基于双深度神经网络的轮廓误差补偿策略研究
五轴数控机床的加工精度通常由轮廓误差指标来衡量.传统的轮廓误差降低策略主要包括精确的轮廓误差估计和有效的轮廓控制器设计.然而,传统策略存在刀具路径轮廓误差在线估计或控制器设计复杂等问题.为此,从机床输入驱动指令和输出末端位姿的映射出发,针对五轴数控机床加工大批量工件提出基于数据驱动的轮廓误差补偿策略.调整PID控制器参数保证系统单轴伺服的稳定跟踪,同时采集各伺服轴的输入指令和机床的实际输出位姿.针对五轴数控机床的刀具位姿和刀轴方向分别搭建位姿和方向两个深度神经网络,并基于数据训练所得的神经网络模型预测系统新的输入参考指令.采用五轴刀具路径开展轮廓跟踪试验.试验结果表明:所提出的基于深度神经网络的轮廓误差补偿策略不需要刀具路径轮廓误差的在线估计和控制器的有效设计,即可有效降低刀具路径的位置和方向轮廓误差.
参考输入、轮廓误差、轮廓控制、深度神经网络
55
TP273(自动化技术及设备)
国家重点研发计划2017YFB1301501;国家自然科学基金91748114,51535004
2019-04-25(万方平台首次上网日期,不代表论文的发表时间)
共8页
130-137