[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在审
| 申请号： | 201810936010.4 | 申请日： | 2018-08-16 |
| 公开（公告）号： | CN109032071A | 公开（公告）日： | 2018-12-18 |
| 发明（设计）人： | 余永维;杜柳青;彭西;徐李 | 申请（专利权）人： | 重庆理工大学 |
| 主分类号： | G05B19/401 | 分类号： | G05B19/401;G06N3/04;G06N3/08 |
| 代理公司： | 重庆博凯知识产权代理有限公司 50212 | 代理人： | 周辉 |
| 地址： | 400054 重*** | 国省代码： | 重庆;50 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 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。 | ||
| 搜索关键词： | 数控机床 圆运动 运动误差 轨迹图形 误差因素 网络 学习 样本 卷积神经网络 采集 内置传感器 测试技术 离线训练 理论模型 专业技能 插补 两轴 耗时 检测 制作 | ||
【主权项】：
1.一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。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于重庆理工大学，未经重庆理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810936010.4/，转载请声明来源钻瓜专利网。
