一种主轴热误差建模方法、预测方法和建模系统与流程

1.本发明属于数控技术领域，更具体地，涉及一种主轴热误差建模方法、预测方法和建模系统。


背景技术：

2.数控机床的热误差是影响加工精度的重要因素，据统计在精密加工和大型零件加工中，由于热误差引起的误差占比40％-70％。热误差是由于机床部件温度变化而产生的，根据部件的不同，需要采用不同的热误差减小措施，主轴通常开启冷却循环以减少热量向主轴结构的传导，进给轴通过施加预紧力的方式来抵消热应力。然而，在在实际生产环境中，人们常常让机床空运行一段时间以达到热稳定的状态，然后开始加工零件，机床空运行达到热稳定的过程称为热机过程。热机过程一般需要几个小时，不仅影响生产效率，而且产生能耗。因此，对机床热误差进行准确建模和补偿具有重大意义。
3.热误差补偿是减小机床热误差的重要手段。相比于热误差避免，热误差补偿不需要改变原有的机床结构，而热误差避免需要对机床的材料、结构等方面重新设计以减小热误差带来的影响。相比于热误差控制，热误差补偿更具有成本优势。常见的误差补偿法包括有基于物理建模方法和基于数据驱动的建模方法。基于物理模型由于热源的边界条件不能准确计算导致该模型的误差预测准确率不高。基于数据驱动的热误差建模方法大多采用温度敏感点的温度作为输入，这类方法在机床运行工况发生较大变化时模型的鲁棒性往往不足，出现这种现象的原因在于温度数据只是反映机床当前局部热态的状态量，没有包含过程的信息，不足以对整个热误差产生的机床运行过程进行完整描述，导致单纯利用温度传感器得到的热误差模型往往只在某一特定的工况下有较好的预测精度，而当机床的运行工况发生较大变化时预测精度不足。


技术实现要素：

4.针对相关技术的缺陷，本发明的目的在于提供一种主轴热误差建模方法、预测方法和建模系统，旨在解决热误差模型预测准确率较低的问题。
5.为实现上述目的，本发明的一个方面提供了一种主轴热误差建模方法，包括以下步骤：
6.s1.采集温度和运行工况的数据；
7.s2.对所述数据进行预处理，并提取特征数据；
8.s3.对特征数据组合形成有限输入特征组合集，代入lstm深度神经网络模型得到不同有限输入特征组合集的最大偏差、均方根差和准确率，经指标加权平均法得到均值指标，形成综合指标集，选出最优解，从而获取最优有限特征输入组合集；
9.s4.以所述最优有限特征输入组合集作为输入，实际热误差作为lstm深度神经网络模型的输出，训练主轴热误差深度神经网络模型。
10.进一步地，所述步骤s4中，采用k-means聚类方法对速度区间进行划分，经过训练，
得到不同速度区间的模型参数。
11.进一步地，对于每个速度区间，当前时刻误差由上一时刻模型的记忆门和隐藏层的状态、以及当前时刻对应的输入特征向量决定。
12.进一步地，所述步骤s2包括：
13.对数据进行滤波，再对数据进行降维得到用于训练模型的低维特征数据。
14.本发明的另一方面还基于上述主轴热误差建模方法提出了一种预测方法，包括以下步骤：
15.采集实时温度和运行工况数据，将与所述最优有限特征输入组合集对应的特征，输入通过所述主轴热误差建模方法得到的主轴热误差深度神经网络模型，对主轴热误差进行预测。
16.本发明的又一方面提供了一种主轴热误差建模系统，包括：
17.采集单元，采集温度和运行工况的数据；
18.预处理单元，对所述数据进行预处理，并提取特征数据；
19.特征选择单元，对特征数据组合形成有限输入特征组合集，代入lstm深度神经网络模型得到不同有限输入特征组合集的最大偏差、均方根差和准确率，经指标加权平均法得到均值指标，形成综合指标集，选出最优解，从而获取最优有限特征输入组合集；
20.训练单元，以所述最优有限特征输入组合集作为输入，实际热误差作为lstm深度神经网络模型的输出，训练主轴热误差深度神经网络模型。
21.进一步地，所述训练单元中，采用k-means聚类方法对速度区间进行划分，经过训练，得到不同速度区间的模型参数。
22.进一步地，对于每个速度区间，当前时刻误差由上一时刻模型的记忆门和隐藏层的状态、以及当前时刻对应的输入特征向量决定。
23.进一步地，所述预处理单元用于对数据进行滤波，再对数据进行降维得到用于训练模型的低维特征数据。
24.通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
25.(1)本发明提出将主轴运行工况数据如主轴速度、电流、旋转圈数、功率、环境温度等作为模型输入，可以对整个热误差产生的机床运行过程进行完整描述，而将工况数据作为过程量与温度数据进行联合，提高模型的鲁棒性。
26.(2)采用lstm算法建立了热误差模型。lstm算法能够对热误差的非线性、时序性特点过程进行较好的拟合；此外，对运行速度划分为低中高三个速度段，建立了分段模型，进一步提高了模型的精确度。
附图说明
27.图1是本发明实施例主轴热误差建模与预测方法流程图；
28.图2是本发明实施例基于深度lstm神经网络模型的热误差预测流程图；
29.图3是本发明实施例中考虑运行工况的主轴热误差模型预测效果图，其中的(a)是主轴运行工况，(b)是实际预测结果；
30.图4是本发明实施例主轴热误差模型补偿效果图。
具体实施方式
31.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
32.本发明针对主轴，在温度数据的基础上，获取了数控系统内部的电控数据对热误差的产生过程进行描述，包括主轴速度、旋转圈数、功率、电流、环境温度等反映主轴运行工况的数据，在此基础上提出了基于运行工况数据的特征提取算法。然后针对热误差的历史数据依赖性问题，采用lstm算法建立了机床的热误差模型。下面结合一个优选实施例，对上述实施例中涉及的内容进行说明。
33.数控系统在加工控制过程中，每一个控制周期都有大量的数据生成出来。这些数据与机床热误差有紧密的联系。在数控系统控制机床运行的同时，把这些数据记录下来，并进行统计和分析，这种对数控系统运行电控数据和温度传感器的温度数据进行分析与特征提取方法是建立进给系统深度神经网络模型的基础。
34.通过提取的样本数据，训练并建立的主轴热误差的lstm深度神经网络模型，在模型上输入时间序列特征，就可以精准预测出主轴的热误差。
35.本发明提供的方法如图1所示，具体包括如下几个步骤：
36.s1：数据采集阶段。在实验过程中采集的数据包括主轴上端轴承处温度(t
up
)、下端轴承处温度(t
down
)、环境温度(t
envir
)、主轴速度(s
spindle
)、电流(i
state
)、速度(v
state
)热变形数据(δ
t
)，所有这些数据都可以通过数控系统对用户开放的数据采集接口或者外部测量仪器获得。
37.s2：数据预处理与特征数据获取阶段。由于原始信号带有一定的噪声，如温度信号、电流信号受到的高压电磁干扰等，因此需要通过滤波处理对原始数据进行处理。在数据预处理之后通过计算可以得到主轴的累计旋转圈数和累计消耗功率。因此，热误差模型可输入的特征有：速度、电流、主轴上端轴承温升主轴下端轴承温升环境温度速度、电流反映的是主轴的运行状态，对瞬时速度、瞬时电流进行积分求和可以得到相应的过程量，如速度的积分可以得到主轴旋转圈数、对电流进行积分可以得到主轴消耗的功率。在得到上述高维特征数据之后对数据进行降维得到用于训练模型的低维特征数据。
38.s3：模型输入特征选择。s2中的特征是根据主轴的热误差产生机理分析定性得到的，可能存在一定的相关性。因此，需要对预处理后的特征进行处理，保留那些与目标变量显示出良好或高相关性的变量。本发明通过对特征数据组合形成有限输入特征组合集(set of finite input feature combinations，sfifc)，代入lstm模型得到不同有限输入特征组合集的最大偏差(me)，均方根差(rmse)，准确率(ac)三个指标，并采用指标加权平均法获取均指指标(wamoi)，形成综合指标集，进而选择最优解。
39.s4：考虑运行工况主轴热误差模型的训练。以特征选择得到的最优有限特征输入组合集(sfifc)作为输入，实际热误差作为lstm深度神经网络的输出，训练主轴热误差的深度神经网络模型，获得训练模型参数表，用以表征该模型。采用k-means聚类方法对速度区
间进行划分，形成(0，v
low
]、(v
low
，v
middle
]和(v
middle
，v
high
]三个区间段。以(v
low
，v
middle
]速度区间为例，当前t时刻误差δ
t
由t-1时刻模型的记忆门c
t-1
和隐藏层h
t-1
的状态以及t时刻对应的输入特征向量决定，同理t-1时刻由t-2时刻和t-1时刻共同决定，经过训练，得到模型参数，用以表征该速度区间下的模型。
40.s5：预测阶段。实时采集数控系统的运行工况数据，将最优特征选择结果对应的特征作为模型特征数据的输入，根据不同旋转速度进行模型参数表的选择，进而实现不同速度下对应的预测误差。
41.本发明实施例的又一方面提供了一种主轴热误差建模系统，包括：
42.采集单元，采集温度和运行工况的数据；
43.预处理单元，对所述数据进行预处理，并提取特征数据；
44.特征选择单元，对特征数据组合形成有限输入特征组合集，代入lstm深度神经网络模型得到不同有限输入特征组合集的最大偏差、均方根差和准确率，经指标加权平均法得到均值指标，形成综合指标集，选出最优解，从而获取最优有限特征输入组合集；
45.训练单元，以所述最优有限特征输入组合集作为输入，实际热误差作为lstm深度神经网络模型的输出，训练主轴热误差深度神经网络模型。
46.进一步地，所述训练单元中，采用k-means聚类方法对速度区间进行划分，经过训练，得到不同速度区间的模型参数。
47.进一步地，对于每个速度区间，当前时刻误差由上一时刻模型的记忆门和隐藏层的状态、以及当前时刻对应的输入特征向量决定。
48.进一步地，所述预处理单元用于对数据进行滤波，再对数据进行降维得到用于训练模型的低维特征数据。
49.如图2所示，利用主轴热误差模型，输入温升、速度、电流等特征，即可仿真出实际的主轴热误差变化曲线。
50.如图3所示，其中(a)是主轴的运行工况，(b)是实际的运行结果，考虑运行工况的主轴热误差模型预测残差在8um以内。如图4所示，补偿前的主轴热误差最大为45um，补偿后的主轴热误差最大为13um。
51.本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。