关于BP神经网络数控机床热误差建模研究.pdfVIP

技术 基于BP神经网络数控机床热误差建模的研究 陈 莉，贾育秦，毕有明，陈宏军 (太原科技大学机械电子工程学院， 山西太原 030024) 控机床加工的最大误差因素。采用变惯性因子粒子群算法优化BP神经网络的权值和阈值的方法对数控机床 可以克服基本BP算法收敛速度慢和易陷入局部极值的局限，而且精度相对较高，可以很好的提高B 燕 巍 、． 。 中圈分类号：TP18 粒子群优化；数控机床；热误差露文献标识码：A 文章编号：l0o9—9492(20lI)Ol—ool6一O2 = … ■ ■■■■■■■_一 ■■■●■ll■- 1引言 ‘“”：w ‘ ’+cI ‘ ( d‘¨一Xtd㈨)十c2r2‘ ’(Q^ ‘七1一 ‘ ) 数控机床的几何误差、热误差、切削力误差和载荷误 (1) 差等是影响数控机床加工精度的主要误差源。研究表明． ( =x ( )+r ( ) (2) z id 影响高精密数控机床的最大误差源是热误差，占总误差的 70％左右。而传统的减少误差的方法有硬补偿和软补偿。 式 (1)中：C 、c：是加速系数，调节向全局最好粒子 通过硬补偿的成本高，花费大；而利用软补偿贝n成为解决 和个体最好粒子方向飞行的最大步长。n、r2是 [0，1]之 减少误差的趋势。采用软补偿方法则需要建立高精度的比 问的随机数：∞是惯性因子，是控制速度的权重。 较实用的热误差模型。在参考大量文献的基础上，本文采 为防止粒子远离搜索空间，每一维速度 都会被限制 用变惯性因子粒子群优化BP神经网络权值和阈值的方法 在 [ ， ]。若 太大，则粒子将偏离最好解； 来建立数控机床热误差补偿模型。仿真结果表明，利用该 太小，将会陷入局部最优。设将搜索空间的第d维速度定 方法加快了BP神经网络的训练速率，具有更好的收敛性。 义为区间 [叫曲 ，+ 妇 ]，则通常 由 l ，0．1≤ l≤ 2数学模型结构 1．0，每一维都用同样的方法设置。式 (1)等号右方第 l 2．1粒子群优化算法 部分可以理解为粒子先前的速度或惯性；第2部分可以理 粒子群优化 (Particle Swarm Optimizer，PSO)算法 解为粒子的 “认知”行为。表示粒子本身的思考能力；第 是一种源于对鸟群捕食行为的研究而发明的进化计算技 3部分理解为粒子的 “社会”行为，表示粒子之间的信息 术．最先由Eberhart博士和 Kenne—dy博士于 1995年提 共享与相互合作。粒子在解空间内不断跟踪个体极值与全 出。其数学意义是：设在一个D维的目标搜索空间中，有 局极值搜索．直到达到规定的最大迭代次数或小于规定的 Ⅳ个粒子组成一个群落，其中第i个粒子代表一个D维向 误差标准为止。PSO算法的基本原理及算法实现过程见文 量36i=( ，…， )，即第i个粒子在D维搜索空间中 献 【1—5]。 的位置。将 代入一个目标函数即可算出其适应值，根据 2．2 PsOBP神经网络混合算法及实现 适应值的大小衡量 是否为所要求解的最优解。第i个粒 粒子群个体位置向量的维数Ⅳ为BP网络全体权值和 子的 “飞翔”速度也是一个D维向量，记为Ui=( 。， 阈值个数之和．设输入层、隐层、输出