CN111985149A - 一种基于卷积网络的五轴机床旋转轴热误差建模方法 - Google Patents
一种基于卷积网络的五轴机床旋转轴热误差建模方法 Download PDFInfo
- Publication number
- CN111985149A CN111985149A CN202010503738.5A CN202010503738A CN111985149A CN 111985149 A CN111985149 A CN 111985149A CN 202010503738 A CN202010503738 A CN 202010503738A CN 111985149 A CN111985149 A CN 111985149A
- Authority
- CN
- China
- Prior art keywords
- thermal
- error
- axis
- training
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 17
- 238000001816 cooling Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 11
- 238000007514 turning Methods 0.000 claims description 11
- 238000010438 heat treatment Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000003754 machining Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Numerical Control (AREA)
Abstract
一种基于卷积网络的五轴机床旋转轴热误差建模方法，它属于数控机床加工精度技术领域，该方法主要步骤：第一步，确定红外热像仪拍摄对象；第二步，拍摄升温以及降温图像；第三步，热图像拍摄完毕，采用激光干涉仪测量不同温度下C轴的转角定位误差；第四步，令C轴按照设定的速度旋转升温，升温和降温采集热图像和热误差数据持续4小时；第五步，预处理C轴热图像；第六步，增强热图像；第七步，搭建多输出分类卷积神经网络，将数据集划分为训练集、验证集和测试集，进行训练，停止训练，保存模型；第八步：输入测试集，检验模型的预测精度。本发明克服了旋转轴热误差建模检测中存在的困难，能够准确预测旋转轴热误差。
Description
技术领域
本发明属于数控机床加工精度技术领域，特别涉及一种基于卷积网络的五轴机床旋转轴热误差建模方法。
背景技术
制造业的快速发展提出了如何高效、高质量地加工复杂零件的难题，对于加工质量问题，热误差是机床加工过程中的主要误差源，在机床加工总误差占比高达70％；高效加工复杂零件，相比于传统的三轴机床，五轴机床在x、y、z三个进给轴的基础上增加了A、B、C中的两个旋转轴。得益于增加的两个旋转轴，五轴机床可以同时调节刀具相对工件的位姿，具有更好的加工灵活性和更高的加工效率。多轴加工成为了当前机床发展的趋势。因旋转轴的引入，增加了比三轴机床更多的误差项。因此，对五轴机床的旋转轴进行一种有效的热误差建模对于控制五轴机床加工误差有着关键作用。
目前针对旋转轴热误差建模的研究较少，很难找到一种有效的方案来对旋转轴热误差进行预测和补偿。究其原因在于旋转轴热误差建模补偿技术存在数据采集精准度问题和温度关键点筛选问题。
发明内容
本发明为克服现有技术不足，提供一种基于卷积网络的五轴机床旋转轴热误差建模方法。
本发明的技术方案是：一种基于卷积神经网络的旋转轴热误差建模方法，它包括：
第一步，确定红外热像仪拍摄对象；
第二步，采用红外热像仪拍摄C轴区域升温以及降温图像；
第三步，热图像拍摄完毕，采用激光干涉仪测量不同温度下C轴的转角定位误差，一次转角定位误差测量过程中，测量起点和终点分别为0°，360°，每10°采集一点数据，共36点；
第四步，令C轴按照设定的速度旋转升温，升温过程中每间隔一定时间重复第二步、第三步以采集热图像和热误差数据，升温五小时后C轴停转并降温，降温过程中每间隔一定时间重复上述步骤采集热图像和热误差数据，降温持续4小时；
第五步，预处理C轴热图像
将热图像转化为数组后，减去初始热图像数组，得到的图像数组再转化为图像；
第六步，增强热图像
将预处理后的热图像进行翻转和旋转操作，包括上下和左右翻转，逆时针旋转90°、180°和270°；
第七步，搭建热误差预测卷积神经网络
搭建的热误差预测卷积神经网络属于多输出分类卷积网络，可预测一张输入图片的多个标签，标签和热图像组成数据集，将数据集划分为训练集、验证集和测试集，开始进行训练，训练精度在验证集上达到90％以上，停止训练，保存模型；
第八步：输入测试集，检验模型的预测精度，若预测精度未达到90％以上，再次对模型进行训练，直至预测精度达到90％以上。
本发明相比现有技术的有益效果是：
本发明采用红外热像仪采集五轴机床旋转轴升温、降温热图像；激光干涉仪测量不同温度下旋转轴转角定位误差，多点转角定位误差采集，将测量得到的热误差数据进行处理，拟合为正弦曲线，将正弦函数参数作为标签，与热图像对应，形成数据集，最后，设计多输出分类的卷积神经网络模型完成训练与测试，得到旋转轴热误差的准确预测。
卷积神经网络具有对大量图像数据信息进行实时分析的能力，并能从复杂的海量图像数据中挖掘实施对象的内在规律，自动提取输入图片特征并通过卷积神经网络对提取的特征进行计算，能克服热误差建模检测技术中存在的困难，实现复杂工况下的热误差鲁棒建模检测，能够准确预测旋转轴热误差。
采用多输出分类卷积网络模型，可以对旋转轴转角热误差实现准确预测，可预测一张输入图片的多个标签，大大减少训练参数，降低建模要求，缩短训练时间，提高建模效率。
下面结合附图和实施方式对本发明的技术方案作进一步地说明：
附图说明
图1是本发明基于卷积网络的五轴机床旋转轴热误差建模过程图；
图2是C轴六项几何误差示意图；
图3是拍摄的旋转轴热图像图；
图4是机床C轴及蜗轮蜗杆的示意图；
图5是实施例搭建的多输出卷积神经网络架构图；
图6是实施例中C轴的一组转角定位误差测量值曲线图；
图7是实施例中C轴的原始误差和一组转角定位误差拟合结果曲线图；
图8是实施例中C轴温度状态变化曲线图；
图9是实施例中预测曲线与实际热误差对比图；
图10是实施例中测试集C轴热误差模型预测值与实际值残差图。
具体实施方式
如图2所示，旋转轴旋转过程中，会产生六项几何误差。以C轴为例，包括沿x、y、z三个方向的位置误差δx(c)、δy(c)、δz(c)和绕x、y、z轴的角度误差εx(c)、εy(c)、εz(c)。其中，转角定位误差对旋转轴精度影响最大。为了有效地提高五轴机床加工精度，针对温度对转角定位精度的影响作为研究对象。
参见图1-图5所示，本实施方式的基于卷积网络的五轴机床旋转轴热误差建模方法，它包括：第一步，确定热像仪拍摄对象；如图3和图4所示，五轴机床C轴由电机、齿轮副、蜗轮蜗杆驱动，相比于齿轮传动，蜗轮蜗杆传动因轴向力较大，传动效率较低，容易发热，C轴热误差的主要研究对象，因此把涡轮蜗杆区域作为热图像拍摄对象；
第二步，采用红外热像仪拍摄C轴涡轮蜗杆区域升温以及降温图像；
第三步，采用激光干涉仪测量不同温度下C轴的转角定位误差，一次转角定位误差测量过程中，测量起点和终点分别为0°，360°，每10°采集一点数据，共36点；通过对36个转角误差拟合，将其转化为对正(余)曲线三个参数的预测。大大减少训练参数，降低建模要求，缩短训练时间，提高建模效率。
36个转角定位误差值由3个函数参数替代表示。通过激光干涉仪测量得到的一组C轴转角定位误差即36个转角定位误差点的分布呈近似周期为2π的正弦函数或者余弦函数分布。这是因为机床采用全闭环控制系统，C轴的转动角度由测量元件圆光栅反馈，反馈结果与指令转角进行比较，按闭环进行工作。圆光栅是利用莫尔条纹进行工作的，正弦性是莫尔条纹的一个性质。为减少训练参数，将测量得到的转角定位误差拟合为正弦曲线函数：
y＝a·sin(π·β/180+b)+c
式中，参数a为光栅安装偏心率，b为相位差，c为高阶小量，β为旋转轴的转动角度；
以a、b、c三个参数作为标签，经过拟合，模型由36个训练与预测结果减少到了3个训练与预测结果，对C轴转角定位误差的直接预测转化为误差曲线参数的预测，模型只需三个分类器即可完成训练。如此设置，大大减少了训练参数，降低了建模要求，缩短训练时间，提高了建模效率。
第四步，令C轴按照设定的速度旋转升温，升温过程中每间隔6分钟重复第二步、第三步以采集热图像和热误差数据，升温五小时后停转降温，降温过程中每间隔6分钟重复上述步骤采集热图像和热误差数据，降温持续4小时；
第五步，预处理C轴热图像
剔除初始温度影响，将图像转化为数组后，减去初始图像数组，得到的图像数组再转化为图像；
第六步，增强热图像
将预处理后的图像进行翻转和旋转操作，包括上下和左右翻转，逆时针旋转90°、180°和270°；如此设置，有2个作用，一是扩充热图像数量；二是让模型在预测同一温度下旋转轴热误差的时候不会受到热图像角度不同的影响；
第七步，如图5所示，搭建热误差预测卷积神经网络
搭建的热误差预测卷积神经网络属于多输出分类卷积网络，可预测一张输入图片的多个标签，标签和热图像组成数据集，将数据及按8:1:1划分为训练集、验证集、测试集。开始进行训练，训练精度在验证集上达到90％以上，停止训练，保存模型；
搭建的热误差预测卷积神经网络属于多输出分类卷积网络。与普通多标签输出分类卷积网络相比，本实施方式提出的多输出分类卷积网络有相同的卷积层、激活层、池化层、全连接层，和仅有一组全连接层的多标签输出分类模型不同于，多输出分类卷积网络模型有并行的多组全连接层，可预测一张输入图片的多个标签。
可选地，本实施方式搭建的多输出分类模型由卷积层、激活层、池化层和并行的三组全连接层组成；
其中，卷积层:为了清楚的描述卷积计算过程，首先对图像的每个像素进行编号，xd,i+m,j+n表示图像的第d层第i+m行第j+n列像素；ωd,m,n表示滤波器的第d层第m行第n列权重,用wb表示滤波器的偏置项；对特征图的每个元素进行编号，用ai,j表示特征图的第i行第j列元素；D是深度；F是滤波器的大小(宽度或高度，两者相同)，用f表示激活函数，W2是卷积后特征图的宽度；W1是卷积前图像的宽度；F是滤波器的宽度；P是零填充的数量(在原始图像周围补几圈0)，S是步幅，H2是卷积后特征图的高度，H1是卷积前图像的宽度，使用下列公式计算卷积；
W2＝(W1-F+2P)/S+1
H2＝(H1-F+2P)/S+1
激活层：图像数组经过激活层，引入了非线性特征，采用ReLU，运算公式如下：
f(x)＝max(0,x)
池化层：滤波器大小为3×3，步幅为2，使特征图尺寸减小，提取更加有效的图像信息，前向传播计算完毕后，开始对模型进行训练调参，全连接层可以利用梯度下降方法，通过反向传播算法得到最佳权重参数以及偏置项参数。
进一步地，卷积层训练的原理同全连接层是一样的，卷积层训练利用链式求导计算损失函数对每个权重的偏导数，然后根据梯度下降方法更新权重，通过反向传播算法得到最佳权重参数以及偏置项参数，调整好权重参数以及偏置项参数后，使多输出卷积神经网络模型精度达到预期精度。
第八步：输入测试集，检验模型的预测精度，若预测精度未达到90％以上，再次对模型进行训练，直至预测精度达到90％以上。
实施例
本实施案例在一台五轴数控加工中心(DMU70V型机床)上进行操作，按照图1-图5说明，以及第一步和第二步，采集涡轮蜗杆区域热图像；在数据标定时，如图6所示，用激光干涉仪采集不同温度状态下的C轴转角定位误差作为研究的C轴热误差；如图7所示，图中方块实心黑点代表原始误差，平滑曲线表示拟合曲线，将采集到的热误差拟合为正(余)弦函数，将a、b、c函数参数设置为标签；如图8所示，实验分为升温和降温过程，升温时，设置C轴转速3200°/min，使C轴按照设定速度顺时针与逆时针交替旋转360°共五小时，降温时，C轴停转4小时，共9小时；对数据进行预处理以及数据扩充后，制作数据集，分为训练集、验证集、测试集。如图5所示，搭建好多输出分类卷积神经网络，有三组平行的全连接层，随后输入数据集进行训练以及预测，得到准确的热误差并与实际热误差进行比较，结果如图9所示。
图9为C轴旋转一周的一组数据的预测曲线与实际热误差对比结果，其中带有■的曲线代表预测拟合曲线，用▲表示的散点代表用激光干涉仪测量的实际热误差值，带●的曲线表示预测残差，为实际热误差测量值与模型预测值间的误差。图10为在预测集上C轴热误差预测值与实际热误差值36个转角最大残差图，图10显示在一次预测中最大残差在8-12弧秒之间，说明基于卷积网络预测的旋转轴热误差与实际值较为吻合，该方法能够高效准确预测旋转轴热误差，为旋转轴热误差的精确补偿提供理论保障，提高五轴数控机床的整体加工精度。
本发明已以较佳实施案例揭示如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，依据本发明的技术实质对以上实施案例所做的任何简单修改、等同变化与修饰，均仍属本发明技术方案范围。
Claims (7)
1.一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：它包括：
第一步，确定红外热像仪拍摄对象；
第二步，采用红外热像仪拍摄C轴区域升温以及降温图像；
第三步，热图像拍摄完毕，采用激光干涉仪测量不同温度下C轴的转角定位误差，一次转角定位误差测量过程中，测量起点和终点分别为0°，360°，每10°采集一点数据，共36点；
第四步，令C轴按照设定的速度旋转升温，升温过程中每间隔一定时间重复第二步、第三步以采集热图像和热误差数据，升温五小时后C轴停转并降温，降温过程中每间隔一定时间重复上述步骤采集热图像和热误差数据，降温持续4小时；
第五步，预处理C轴热图像
将热图像转化为数组后，减去初始热图像数组，得到的图像数组再转化为图像；
第六步，增强热图像
将预处理后的热图像进行翻转和旋转操作，包括上下和左右翻转，逆时针旋转90°、180°和270°；
第七步，搭建热误差预测卷积神经网络
搭建的热误差预测卷积神经网络属于多输出分类卷积网络，可预测一张输入图片的多个标签，标签和热图像组成数据集，将数据集划分为训练集、验证集和测试集，开始进行训练，训练精度在验证集上达到90％以上，停止训练，保存模型；
第八步：输入测试集，检验模型的预测精度，若预测精度未达到90％以上，再次对模型进行训练，直至预测精度达到90％以上。
2.根据权利要求1所述一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：它包括：第三步中激光干涉仪测量得到的36个转角定位误差点的分布呈近似周期为2π的正弦函数或者余弦函数分布。
3.根据权利要求2所述一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：第三步中测量得到的转角定位误差拟合得的正弦曲线函数是：
y＝a·sin(π·β/180+b)+c
式中，参数a为光栅安装偏心率，b为相位差，c为高阶小量，β为旋转轴的转动角度；
以a、b、c三个参数作为标签。经过拟合，模型由36个训练与预测结果减少到了3个训练与预测结果，对C轴转角定位误差的直接预测转化为误差曲线参数的预测。
4.根据权利要求3所述一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：将数据集按8:1:1划分为训练集、验证集和测试集。
5.根据权利要求4所述一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：所述多输出分类卷积网络包含卷积层、激活层、池化层和并行的三组全连接层；
卷积层:为了清楚的描述卷积计算过程，首先对图像的每个像素进行编号，xd,i+m,j+n表示图像的第d层第i+m行第j+n列像素；ωd,m,n表示滤波器的第d层第m行第n列权重，用wb表示滤波器的偏置项；对特征图的每个元素进行编号，用ai,j表示特征图的第i行第j列元素；D是深度；F是滤波器的大小，用f表示激活函数，W2是卷积后特征图的宽度；W1是卷积前图像的宽度；F是滤波器的宽度；P是零填充的数量，S是步幅，H2是卷积后特征图的高度，H1是卷积前图像的宽度，使用下列公式计算卷积；
W2＝(W1-F+2P)/S+1
H2＝(H1-F+2P)/S+1
激活层：图像数组经过激活层，引入了非线性特征，采用ReLU，运算公式如下：
f(x)＝max(0,x)
池化层：滤波器大小为3×3，步幅为2
前向传播计算完毕后，开始对模型进行训练调参，全连接层利用梯度下降方法，通过反向传播算法得到最佳权重参数以及偏置项参数。
6.根据权利要求5所述一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：卷积层训练利用链式求导计算损失函数对每个权重的偏导数，然后根据梯度下降方法更新权重，通过反向传播算法得到最佳权重参数以及偏置项参数，调整好权重参数以及偏置项参数后，使多输出卷积神经网络模型精度达到预期精度。
7.根据权利要求6所述一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：第四步，升温过程中每间隔6分钟重复第二步、第三步以采集热图像和热误差数据，升温五小时后C轴停转并降温，降温过程中每间隔6分钟重复上述步骤采集热图像和热误差数据，降温持续4小时。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010503738.5A CN111985149A (zh) | 2020-06-05 | 2020-06-05 | 一种基于卷积网络的五轴机床旋转轴热误差建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010503738.5A CN111985149A (zh) | 2020-06-05 | 2020-06-05 | 一种基于卷积网络的五轴机床旋转轴热误差建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111985149A true CN111985149A (zh) | 2020-11-24 |
Family
ID=73442110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010503738.5A Pending CN111985149A (zh) | 2020-06-05 | 2020-06-05 | 一种基于卷积网络的五轴机床旋转轴热误差建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985149A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112147951A (zh) * | 2020-09-28 | 2020-12-29 | 沈机（上海）智能系统研发设计有限公司 | 机加工设备热误差补偿方法及其装置、系统、介质、终端 |
| CN113076616A (zh) * | 2021-04-30 | 2021-07-06 | 重庆大学 | 考虑全误差信息因素的蜗轮母机精度主动设计分配方法 |
| CN114227379A (zh) * | 2021-12-14 | 2022-03-25 | 东莞市巨冈机械工业有限公司 | 一种基于卷积神经网络的五轴数控机床智能监控系统 |
| CN114905332A (zh) * | 2022-05-20 | 2022-08-16 | 重庆大学 | 基于单轴运动的机床旋转轴位置相关几何误差辨识方法 |
| CN118260890A (zh) * | 2024-05-30 | 2024-06-28 | 中航西安飞机工业集团股份有限公司 | 一种进给轴热致定位误差解耦建模方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105241382A (zh) * | 2015-10-16 | 2016-01-13 | 合肥工业大学 | 时栅转台热误差测量系统及其测量计算方法 |
| CN108919746A (zh) * | 2018-07-05 | 2018-11-30 | 大连理工大学 | 一种转摆台的热误差测试与分析方法 |
| CN109739181A (zh) * | 2019-01-22 | 2019-05-10 | 宁波大学 | 一种基于检测神经网络的数控机床主轴热误差建模检测方法 |
| CN109765846A (zh) * | 2019-03-11 | 2019-05-17 | 哈尔滨理工大学 | 双转台五轴数控机床热误差建模温度敏感点的选择方法 |
-
2020
- 2020-06-05 CN CN202010503738.5A patent/CN111985149A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105241382A (zh) * | 2015-10-16 | 2016-01-13 | 合肥工业大学 | 时栅转台热误差测量系统及其测量计算方法 |
| CN108919746A (zh) * | 2018-07-05 | 2018-11-30 | 大连理工大学 | 一种转摆台的热误差测试与分析方法 |
| CN109739181A (zh) * | 2019-01-22 | 2019-05-10 | 宁波大学 | 一种基于检测神经网络的数控机床主轴热误差建模检测方法 |
| CN109765846A (zh) * | 2019-03-11 | 2019-05-17 | 哈尔滨理工大学 | 双转台五轴数控机床热误差建模温度敏感点的选择方法 |
Non-Patent Citations (5)
| Title |
|---|
| 吴斌等: "小型精密谐波转台角度定位精度标定与补偿", 《光学精密工程》, vol. 27, no. 10, pages 2209 - 2210 * |
| 张礼松;管炳良;: "关节坐标测量机研制中圆光栅误差修正技术", 计测技术, no. 04, 20 August 2007 (2007-08-20), pages 41 - 43 * |
| 汪荣贵: "《机器学习简明教程》", 30 April 2020, 机械工业出版社, pages: 186 * |
| 高贯斌;王文;林铿;陈子辰;: "基于RBF神经网络的关节转角误差补偿", 机械工程学报, no. 12, 20 June 2010 (2010-06-20), pages 21 - 22 * |
| 黄奕乔;冯文龙;沈牧文;杨建国;: "五轴数控机床旋转轴转角定位误差建模及补偿", 机械设计与制造, no. 03, pages 157 - 159 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112147951A (zh) * | 2020-09-28 | 2020-12-29 | 沈机（上海）智能系统研发设计有限公司 | 机加工设备热误差补偿方法及其装置、系统、介质、终端 |
| CN113076616A (zh) * | 2021-04-30 | 2021-07-06 | 重庆大学 | 考虑全误差信息因素的蜗轮母机精度主动设计分配方法 |
| CN113076616B (zh) * | 2021-04-30 | 2022-11-11 | 重庆大学 | 考虑全误差信息因素的蜗轮母机精度主动设计分配方法 |
| CN114227379A (zh) * | 2021-12-14 | 2022-03-25 | 东莞市巨冈机械工业有限公司 | 一种基于卷积神经网络的五轴数控机床智能监控系统 |
| CN114905332A (zh) * | 2022-05-20 | 2022-08-16 | 重庆大学 | 基于单轴运动的机床旋转轴位置相关几何误差辨识方法 |
| CN118260890A (zh) * | 2024-05-30 | 2024-06-28 | 中航西安飞机工业集团股份有限公司 | 一种进给轴热致定位误差解耦建模方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985149A (zh) | 一种基于卷积网络的五轴机床旋转轴热误差建模方法 | |
| Zhang et al. | Machine tool thermal error modeling and prediction by grey neural network | |
| Abdulshahed et al. | Thermal error modelling of a gantry-type 5-axis machine tool using a grey neural network model | |
| CN113051831B (zh) | 机床热误差自学习预测模型建模方法及热误差控制方法 | |
| Zhang et al. | Measurement and compensation for volumetric positioning errors of CNC machine tools considering thermal effect | |
| CN101943896B (zh) | 数控机床误差的轨迹再生补偿方法 | |
| US6178389B1 (en) | Method of determining the measuring uncertainty of a coordinate measuring device | |
| CN108363870A (zh) | 一种基于深度学习的数控机床主轴热误差建模方法 | |
| CN109739181B (zh) | 一种基于检测神经网络的机床主轴热误差建模检测方法 | |
| Mou | A method of using neural networks and inverse kinematics for machine tools error estimation and correction | |
| CN104268876B (zh) | 基于分块的摄像机标定方法 | |
| CN112668220B (zh) | 一种基于有限元分析的航天装置结构三维热变形测量方法 | |
| CN110376963A (zh) | 一种基于在位检测的闭环控制精密加工方法及系统 | |
| CN102540884A (zh) | 工具机热误差智能调适装置及其方法 | |
| Zhu et al. | Noncontact 3-D coordinate measurement of cross-cutting feature points on the surface of a large-scale workpiece based on the machine vision method | |
| Shi et al. | Thermal error modeling of machine tool based on dimensional error of machined parts in automatic production line | |
| Tan et al. | Geometrical error compensation of precision motion systems using radial basis function | |
| Galantucci et al. | Multistack close range photogrammetry for low cost submillimeter metrology | |
| Son et al. | Path planning of multi-patched freeform surfaces for laser scanning | |
| CN106671081B (zh) | 一种基于单目视觉的少自由度机器人运动学标定方法 | |
| CN109709895B (zh) | 一种基于图像阈值设置的机床主轴热误差建模训练方法 | |
| Reddy et al. | Real-time thermal error compensation module for intelligent Ultra Precision Turning Machine (iUPTM) | |
| Blaser | Adaptive learning control for thermal error compensation | |
| Wang et al. | Artificial neural network-based thermal error modelling in ball screw | |
| Janik | The method of a material loss detection for cylindrical shape parts of elements with a 3D scanning application |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |