[发明专利]基于动力学与神经网络的机床进给系统建模方法及设备

说明书

本发明公开了一种基于动力学与神经网络的机床进给系统建模方法及设备，属于人工智能与计算机辅助制造领域。该方法具体包括下面几个步骤：首先根据机床进给系统的各部件的动力学与运动学特性，推导出进给系统的动力学方程。并根据动力学方程搭建进给系统的动力学仿真模型。对于仿真模型的部分参数使用遗传算法进行辨识，得到参数的准确值。最后使用神经网络模型替代工作台位移模块，并使用原始模型各模块的输出为神经网络模型的输入特征，使神经网络输出混合模型的仿真位移。按照本发明实现的建模方法，能够提高动力学模型的非线性表达能力，提升模型的仿真精度与泛化能力。

技术领域

本发明属于人工智能与计算机辅助制造领域，涉及一种基于动力学与神经网络的机床进给系统建模方法及设备，更具体地，涉及一种基于动力学与神经网络的模块化机床进给系统建模方法。

背景技术

随着信息技术的发展，虚拟制造技术广泛应用于工业制造的各个领域，而制造过程的基础设备就是机床，所以虚拟技术也离不开虚拟机床。虚拟机床就是将机床在计算机虚拟空间中的再现。借助虚拟机床，并在其上进行性能仿真以及加工仿真，可以测试机床性能，模拟加工过程，检验加工结果，从而对机床的设计以及加工方法进行评定以及优化，大幅提高工业生产效率。虚拟机床的核心是建立机床的仿真模型。机床进给系统是机床的核心组成部分，建立高精度的机床进给系统仿真模型是建立虚拟仿真机床的基础。因此对机床进给系统仿真模型的研究具有十分重要的理论和经济意义。

目前，本领域相关技术人员已经做了一些研究，如通过刚体仿真，有限元分析，数字块仿真等技术建立仿真模型。其中对于实际加工中摩擦力的仿真是建立仿真模型的难点，由此相关学者提出了以Coulomb干摩擦模型、黏性摩擦模型、Stribeck模型为代表的几十种摩擦力模型。但是机械系统中的摩擦力与很多因素相关，涉及到力学、传热学、化学、物理学等各类学科，很难得到关于摩擦力准确的数学模型。上述模型为了解决此问题，忽略了真实环境中的存在的铰链间隙、螺纹间隙、温度变化等情况从而近似逼近真实的摩擦力，由此降低了仿真模型的仿真精度，从而使得仿真效果与实际加工情况差异较大，不能准确反应出真实的加工结果。

因此，亟需发展一种能够准确模拟出摩擦力这一非线形系统的高精度仿真模型。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于动力学与神经网络的模块化机床进给系统建模方法，其目的在于，在动力学建模方法的基础上，引入深度神经网络，通过神经网络模拟工作台与导轨间的非线性的摩擦过程，从而提高仿真模型的非线性表达能力，由此解决动力学模型仿真精度较低并且泛化能力有限的技术问题。

为了实现上述目的，本发明提供了一种基于动力学与神经网络的机床进给系统建模方法，将动力学模型与神经网络相结合，增加仿真模型的非线性表达能力，包括以下步骤：

(1)根据机床进给系统各部分的机械部件的运动学及动力学特性，建立机床进给系统机械部件的动力学方程；依据动力学方程在仿真软件上构建机床进给系统的各个模块的子模型，其中包括工作台子模型，工作台子模型的搭建考虑了工作台与导轨之间的摩擦力，引入了工作台与导轨之间的非线性的摩擦力模型；再将各个子模型整合为机床进给系统的动力学模型；该动力学模型的输入为伺服电机输入转矩，输出为工作台仿真位移；

(2)根据实际机床已知的结构、性能参数的值推算出动力学模型中相应的参数值；对于仿真模型中未知的动力学参数，采集实际机床的运行数据构建数据样本，基于所述数据样本通过优化算法对动力学仿真模型的未知的动力学参数进行辨识，进而确定动力学模型中全部参数的值；

(3)将离线训练好的深度神经网络模型替换动力学仿真模型的工作台子模型，该深度神经网络的输入为伺服电机的输入转矩以及动力学模型中除工作台子模型外其他子模型的仿真输出数据，该深度神经网络的输出为工作台的仿真位移；由此得到基于动力学与神经网络的机床进给系统仿真模型。