在线检测系统中对预行程误差预测和补偿的应用分析

本资料包含pdf文件1个，下载需要1积分

近几年，-些专家学者专门研究了在线检测系统预行程误差，检测是控制产品的质量的重要环节，但是，传统机械的加工生产过程中，检测与加工的操作分开的，这种情况下，就出现了二次性的定位误差，数控机床的在线检测为解决这类问题，提供了更加行之有效的措施和途径。下面通过了解BPI]正规化RBF神经网络的预测方法，来探讨与分析在线检测系统中，对预行程误差预测和补偿。

1影响在线检测精度的原因及对其误差的控制与补偿伴随着高密度加工技术的进步与发展，产业对数控机床在线检测的精确度，有了更高的要求，这种情况下，要想实现对数控机床进行高精度的在线检测，更有效的方法，就是要对影响控制机床检测系统精密度的因素，做更加详细的研究与分析，这样才能在最大限度上避免检测中产生的误差，也可以根据影响检测精度的因素对误差进行最大程度的补偿，以实现数控机床更加精确的在线检测。调查发现，影响检测机床精确度的因素主要有：测头半径补偿、几何误差以及测头预行误差三种因素，但是，当机床热平衡后，测头预行程误差和机床集合误差就成为影响数控机床检测的最主要的原因，所以，这种误差也可以表示为a f(△l，△2)，其中△l表示机床几何 误差，△2表示测头预行程误差，f表示机床误差，测头误差与在线检测误差之间的参数函数关系，用构建数控机床的形式对数学模型进行在线检测，从而识别并测量模型中的各个误差参数值，最终实现对在线检测中系统存在误差现象的补偿。

2基于BP神经网络，预行程误差预测模型的构建2.1 BP神经网络方法ANN是-种对人的大脑进行物理结构层的模拟 ，也就是用电脑仿真的方法，运用物理结构对人脑进行模拟 ，具有自组织、自学习、自适应、高度非线性映射以及高容错的能 力，同时，ANN的网络始终开放，具 有自主再学习的功能，很大程度上提高了系统的适用范围和精确度，BP也是目前世界上应用最广 最成熟的神经网络之-，实现每层神经元无连接，而上下层全连接的状态，经过各个隐含的层面，使神经元的激活值由输入层传播到输出层，与此同时，输出层获得输入响应，在按以减少实际输出和目标输出误差的方向，通过各隐含层从输出层再回到输入层，最后逐层修复个链按的偏置值和权值，此算法被称为误 差传播反向算法”即BP，随着PB修正方法的不断进行，输入模式响应中，网络的正确率也逐渐的上升，目前，BPi经网络被更多的应用于组合优化、预测控制及模式识别等领域中。

2.2检测数据的采集实验 设备中机床是 经机 电研究 院研究制 定的VMc 75O加工中心，这 种机床设备采用FANUc OI-M的系统 ，精确定位达到0.005 mil，侧头是哈尔滨的先锋机电公司研制的，触发式的，有线的通讯测头系统，侧头尺寸为225×60(mm)，测针摆动的角度为15。，测针复位后，精确度小于0.001 mm，每次的实验数据中，要测量73个方向上的73个测点，同时这些测点在标准球的北极点及三个维度上布局，其中三个纬度的角为：90。、60。和30。。

3基于正则化RBF的预行误差预测模型正则化 RBF网络，是种通用的逼近器，以足够 多的隐节点为基础，可以任意的精度值像任意的连续 的多元函数迫近，同时具有极佳的逼近特征，同时满足对迫近曲线的平滑性与对样本逼近时产生的误差，通过用正则化 RBF的算法，运用对网络的训练实验 ，可实现非线性映射的空间输入及输出，进而建立 起预行程误差模式。

4预测模型误差的精度分析根据正规化RBF的网络原理，对预行程误差进行模型实验：从l297个测试点预行程误差内，取出649个探测点作为实验数据，剩下的648个作为用预测算法验证的网络训练数据，通过正规化 RPF的网络实验后，预测其他的648个测试点，并与在实验模型中对应的，进行实际测量的预行程误差相比，最终得出RBF算法的精度预测，结果如图1所示。

图1图1中的虚线代表经过正规化RBF而得出的预测情况，实现则代表实际测量时得出的预行误差，两条线条重合的部分为RBF预测算法的精确度，下图可以看出，大多数的预测值的精确度均在0.003 mm以下，只有少数的预测精度值在0.005 mm左右，另外，只有-个预测点的在0.007 mm左右。

量 ： 0.∞O0O OO图2检测是控制产品质量的重要环节，建立基于正则化 RBF的神经网络算法的预测误差模型，以及基于BP神经网络在线检测系统的预行误差预测和补偿方法等尤为重要，搭建更加先进的在线检测系统 ，大大提高了在系统操作过程中的精确率，更好的解决了在在线检测系统中出现的对预行程中，所产生的预测误差和补偿的问题。