基于改進人工神經網絡的機械零件激光加工軌跡控制研究

摘要：為提高機械零件激光加工的精度與效率，提出基于改進人工神經網絡的激光加工軌跡控制方法。該方法的核心在于通過構建并優化神經網絡模型，實現對激光加工軌跡誤差的精準預測。在此基礎上，該方法設計了特定的神經網絡結構，并將預測誤差作為輸入信息，進一步構建了插補模型。為實現實時、精確的控制，該方法采用了可編程邏輯控制器（Programmable Logic Controller，PLC）技術進行插補控制，從而動態生成并調整加工軌跡。實驗結果顯示，與傳統方法相比，改進后的神經網絡模型的控制準確度高、泛化能力強，能夠顯著提升激光加工的精度和整體效率，實現了對機械零件激光加工軌跡的精確控制。[A2]

關鍵詞：軌跡控制" 機械零件" 激光加工" 改進人工神經網絡

中圖分類號：D26.4文獻標識碼：A

Research on Laser Processing Trajectory Control of Mechanical Parts Based on Improved Artificial Neural Networks

LOU Lei LIU Peipei* LI Lin

Dalian Vocational Technical College， Dalian， Liaoning Province， 116035 China

Abstract： To improve the accuracy and efficiency of laser processing of mechanical parts， a laser processing trajectory control method based on improved artificial neural network is proposed. The core of this method lies in constructing and optimizing neural network models to achieve accurate prediction of laser processing trajectory errors. On this basis， the method designed a specific neural network structure and used prediction errors as input information to further construct an interpolation model. To achieve real-time and precise control， this method adopts Programmable Logic Controller （PLC） technology for interpolation control， thereby dynamically generating and adjusting the machining trajectory. The experimental results show that compared with traditional methods， the improved neural network model not only has high control accuracy， but also has strong generalization ability， which can significantly improve the accuracy and overall efficiency of laser processing， and achieve precise control of the laser processing trajectory of mechanical parts.

Key Words： Trajectory control; Mechanical part; Laser processing; Improved artificial neural network

激光加工軌跡的控制面臨著諸多挑戰，如環境復雜性、加工精度要求高等。傳統的控制方法往往依賴精確的數學模型[1]，但在面對非線性、強耦合等動力學特性時，[A3] 難以實現精確控制。王蕾等人[2]通過綜合考慮理想的層間停頓時間和激光掃描次序，構建了適用于多層的路徑規劃模型，還采用改良的蟻群算法來優化此模型，運用多層整數編碼并加入激勵函數，以預防算法早期陷入局部最優，實現了零件加工路徑的規劃。然而，該方法的控制效率有待提高。王楊霄等人[3]則運用非均勻有理B樣條描繪交線，并以最大離焦量作為誤差標準來規劃插補點，進而對插補點進行姿態調整，確保激光束軸線與曲面法線近似對齊，形成完整的熔覆路徑。但該方法的控制精度方面存在不足。相比之下，本文方法通過引入新穎的優化算法與優化的網絡架構，顯著提升了神經網絡的收斂速度和全局搜索效能，實現了對激光加工軌跡更精確且穩定的控制。

1 機械零件激光加工軌跡控制方法[ 4] [A5]

1.1 機械零件激光加工軌跡誤差的預測

在機械零件的激光加工中，由于激光束的聚焦特性，它可以在極短的時間內使物質熔化和汽化，從而實現高精度的加工。因此，將激光加工技術應用于數控機床，可以實現對機械零件的高效、高精度加工。

激光加工機械零件的軌跡可被分解為直線和曲線兩部分，軌跡誤差則為這兩部分誤差的總和，故需分別計算。設定為激光加工理想軌跡與空間坐標系橫軸之間的夾角、點為刀具當前實際位置、為數控機床刀具指令位置、為刀具實際位置到理想軌跡最近距離線上的點，通過分析這些點的幾何配置[4]，計算出激光加工過程中橫軸與縱軸的跟隨誤差，從而得出機械零件激光加工直線軌跡的[A6] 誤差，其計算公式如下。

式（1）中：分別為橫、縱坐標軸的跟隨誤差，單位為mm。[ 7]

假定激光加工的參考圓弧軌跡為、其圓心標記為，基于數控機床刀具參考位置與實際位置的幾何關系，可以計算出激光加工過程中的曲線誤差[5]，其計算公式如下。

式（2）中：分別為實際加工點的橫、縱坐標，單位為mm；為圓弧曲線上過期望加工點的切線與橫軸的夾角，單位為°；為圓弧曲線圓心的橫坐標，單位為mm。

將直線運動誤差與曲線運動誤差相[ 8] 加，得出數控機床激光加工機械零件的軌跡總誤差，為后續的激光加工軌跡插補控制提供參考。

1.2 基于改進人工神經網絡構建插補模型

本文選用增加動量法對人工神經網絡進行改進，神經網絡在調整權值時，能夠同時考慮梯度上的誤差影響與誤差曲面上的變化趨勢，并忽略誤差曲面上的微小變動。該方法在標準算法基礎上，通過將前一次權值調整量乘以動量因子并與當前調整量相加來實現，其表達公式如下。

式（3）中：為學習率；為動量因子；為隱含層權值。[ 9]

將軌跡曲線上的任意點坐標作為改進人工神經網絡輸入層的數據輸入。設定動切點沿軌跡曲線連續移動，為確保加工工具與曲線實時相切，需要通過幾何關系確定的位置。這涉及計算的法線和X軸交點形成的線段長度（法距）與法線和X軸的夾角。鑒于軌跡曲線上各點曲率半徑和插補周期轉角位移量的差異，為保證平穩加工，設定恒定的角速度。在此條件下，X軸和Y軸需要在各插補區間內以不同速度移動。利用已知的插補點角位移增量和坐標差，可以計算出各軸在插補區間的速度和。綜合上述分析，改進人工神經網絡插補模型的表達公式如下。

為了提升軌跡控制的精確度，輸出層節點需要輸出多個參數以指導曲線軌跡，包括曲線的插補點坐標、插補點法線與X[ 11] 軸交點線段的長度，以及法線與X[ 12] 軸的夾角。這些參數是優化人工神經網絡軌跡插補模型輸出的關鍵要素。

1.3 加工軌跡的插補控制與生成

依據上述插補模型，本文將采用可編程邏輯控制器（Programmable Logic Controller，PLC）技術對激光加工路徑實施插補控制，并開發出相應的加工路徑插補控制程序。該程序的設計如下。

設定為與零件相連的刀具參考系，其原點位于零件中心點， L是與固定軸相連的刀具參考系，的原點在參考系中的位置由向量表示。構建好這些參考系后，采用式（5）來計算在數控機床全局坐標系下零件坐標系中誤差點的對應位置。

式（5）中：為零件坐標系下刀軸向量對應的機床坐標系下的旋轉角度；分別為誤差點位的橫、縱坐標；為誤差點位繞機床坐標系橫坐標軸的旋轉角度。

由此可得出零件坐標系中對誤差點位的調整量，使其恢復到理想點位上。利用PLC技術對中間指令點進行擬合，讓插補模型產生的運動點集能夠形成一條新的刀具路徑，以保證刀具的運動點坐標緊密貼合轉換后的刀具坐標位置，進而實現精確的插補控制。

2實驗測試與分析

2.1實驗準備

本次測試首先搭建一機械零件激光加工實驗平臺，包括控制系統、激光器、工業相機等。將本文方法與王蕾等人[2]、王楊霄等人[3][ 14] [A15] 方法分別帶入該平臺中，并以機械工件上進行激光切割為加工環境，通過調整工件夾持裝置，將該工件固定，進行加工。

2.2實驗結果與分析

根據上述實驗設定，首先，本次測試對使用本文方法加工后的軌跡結果與實驗設定最優軌跡進行對比，其軌跡控制效果如圖1所示。

由上述結果可知，本文方法的加工角度與最優角度幾乎保持一致，其方向角的誤差最大為1.8°，因此，本文方法在軌跡控制方面具有良好的應用性。

其次，為進一步保障此次測試的精準性，還將對本文方法與王蕾等人[2]、王楊霄等人[3][A17] 方法[ 18] 的加工效率與加工精度均進行測試，其測試結果如圖2、圖3所示。

根據上述結果可以看出，相較于王蕾等人[2]、王楊霄等人[3][A21] 方法[ 22] [23] ，本文方法的零件加工所需的時間最少、加工的誤差值同樣也最小。由此可以證明，在此次測試中，本文方法通過改進人工神經網絡，實現了對激光加工軌跡的精確控制，提高了加工精度，同時，優化軌跡控制算法減少了加工過程中的誤差和停頓時間，提升了加工效率。

3結語

通過對傳統控制策略的局限性進行分析，明確了引入人工神經網絡技術的必要性和緊迫性，并詳細闡述了改進人工神經網絡的設計原理、模型構建、訓練過程及其在激光加工軌跡控制中的具體應用。實驗結果表明，改進后的人工神經網絡能夠顯著提高激光加工的精度和效率，特別是在處理復雜形狀和高精度要求的機械零件時，其優勢尤為明顯。

參考文獻

[1]劉文鑫，陳志城，李巖，等. 基于355 nm紫外激光切割柔性覆銅板的工藝參數優化[J]. 中國激光，2023，50（8）：2[ 24] 9-38.

[2]王蕾，周楚建，張澤琳，等.考慮層間停光的廢舊機械零件多區域多層激光熔覆路徑規劃[J].機械工程學報，2021，57（15）：211-221.

[3]王楊霄，孫文磊，劉金朵，等.復雜曲面零件激光隨形熔覆軌跡規劃研究[J].機械設計，2022，39（2）：53-57.

[4]劉嘉，胡晉智，黃璟.基于激光數字全息技術的機械零件表面質量檢測研究[J].激光雜志，2022，43（7）：53-58.

[5]閆嘉，李林峰，林毓培，等.基于模糊聚類疫苗免疫算法的汽車零件雙激光切割路徑規劃研究[J].應用激光，2023，43（9）：75-83.