[发明专利]一种基于梯度优化的机床进给系统数理模型参数辨识方法

说明书

本发明属于数控机床相关技术领域，并公开了一种基于梯度优化的机床进给系统数理模型参数辨识方法。该方法包括：S1建立机床进给系统的数理模型；S2采集机床实际运行数据；设定初始的待辨识参数；构建待辨识参数更新模型；S3将预设指令位置信号和当前的待辨识参数输入待辨识参数更新模型中更新待辨识参数，利用更新后的辨识参数仿真计算损失函数，判断当前损失函数与最优损失函数之间的关系：小于时，保留当前待辨识参数的值，否则损失函数增大次数增加；S4更新迭代次数，判断当前迭代次数是否达到预设最大迭代次数，是，则输出当前待辨识参数；否，则返回步骤S3。通过本发明，提高与全局损失函数之间的灵敏度低的参数的辨识效率。

技术领域

本发明属于数控机床相关技术领域，更具体地，涉及一种基于梯度优化的机床进给系统数理模型参数辨识方法。

背景技术

数控机床，作为一种高效率、高精度、高自动化的加工设备，在制造业中具有十分重要的地位，广泛应用于航空航天、汽车、核电、医疗机械、工程机械等领域。数控机床结构复杂，建立机床的数理模型有助于分析机床的动态特性，对提高机床的加工精度，改善机床动态特性有着重要作用。

机床进给系统的数理模型主要涉及伺服控制系统和机械传动系统。进给系统参数辨识的目的是使得搭建的进给系统仿真模型具有更高的仿真精度，能够更加准确地反映真实机床进给系统的动态特性，从而使仿真模型能为提高机床进给系统的动态性能、提高跟踪精度、加工效率和加工质量提供更好的帮助。

机床进给系统是复杂的机电耦合系统，进给系统数理模型往往包含大量的参数，其中存在一些难以通过测量和查表直接得到的参数，如工作台质量，工作台摩擦参数，进给系统刚度和阻尼等。进给系统参数辨识的主要对象就是这些难以确定又对进给系统的动态特性有显著影响的参数。

现有的对数理模型的多参数同时辨识的方法多基于遗传算法，如专利CN102540894B基于遗传算法来辨识机械手的参数，专利CN110543727B基于改进的粒子群算法来辨识机器人的参数，使用粒子群等遗传算法来辨识参数时，辨识过程中参数的更新往往为随机取值，算法收敛速度较慢，参数辨识的效率不高，本专利在参数辨识过程中，根据模型参数与模型仿真误差之间的梯度信息来更新模型参数，算法收敛更快，参数辨识效率更高。专利CN114169230A基于反向传播算法辨识机器人动力学参数，但是辨识过程中，待辨识的动力学参数没有进行灵敏度分析，所有的参数均使用相同的损失函数来计算梯度，当参数与损失函数之间的灵敏度较低时，则梯度小，参数更新步长小，算法收敛较慢，本专利分析模型参数与不同类型的模型仿真结果之间的灵敏度，计算每个参数的梯度时，使用最为灵敏的模型仿真结果来构建损失函数，提高了算法收敛的速度，参数辨识效率更高。

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梯度优化的机床进给系统数理模型参数辨识方法，解决数理模型参数辨识效率低的问题。

为实现上述目的，按照本发明，提供了一种基于梯度优化的机床进给系统数理模型参数辨识方法，该辨识方法包括下列步骤：

S1建立机床进给系统的数理模型，并确定待辨识参数的上下界；

S2预设指令位置信号，根据该预指令位置信号运行机床并采集机床实际运行数据；设定初始的待辨识参数；构建待辨识参数更新模型；

S3将预设指令位置信号和当前的待辨识参数输入所述待辨识参数更新模型中，以此更新所述待辨识参数，将更新后的辨识参数和指令位置信号输入所述数理模型中仿真获得仿真结果，利用步骤S2采集的机床实际运行数据和该仿真结果计算损失函数，判断当前损失函数与最优损失函数之间的关系：

当前损失函数小于当前最优损失函数时，将当前待辨识参数的值作为最优待辨识参数，同时将损失函数增大次数置零，当前损失函数作为当前最优损失函数；