基于神经网络刀具位置误差建模与仿真研究.docVIP

基于神经网络刀具位置误差建模与仿真研究 　　摘要：非球面加工过程中，刀具位置误差对加工工件精度影响较大。本文利用神经网络非线性映射特性来建立非球面超精密磨床刀具位置误差模型。利用模型对非球面加工时刀具位置误差进行预测。最后通过仿真结果表明，利用建立的神经网络模型可以对刀具位置误差进行高精度预测，并且根据预测误差，对刀具位置误差进行补偿成为可能。 　　关键词：非球面 运动误差 位置误差 神经网络 　　中图分类号：TG51 　　 　　0 引言 　　 　　对于超精密磨削的数控系统而言，其轮廓加工轨迹是多轴协调运动的结果。在进行超精密加工时，由于各轴的运动都具有一定的误差，使得刀具的实际位置与理论位置存在较大的误差,最后这些误差都会非线性的反映到加工工件面形精度中去。为了提高工件的加工精度，本文引入神经网络建模的方法，利用神经网络可模拟任意非线性函数的特性，对非球面超精密磨削时的刀具位置误差进行建模。最后根据试验中所测得数据，对所建立的模型进行验证。 　　 　　1 非球面加工的位置误差分析 　　 　　进行超精密磨削时，由于刀具只能在X-Z平面内运动，工件的回转运动形成Y方向的进给运动，可以把工件几何中心O为原点并以该点的法向量为一个坐标轴的直角坐标系。如果将砂轮的起点位置固定，比如说，固定在工件的几何中心O点，那么可以将位移向量OP,OA,OB,OC,OD……中的起点位置略去，分别记为P,A,B,C,D……，而将误差符号EOP,EOA,EOB,EOC,EOD分别写成EP,EA,EB,EC,ED于是，误差向量就成为工件加工中程序指令位置P的函数。这里可把随机误差略去，得 　　 EP=PR-P=E（P）(1) 　　于是，在整个加工空间内，砂轮的加工误差成为程序指令点的函数，即成为一个“位场”。 　　由于程序指令位置的微小变化ΔP只引起加工误差ΔEP的微小变化，或者，更全面地说，程序指令移动的起点A或终点P的微小变化ΔA=AA/或ΔP=PP/，只引起加工误差ΔEAP的微小变化。 　　(2) 　　式中dA，为列向量dA=[dAx dAy dAz]T，dP=[dPx dPy dPz]T， 　　和是向量对于向量的偏微分。可见，当dA，dP为微小量时，加工误差的变化ΔEAP也是微小量。 　　 　　2 非球面加工位置误差的神经网络模型 　　 　　本文选择3层误差反向传播（error back Propagation，简称BP）的神经网络，根据以上对几何误差的分析，用神经网络来建立几何误差模型。本文选择3层误差反向传播（error back Propagation，简称BP）的神经网络，以程序指令位置坐标(x,z)为输入，输入层共2个节点，对应测量得到的运动误差值(Δx,Δz)为输出，也共有2个节点，隐含层根据经验公式选择5个节点，建立相应的BP神经网络。因为神经网络实现的是非线性映射的问题，所以隐含层传递函数采用sigmoid型函数，输出层传递函数采用线性函数，以保证较大的输出范围。 　　神经网络的输入层有n个神经元（测量得到的指令位置），隐层中有m个神经元。输出层的输出，也就是整个网络的输出（测量得到的样本点误差）为Q。网络中输入层的输入分别为P1，P2，…，隐层各神经元的输入分别为： 　　 (i=1,2,……………m) (3) 　　上式中，Wij为隐层神经元i与输入神经元j的连接权，为隐层神经元的阈值，隐层神经元的输出为： 　　输出层的阈值为vk，则网络输出层中各神经元的输出为： 　　 (k=1,2，…,l) 　　其中，l为网络输出层神经元数，输出层神经元与隐层神经元的连接权为Vki。 　　神经网络的目标函数是根据随机产生的权值向量和阈值向量，对给定的输入集和输出集计算出每个神经网络的全局误差，即： 　　其中，Di(p)为标准输出，Qi(p)为实际输出。P为训练集合中所含的输入模式数；m为输出层神经元数。 　　 　　3 误差模型仿真验证 　　 　　神经网络参数设定:学习速率η=0.25；目标误差e=0.0001；最大训练步数：300。得到神经网络训练和网络输出。X向和Z向误差如图1和2所示。 　　从神经网络训练结果图可以看出，此网络的训练结果比较理想，网络的训练误差比较小。图1和2表示不同位置的神经网络输出值和实际测量值之差，根据神经网路的训练结果可以得出，在X轴方向差值范围为0.127~0.431μm，在Z轴方向差值范围为0.116μm~0.403μm。 　　 　　4 结论 　　 　　本文利用神经网络的非线性映射特点，建立了非球面加工时刀具位置误差的模型。通过仿真结果表明，这种利用神经网络的非线性映射特点来建立几何模型的方法比较简单，神经网络模型能正确反映误差测量值和