基于LS-SVM和神經網絡的五軸加工中心誤差補償策略
引言 加工中心誤差檢測的方法主要有單項誤差檢測和 對角線誤差檢測，五軸加工中心的誤差至少有40多 項。一般采用單項誤差檢測法，即需要對每個坐標軸 進行校準和測量，時間長，效率低，且由于數據時間間 隔過長，采集誤差的隨機性會影響數據的連續性和關 聯性，使得數據的有效性降低。而且加工中心單項誤 差的變化情況并不能與最終加工誤差有效映射，甚至 有時的變化趨勢截然相反，導致最終對單項誤差采用 的補償效果不理想，數據偏差較大。對于多軸加工中 心，經綜合考慮，采用空間誤差檢測方法能夠比較客觀 地反映刀具相對于工件的加工真實誤差，進而實施有 效的誤差補償。1五軸加工中心運動鏈構型與誤差檢測方案設計五軸加工中心如圖1所示，其從加工功能上可看 作是車削中心和銑鏜中心組合的產物。車削中心具有 8個控制軸，其中4個為聯動軸，可實現車鉆鏜復雜零 件加工；銑鏜中心比車削中心多出一個旋轉軸B軸， 共計9個控制軸，因此可實現5軸聯動，這使得五軸加 工中心能加工出表面曲線更復雜的零件。 1.1五軸加工中心運動鏈構型針對本文試驗用五軸加工中心的構型，設計滿足 空間誤差和熱誤差整體補償方案。主要依據五軸加工 中心傳動鏈的結構特點，在車主軸、銑主軸、旋轉軸、工 作臺、刀架等主要機構安裝16個檢測傳感器，通過合 理布置使所檢測的誤差更全面和有效。1.2誤差檢測方案設計誤差檢測方案具體如下：(1) 在車主軸床身和銑主軸工作臺之間，可以采 用激光多普勒干涉儀測量得到3個定位誤差、4個體 對角線誤差、個垂直度誤差以及6個直線度誤差。(2) 通過實時數據檢測可以得到主軸溫度及5個 熱漂移數據信息。采用分步對角線誤差和熱漂移誤差的綜合檢測方 案設計，可以較為直觀地獲取刀具與工件運動鏈系統 的實際誤差，完整地描述五軸加工中心的空間誤差特 性，從而進行有效的誤差補償。2神經網絡誤差補償模型五軸加工中心綜合誤差具有多樣性和不確定性， 而誤差檢測方案包含空間誤差檢測和熱誤差檢測，由 于誤差產生的原理和方式不同，這兩種誤差變化規律 大相徑庭。因此可以利用神經網絡算法，在對五軸加 工中心誤差補償的過程中自動識別系統的特性，包括 輸入空間誤差數組、熱誤差數組、預留數組，從而自動 適應系統隨時間的特性變異，以達到對誤差系統的最 優控制。2.1神經網絡的構建BP網絡結構如圖2所示，輸入層、隱含層和輸出 層分別有個單元節點；輸入層與隱含層之間的 權值為輸出層與隱含層之間權值為w; 分別表示若干層級神經單元。空間誤差和熱誤差需要運用 生物遺傳學、最優控制、支持向量機等方法建立相應的 數學模型，其輸出為五軸加工中心坐標軸的補償值。如 需補償誤差增益，則按減少期望輸出與實際輸出間誤差 的原則，運用BP神經網絡拓撲關系，從輸出層經各隱含 層，最后返回輸入端，并調整該輸入層的權重數值。2.2 LS-SVM誤差補償模型 本文的誤差辨識建模采用最小二乘支持向量機建 模。該方法是在基于BP神經網絡模型的基礎上，采 用最小二乘線性系統作為損失函數，將原問題轉化為 線性方程，從而簡化了計算，使收斂速度加快。3加工中心誤差傳感器布置 3.1測量裝置與靶標布置選用光動公司LDDM激光多普勒干涉儀對某五 軸加工中心進行了分步體對角線空間誤差檢測 。 首先 建立坐標系，確定一個立方體的空間作為檢測區域，然 后安裝激光干涉儀測量裝置，包括激光頭、反射鏡、傳 感器等。在安裝時將激光頭固定安裝于床身，同時要 將反射鏡固定安裝在Y軸對應的驅動絲杠的滑塊上。 3.2傳感器布置方案 將16個傳感器分成4組，圖3示出了部分傳感器 的具體位置。測量主軸運動及工作臺滑塊采用9號? 16號傳感器；測量主軸溫度為1號?4號傳感器；測量 機床床身溫度為5號?6號傳感器；測量機床內部環 境溫度為7號?8號傳感器。加工中心連續空載運行 6 h，采集這16處溫度值以及主軸的軸、徑向熱變形位 移。然后每隔6 mm采集一組數據并記錄，前后可以 獲得60組數據用于基于LS-SVM方法的熱誤差數據 建模計算。3.3空間誤差檢測與補償進行空間誤差檢測時，首先使銑主軸的X、Y、Z 三坐標軸聯動，檢測出4個體對角線的空間位移誤差。 用激光干涉儀沿每一條體對角線進行正向和反向測 量，獲得2組數據曲線，如體對角線B軸正向曲線和 B軸反向曲線。然后根據體對角線數據和曲線，獲得 與體對角線相對應的三坐標軸正、反向誤差。 經過多次測量，可以獲得X、Y、Z三坐標軸的定位誤 差和垂直直線度誤差。最后將多次獲取的正、反向誤 差數據取均值，獲得平均誤差。具體補償步驟如下：① 輸入向量為空間誤差數組和熱漂移數組；②輸出向量 為精工系統X、Y、Z三坐標的補償值；③根據基于空 間誤差神經網絡算法確定空間誤差輸入層至中間層的 連接權重，根據熱誤差LS-SVM函數建模確定熱誤差 輸入層至中間層的連接權重，以及計算精度值和****** 學習次數；④重復校核以驗證機床的空間誤差數據。結果分析在對五軸加工中心進行空間誤差檢測的基礎上， 通過調整對精工系統誤差進行補償，補償前、后的檢測 條件和測量方式不變，得到的補償前、后的誤差曲線分 別如圖4、圖5所示。圖4中，補償前的誤差曲線基本是平穩向上趨勢， 綜合誤差與加工中心工作行程空間基本呈線性關系， 隨著機床運動行程距離增大，累積誤差也不斷增大，誤 差整體在一10 ym?70 ^m之間。在實施誤差補償后，誤差曲線急劇波動，這反映了精工系統在用G代碼調 整后的誤差情況。可見補償后體對角線的誤差得到了 很好的改善，誤差趨勢由線性增長變為波折起伏，誤差 整體控制在一10um?32um 之間，精度提高了47. 5 %，這說明空間誤差補償效果明顯。 5結論本文設計了基于LS-SVM和神經網絡的五軸加 工中心綜合誤差檢測方案。在綜合考慮空間誤差和熱 誤差的影響條件下，提出了五軸加工中心綜合誤差補 償方法。運用LS-SVM和神經網絡算法建立了幾何 誤差和熱誤差綜合補償模型，實施整體補償之后誤差 控制在一10um?32 um之間，精度提高了 47. 5% ,取得良好的實驗效果。本文由海天精工整理發表文章均來自網絡僅供學習參考，轉載請注明！