基于BP神經網絡的五軸數控機床熱誤差補償建模

伍偉敏 文建平 孫慧 徐文慶

摘要：隨著我國經濟實力的不斷發展，我國對于工業加工領域的重視程度在不斷的加強，尤其是在數控機床的應用，具有重要的意義，不僅能夠有效提高數控機床工作效率和質量，還能保障產品質量。為了有效判斷數控機床檔次，應當以數控機床加工精度作為主要的檢測標準，而傳統的五軸數控機床在熱影響下，經常性的出現加工精度下降的問題，針對于此，本文基于BP神經網絡的五軸數控機床熱誤差補償情況進行建模分析，對比之前的應用數據可知其能夠有效提高五軸數控機床的加工精度，具有重要的推廣價值。

關鍵詞：BP神經網絡;綜合誤差;數控機床

0? 引言

通過分析以往大量五軸數控機床實際應用情況可知，五軸數控機床在熱影響下出現精度下降的概率大大增加，而將BP神經網絡應用到五軸數控機床運行過程中，能夠有效解決數控機床的綜合性誤差，且能夠提高數控機床運行效率和質量。[1]與此同時，在研究BP神經網絡的應用效果時，將放大因子和陡度因子引入到數控機床運行過程中，以此來實現BP神經網絡建模目的，便于后期進行研究和分析數控機熱誤差補償問題。在BP神經網絡建模過程中，要將數控機床誤差數據和刀位偏差數據作為基礎建模基準，進而證明在應用BP神經網絡時不需要將五軸數控機床進行全面的修改就能有效降低出現熱影響誤差概率，提高五軸數控機床工作效率和質量。

1? BP神經網絡應用于數控機床綜合誤差補償的原理

為了得到準確BP神經網絡應用于數控機床綜合誤差補償的數據，本文主要將A/B雙擺五軸數控銑床情況作為分析案例，通過詳細的分析和研究得到合理的誤差數據。在五軸數控銑床運行時，由于其長時間的運行，造成其加工精度下降的因素有很多，會延長整體的加工時間和降低加工質量。一般情況下，五軸數控機床出現誤差的原因主要為數控機床主軸熱漂移誤差和各運動軸出現的不同程度的熱變形誤差，這兩種情況都能夠增加出現數控機床的誤差概率。出現這種熱影響的主要因素為數控機床長時間運行、散熱性差、主軸靠近發熱源等，還有可能是五軸數控機床內部各工件出現振動而出現的運動誤差等。[2]如果將具有誤差的五軸數控機床檢測數據作為建模標準，難以建立熱影響誤差因素參數模型。通過分析BP神經網絡的工作原理可知，其采用的算法具有獨特性，并且能夠根據相關的數據進行自我學習和非線性映射能力，因此將其應用到五軸數控機床熱誤差補償建模時，能夠在其輸入端進行多端輸入，其能夠有效處理大量的檢測數據，并能夠將其與正常的數據相對比，使其輸出五軸數控機床熱誤差補償模型數據，保證模型的合理性。與此同時，在應用自我學習能力時，其還能在利用其算法進行后續數據處理，并將后期添加的數據與前期數據相比較，將其映射到熱誤差補償模型中，得到兩段運行階段的模型差值。所以，本文著重構建單隱層BP神經網絡，對應單隱層形式BP神經網絡拓撲結構可見圖1。雖然五軸數控機床在實際運行中會受到不同因素的影響，但是熱影響是主要的影響因素，因此結合BP神經網絡，將各類熱影響數據進行分析和研究，并輸出有效的處理數據，使其構建完善的五軸數控機床熱誤差補償模型，便于工作人員進行分析和研究，為后期五軸數控機床的創新和發展提供有效的參考數據。[3]

2? BP 神經網絡建模流程

BP神經網絡在建立五軸數控機床熱誤差補償模型時，需要先得到數控機床運行過程中各類誤差數據，然后將其輸入到BP神經網絡拓撲結構中，得到隱層輸出量和輸入量的值，然后將數控機床的網絡輸出層作為主要的對比數據，要將其輸入到網絡訓練模式中，進行數據優化和分析，以此來保證對比數據的合理性和準確性。在檢測五軸數控機床的實際數據后，按照BP神經網絡中的算法應用可知，其所含的隱層內容為非線性激活函數，所輸出的層次為線性激活函數，因此這兩種函數都是能夠進行調整的函數。本文所采用的BP神經網絡具有重要的應用意義，不僅能夠有效的結合五軸數控機床數據信息，還能對誤差影響因素進行合理的控制，達到正確的建模標準，實現數據信息的正向傳輸，還能對誤差因素進行反向控制。在向BP神經網絡輸入數據時，其能夠根據所檢測到的數據信息進行追蹤，確保數據信息的準確性。可參考圖2。[4]在實際應用中，其能夠將權值標量作為主要的輸入樣本，然后將其上傳到隱層中，激發隱層內部所含有的數據處理函數使其得到合理的處理結果，然后將其傳輸到輸出層，再跟輸出層內部的變量相結合，得到五軸數控機床熱誤差補償數據。將該數據與初始預設數據值進行對比，其中存在的數據差值作為誤差反向調整方向，在調整過程中，其還能作為目標誤差作為主要的參考值，然后在計算后期的誤差數據時，能夠將其作為重要的參考數據。在BP神經網絡中，目標誤差還能作為均方差的計算樣本，其能夠根據兩者之間的數值差異，在滿足輸出條件下的情況下，進行開展數值計算，然后對出現較大偏差的數據進行重新檢測和調整。BP神經網絡還結合MATALB應用程序，使其具備自主學習能力，能夠更好的優化神經網絡中的算法。[4]在實際應用中，首先要在五軸數控機床主軸和各工作軸周圍設置溫度傳感器，將運行過程中各軸的溫度實時傳輸到神經系統中，將其作為該運行階段的輸入樣本X，然后利用位移傳感器檢測五軸數控機床各軸的位移進行檢測，對于出現誤差的數據作為期望輸出0，在此過程中，需要將閾值向量和權值向量進行重置，保證檢測數據的時效性。其次，在應用BP神經網絡時，還需要將輸入值和輸出值作為不同變量進行計算，并且對各輸入層和輸出層的閾值和權值進行調整，使其能夠符合檢查標準。最后，在檢測過程中，如果實現權值與閾值保持動態平衡的狀態，則算法自我學習結束，并輸出最終的數據。將BP神經網絡算法應用到五軸數控機床熱誤差補償建模中，利用其線性擬合能力能夠得到準確的檢測數據，并且能夠有效優化五軸數控機床的綜合運動情況，但是在實際應用中，BP神經網絡還是存在著較多的問題。例如，基于BP神經網絡的五軸數控機床熱誤差補償建模，為了得到更準確的熱誤差模型，需要將大量的動量項作為輸入層，以此來提高神經網絡的自我學習能力，但是在引入過程中，也將陡度因子引入其中，傳統BP神經網絡在處理陡度因子時，會默認將其添加到正向數據計算當中，因此會造成BP神經網絡算法出現錯誤，當輸出層或隱層輸出1或0較接近的數值時，權值和閾值會出現趨向于無窮下的情況，導致BP神經網絡自我學習能力出現停止的問題。針對于此，為了降低此問題的出現，應當優化和創新BP神經網絡算法，將陡度因子和放大因子都加入到正向計算中，流程如圖3所示，以此來保證基于BP神經網絡建立五軸數控機床熱誤差模型的合理性和科學性。[5]

3? 數控銑床誤差建模

在五軸數控銑床誤差建模時，要先對五軸數控銑床運行過程中易出現溫度變化和位移的部位進行溫度檢測和位移檢測，然后利用這兩者的變化數據情況，構建溫度和位移兩個因素關系變化模型。本文中所分析的A/B雙擺五軸數控銑床中每個主軸內部都已經安裝溫度傳感器。在五軸數控銑床運行時，傳感器會根據機床實際運行情況來選擇開啟數量，以此來保證溫度變化數據檢測的準確性。在檢測五軸數控銑床位移情況時，需要重點關注X、Y軸的實際位移數據，因此在主軸頭部的X方位和Y方位應當分別安裝位移傳感器，并在其內部輸入有效的指令。例如，五軸數控銑床位移達到11mm后，傳感器運行時間需要停止5s，然后在進行下一周期的檢測。基于BP神經網絡的五軸數控機床熱誤差補償建模時，要保證五軸數控機床運行的穩定性，因此在建模前期，要保證五軸數控機床保持禁止運行狀態約一天的時間，在建立模型過程中，要維持五軸數控機床穩定運轉的狀態，控制主軸的恒轉速達到 4000r/min，因此在開啟五軸數控機床前，要進行30min的空轉，然后在進行檢測運轉過程中各檢測階段溫度變化情況，檢測頻率為1min/次，進而得到溫度和時間的變化曲線，對其進行深入分析，選取其中相同時間下的溫度差值作為參考數值。最后根據BP神經網絡算法中得到的綜合數據結果作為基準數據，將放大因子和陡度因子都引入算法中，從而得到科學性的基于BP神經網絡的五軸數控機床熱誤差補償模型。[6]

4? 結語

綜上所述，基于BP神經網絡的五軸數控機床熱誤差補償構建的數據模型，能夠將五軸數控機床熱影響直觀的呈現出來，有效提高五軸數控機床工作效率和質量。BP神經網絡能夠自動改進算法來計算五軸數控機床熱誤差補償數據，且能夠適應大多數數控機床測量數據和種類，因此具有重要的推廣應用價值。

參考文獻：

[1]王洪樂等.基于BP神經網絡的數控機床綜合誤差補償方法[J].西安交通大學學報，2017，51（6）：138-146.

[2]張寶剛.數控機床關鍵部件的熱誤差補償技術研究[D].河北工程大學，2016.

[3]周天鵬.數控機床熱變形的智能補償方法及系統設計[D].四川理工學院，2012.

[4]陽江源.數控機床熱誤差檢測與建模研究[D].大連理工大學，2010.

[5]沈金華.數控機床誤差補償關鍵技術及其應用[D].上海交通大學，2008.

[6]李永祥.數控機床熱誤差建模新方法及其應用研究[D].上海交通大學，2007.