数控机床前馈控制扰动LSTM模型及预测分析.pdfVIP

总第267期机械管理开发Total267

2025年第7期MechanicalManagementandDevelopmentNo.7,2025

特性研究D0I:10.16525/14-1134/th.2025.07.011

数控机床前馈控制扰动LSTM模型及预测分析

张姗姗

（郑州城市职业学院智能制造学院，河南郑州452370)

摘要：为了提高数控机床的前馈控制精度，设计了一种基于长短期记忆循环神经网络(LSTM)的数控机床前馈控

制系统扰动预测模型，并开展实验测试分析。研究结果表明，在预测的过程中，较大区间内所构成的干扰信号均方

根误差都较小,达到较高准确性；在较短区间内则产生较低陡度的微扰信号。随着预报区间的增大,RMSE值逐渐

升高，同时发现,Kurtosis值呈现减小的趋势。通过减小均方根值偏差，测量结果达到更加准确状态。该研究有助于

提高机床工作效率，对后续的工艺优化奠定一定的理论基础。

关键词：数控机床；前馈控制；长短期记忆循环神经网络；预测分析

中图分类号：TH137文献标识码：A文章编号：1003-773x(2025)07-0028-02

0引言度。对于实际应用过程，此参数的最佳值设定较困难。

数控机床的控制精度直接影响到机加工质量。通构建的LSTM模型隐藏层单元如图1所示。

过前馈方式对干扰状态进行分析时，必须结合干扰探h

测结果实施判定[1]。干扰信号可以采用时间序列来描LSTM

述,而从系统层次上看,则可将其视为系统历史现象[2]。9X

该方面的研究是目前研究的热点之一。tannh

针对时间序列进行预测研究时基本都是集中在

Ci-1

提高预测精度方面，为了与前馈控制内在联系相适应[3],hi-i

在满足工程应用需求的前提下,还应充分考虑各时刻h-

21

预报误差的变化产生的影响。相关方面的研究吸引了

tannh

很多的学者,取得了一定的研究成果。姜魏梁等[4创

建机床进给系统误差系统，在经典比例微分控制基础

上增加扰动观测器的迭代学习控制，在轨迹拐角处波hulX

动幅度较小,对未知预测能力强、控制精度高。陈哲钥图1LSTM结构

等[5]建立机床进给系统动力学模型与机电耦合仿真2实验验证

模型，通过控制变量法分析进给系统固有频率的影针对机床加工工艺受外部环境因素的影响较大，

响,加人前馈补偿能够有效消除因黏性摩擦现象。难以对各影响因子进行准确辨识，本研究选取典型工

对于非线性变化过程进行分析时，传统建模方法况构建基于压力干扰信息的预测模型,从而获得更精

需设定理想假设参数，会造成研究成果缺乏调节能确的工艺参数描述。每个时间点都含有初值、极大值

和极小值，该研究通过预测获得最终结果。每隔1h

力,难以达到预期控制效果[]。根据以上分析,本文提

出了一种新的时序分析技术