[发明专利]基于BP神经网络的NURBS曲线自适应插补方法

说明书

本发明公开了基于BP神经网络的NURBS曲线自适应插补方法，包括：确定对BP神经网络数控插补模型进行训练的样本集；获取隐藏层节点的数量并计算各节点输入、输出加权和；计算输出层节点的输入、输出加权和；重新获取输出层的输出结果；根据输出层的输出误差，得到隐藏层的输出误差；根据输出层和隐藏层的误差结果对连接权值、临界值进行更新重置，直到连接权值、临界值小于误差结果；重复上述步骤，输入样本数据集中的样本对BP神经网络进行训练，完成多次迭代直到输出的结果符合期望值。该方法通过建立神经网络数控插补模型，优化插补参数的计算过程；以弓高误差为约束条件，对加工速度进行有效规划。

技术领域

本发明涉及数控机床加工领域，具体涉及一种基于BP神经网络的NURBS曲线自适应插补方法。

背景技术

在计算机数控系统中，复杂曲线、曲面部件的加工一直是难点。传统数控加工使用CAD/CAM系统将复杂待加工曲线离散成大量微小的直线段，再利用这些直线段去逼近拟合待加工的曲线。但随着数控技术的不断发展，样条曲线插补方法逐渐取代了原有直线插补和圆弧插补功能，成为主要插补方法。

已有众多学者对样条曲线插补功能进行了大量深入研究并取得了很好的进展与成果。TASIYF等在计算插补参数过程中使用了一阶Taylor展开式计算方法。该方法涉及到大量的求导运算，计算量大并且计算过程复杂，需要鉴别真伪值，难以实现广泛的应用。TSEHAWY等提出用二阶泰勒展开式来计算参数，这个方法提高了计算精度，但依然存在计算量大以及容易引起速度不稳定而造成加工时速度波动等问题。孙越泓等使用智能算法对参数的计算过程进行优化，该方法能够降低计算成本并节省时间，提高加工效率和加工质量，但依然存在速度波动等问题。

发明内容

为了解决样条曲线在插补过程中对于插补参数计算过程复杂以及计算量大等问题，提出了一种基于BP神经网络的非均匀有理B样条曲线(NURBS)的插补方法，该方法通过建立神经网络数控插补模型，优化插补参数的计算过程；以弓高误差为约束条件，对加工速度进行有效规划。

为实现上述目的，本申请的技术方案为：基于BP神经网络的NURBS曲线自适应插补方法，包括：

确定待加工曲线形式；

对所述待加工曲线进行速度规划预处理；

使用五段式S型加减速控制算法实现对速度的规划控制；

获得加减速段的速度方程；

判断系统的最大加速度和加加速度；

确定对BP神经网络数控插补模型进行训练的样本集；

获取隐藏层节点的数量并计算各节点输入、输出加权和；

计算输出层节点的输入、输出加权和；

重新获取输出层的输出结果；

根据输出层的输出误差，得到隐藏层的输出误差；

根据输出层和隐藏层的误差结果对连接权值、临界值进行更新重置，直到连接权值、临界值小于误差结果；

重复上述步骤，输入样本数据集中的样本对BP神经网络进行训练，完成多次迭代直到输出的结果符合期望值。