：第一步，确定红外热像仪拍摄对象；第二步，拍摄升温以及降温图像；第三步，热图像拍摄完毕，采用激光干涉仪测量不同温度下C轴的转角定位误差；第四步，令C轴按照设定的速度旋转升温，升温和降温采集热图像和热误差数据持续4小时；第五步，预处理C轴热图像；第六步，增强热图像；第七步，搭建多输出分类卷积神经网络，将数据集划分为训练集、验证集和测试集，进行训练，停止训练，保存模型；第八步：输入测试集，检验模型的预测精度。本发明克服了旋转轴热误差建模检测中存在的困难，能够准确预测旋转轴热误差。

技术领域

本发明属于数控机床加工精度技术领域，特别涉及一种基于卷积网络的五轴机床旋转轴热误差建模方法。

背景技术

制造业的快速发展提出了如何高效、高质量地加工复杂零件的难题，对于加工质量问题，热误差是机床加工过程中的主要误差源，在机床加工总误差占比高达70％；高效加工复杂零件，相比于传统的三轴机床，五轴机床在x、y、z三个进给轴的基础上增加了A、B、C中的两个旋转轴。得益于增加的两个旋转轴，五轴机床可以同时调节刀具相对工件的位姿，具有更好的加工灵活性和更高的加工效率。多轴加工成为了当前机床发展的趋势。因旋转轴的引入，增加了比三轴机床更多的误差项。因此，对五轴机床的旋转轴进行一种有效的热误差建模对于控制五轴机床加工误差有着关键作用。

目前针对旋转轴热误差建模的研究较少，很难找到一种有效的方案来对旋转轴热误差进行预测和补偿。究其原因在于旋转轴热误差建模补偿技术存在数据采集精准度问题和温度关键点筛选问题。

发明内容

本发明为克服现有技术不足，提供一种基于卷积网络的五轴机床旋转轴热误差建模方法。

本发明的技术方案是：一种基于卷积神经网络的旋转轴热误差建模方法，它包括：

第一步，确定红外热像仪拍摄对象；

第二步，采用红外热像仪拍摄C轴区域升温以及降温图像；

第三步，热图像拍摄完毕，采用激光干涉仪测量不同温度下C轴的转角定位误差，一次转角定位误差测量过程中，测量起点和终点分别为0°，360°，每10°采集一点数据，共36点；

第四步，令C轴按照设定的速度旋转升温，升温过程中每间隔一定时间重复第二步、第三步以采集热图像和热误差数据，升温五小时后C轴停转并降温，降温过程中每间隔一定时间重复上述步骤采集热图像和热误差数据，降温持续4小时；

第五步，预处理C轴热图像

将热图像转化为数组后，减去初始热图像数组，得到的图像数组再转化为图像；

第六步，增强热图像

将预处理后的热图像进行翻转和旋转操作，包括上下和左右翻转，逆时针旋转90°、180°和270°；

第七步，搭建热误差预测卷积神经网络

搭建的热误差预测卷积神经网络属于多输出分类卷积网络，可预测一张输入图片的多个标签，标签和热图像组成数据集，将数据集划分为训练集、验证集和测试集，开始进行训练，训练精度在验证集上达到90％以上，停止训练，保存模型；

第八步：输入测试集，检验模型的预测精度，若预测精度未达到90％以上，再次对模型进行训练，直至预测精度达到90％以上。

本发明相比现有技术的有益效果是：

本发明采用红外热像仪采集五轴机床旋转轴升温、降温热图像；激光干涉仪测量不同温度下旋转轴转角定位误差，多点转角定位误差采集，将测量得到的热误差数据进行处理，拟合为正弦曲线，将正弦函数参数作为标签，与热图像对应，形成数据集，最后，设计多输出分类的卷积神经网络模型完成训练与测试，得到旋转轴热误差的准确预测。