CN102699761B - 基于“s”形检测试件的五轴数控机床的误差辨识方法 - Google Patents

Abstract

本发明涉及一种基于“S”形检测试件的五轴数控机床的误差辨识方法。包括如下步骤：步骤1.切削“S”形试件；步骤2.测量步骤1切削后的“S”形试件的法向误差；步骤3.建立“S”形试件法向误差与机床因素的映射关系数据库；步骤4.溯源影响机床精度的主要因素；步骤5.运用BP神经网络量化辨识步骤4中得到的机床因素。本发明的有益效果是：采用该方法不仅能够对机床精度进行评判，而且当机床精度达不到要求时还能给出机床精度的优化方案，从量值上对影响机床精度的机床因素进行调整，从而达到机床高精度的要求。

Description

基于“S”形检测试件的五轴数控机床的误差辨识方法

技术领域

本发明属于数控机床技术领域，尤其涉及五轴数控机床的误差检测的技术领域。

背景技术

五轴联动数控机床（简称五轴数控机床）在发展先进制造业中的地位和在提高军工、航天航空、能源等行业的整体技术水平过程中所起的作用重大。因此，对五轴联动数控机床的加工精度、加工效率提出了更高的要求。数控机床因素可以划分为静态因素和动态因素两大类，其中静态精度是在没有切削载荷下且机床不运动或运动速度很低的工况下检测的，由于高档数控机床制造装备技术的提升，静态精度只能在有限层面上反映出高档机床的加工精度，动态精度才是影响高档数控机床加工精度的主要因素。

五轴联动数控机床的误差辨识的思想是通过对机床加工误差的检测与评定来对机床的加工性能进行评价。目前比较常用的五轴数控机床的误差辨识方法主要有以下几种：

（1）基于激光干涉仪的九线辨识法：九线辨识法的精髓在于只检查机床工作台坐标系中9条直线上的位置误差和直线度误差来实现对机床21项基本几何误差的辨识。首先选择三个平动轴中的一个平动轴运动而另外两个轴保持静止，在工作台坐标系中选择三条直线，测量出三条直线上各点的位移误差。而且在测量其中一条直线位移误差的同时测量出相互垂直两个方向的直线度误差，在测量另一条直线位移误差的同时测量出一个方向的直线度误差，基于测出来的直线度误差和位移误差建立起6个线性方程，求解方程组就可以得到运动轴的6项基本误差，同理便可以求解出另外两个平动轴的12项基本误差。最后通过读取激光干涉仪在测量直线度误差时直线偏离基准的修正角便可以得到3项垂直度误差。

（2）基于球杆仪方法的误差辨识方法：球杆仪的两端有高精度钢球组成，一端固定，另一端连接着一个高精度位移传感器。两个钢球两端通过三点定位的磁性吸座定位，一端吸附在主轴上，而另一端则吸附在工作台上，如图1所示。其主要是用于测量数控机床两轴联动精度的测量，分别可以测量X-Y，X-Z和Y-Z平面的两轴联动精度。当工作台相对于主轴作圆周插补运动时，形成一个模拟切削的圆弧轨迹，传感器采集两钢球间距离的变化并传递给计算机，经软件诊断分析，得到两轴联动的圆度精度并分离出各种单项误差，如反向间隙、反向跃冲、伺服不匹配、比例不匹配、直线度、垂直度、周期误差以及横向间隙等。

（3）基于NAS 979（美国国家航宇标准）检测试件的误差辨识：美国NAS 979制定了“圆形-菱形-方形”形试件切削实验标准，通过试切该检测试件分别检测机床沿X坐标的直线度，X、Y、Z坐标之间的垂直度，以及数控插补的直线度、圆度和X-Y平面上孔的位置精度等。因为机床各坐标轴的误差与行程之间存在线性关系，该标准规定切削试件的相应尺寸根据机床各坐标的行程确定。这样使得利用小尺寸试件检测大行程的工作精度更加合理。

下面对上述几种误差辨识方法进行比较：

基于激光干涉仪的九线辨识法仅仅是在机床单轴做直线运动的情况下对机床21项单项几何误差进行辨识，没有反映出多轴联动情况下各轴的配合精度。而且机床各运动轴是在空载慢速情况下来检测单项几何误差，并不能反映出对机床加工性能具有重要影响的机床动态性能。因此对机床误差辨识来说检测结果并不能完全反映机床的加工性能。

基于球杆仪方法的误差辨识极大促进了数控机床动态性能的检测，通过对特定轨迹的运动误差分析，可以反解出机床固有的静态几何误差或者多轴联动的动态精度，这有助于检测机床的动态运动过程。但是，基于球杆仪的检测手段都是针对机床特定运动轨迹，且轨迹变化较为平稳的情况，对于快速变化曲面的轮廓就很难实现，而且动态检测都是在机床不加载的工况下进行的，这与实际切削中的运动状态有较大差距。

基于NAS 979检测试件的误差辨识方法，提出的由孔、圆、菱形以及3度倾斜四方形组成的NAS979试件，主要针对三轴数控机床测试，缺少反映曲面加工中机床动态特性需求，很多难加工零件在3D边界形貌上都有一些较高的要求。

由以上误差辨识方法可以看出，目前的数控机床误差辨识方法并不能全面反映机床的切削加工性能，而且主要是在空载低速的情况下对机床的静态因素进行的辨识。NAS979试件虽然同样采用试切的方法，保证了转速和载荷，但是由于其几何特性简单不能反映出机床动态性能和加工复杂曲面的性能。从而无法达到数控机床高加工精度要求。

中国发明专利CN200710048269.7及其美国同族发明专利US8061052B2公开的“综合检测数控铣床精度的“S”形检测试件及其检测方法”是新近提出的一种校验机床加工性能的检测试件和方法，如图2所示。在试件型面中融入了航空薄壁的特征，不仅能够反映机床的静态精度，而且重点关注了机床的动态精度。试件曲率随表面形状变化而变化，在拐角处具有开闭角转换特征，通过切削“S”形试件可以在一定程度上反映出五轴联动数控机床加工误差。图2中1表示“S”形试件底座侧面，侧面厚度为30mm，2表示“S”形试件的加工成型面，3表示“S”形试件底座上表面，4表示加工“S”形试件过程中刀具的位置，5表示加工“S”形试件过程中刀具的姿态。该检测方法仅仅涉及到对机床加工精度的评判，只是从等级上对机床的加工精度进行一个定性的评价。关于机床因素对机床加工精度的影响机理则完全没有涉及。因此，当机床加工精度达不到要求时，该方法不能给出一个具体的调整机床因素的方案来改善机床加工精度。

发明内容

本发明的目的是为了克服目前针对“S”形试件的检测方法仅仅只对机床精度进行评判而不能给出对机床加工精度的影响机理，从而依据该影响机理给出优化机床精度的方案的缺点，提出了一种基于“S”形检测试件的五轴数控机床的误差辨识方法。

本发明的技术方案是：基于“S”形检测试件的五轴数控机床的误差辨识方法，包括如下步骤：

步骤1.切削“S”形试件；

步骤2.测量步骤1切削后的“S”形试件的法向误差；

步骤3.建立“S”形试件法向误差与机床因素的映射关系数据库；

步骤4.溯源影响机床精度的主要因素；

步骤5.运用BP神经网络量化辨识步骤4中得到的机床因素。

本发明的有益效果是：本发明通过试切“S”形试件的方法，基于三坐标机测量得到的“S”形试件法向误差逆向溯源出对机床加工产生主要影响的机床因素，并且通过神经网络的进一步确定了主要因素对机床精度影响水平。因此，采用该方法不仅能够对机床精度进行评判，而且当机床精度达不到要求时还能给出机床精度的优化方案，从量值上对影响机床精度的机床因素进行调整，从而达到机床高精度的要求。

附图说明

图1是基于球杆仪方法的误差辨识方法所采用的球杆仪结构示意图。

图2是“S”形试件的结构示意图。

图3是本发明的主流程图；

图4是本发明步骤2切削后的“S”形试件的法向误差示意图；

图5a是本发明实施例中位置增益作用下的“S”形试件法向误差；

图5b是本发明实施例中加速度作用下的“S”形试件法向误差。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的说明：

如图3所示，基于“S”形检测试件的五轴数控机床的误差辨识方法，包括如下步骤：

步骤1.切削“S”形试件：针对某待检测加工精度的机床进行切削“S”形试件实验。

本实施例中某待检测加工精度的机床的机床型号为V5-1030ABJ的某国产五轴数控铣床，“S”形试件的具体指标及其切削过程请参见中国发明专利CN200710048269.7及其美国同族发明专利US8061052B2所公开的内容。

步骤2.测量步骤1切削后的“S”形试件的法向误差：本实施例中运用三坐标测量机测量出切削后的“S”形试件法向误差；由于三坐标测量机是一种常用的测量机器和手段，因此对于三坐标测量机对“S”形试件的测量过程不再详细描述；上述法向误差也可采用其它测量仪器及手段获得。

本实施例的测量结果如图4所示，图中横坐标表示测量点数，纵坐标表示测量点的法向误差值，“S”形试件法向误差值呈现出正负值分布，在第60点出出现最小值点（负值），在第71点出现最大值点（正值），三坐标测量机一共测量了“S”形试件上75个点（即n=75）的法向误差值；

步骤3.建立“S”形试件法向误差与机床因素的映射关系数据库：基于数控机床动态误差模型，运用数控机床的切削“S”形试件的切削程序建立起“S”形试件的法向误差与机床因素的映射关系数据库。

本实施例中，步骤3的具体实现包括如下步骤：

步骤31.采用传递函数建立数控机床的动态误差模型：数控机床的动态误差主要是由于切削过程中机械、控制***的整体联动而产生的，机床的基本运动结构以及伺服***各轴的协调能力与性能是影响机床动态精度的主要因素；采用传递函数描述机床各环节动态的运动过程，包含了位置环、速度环、伺服电机环和机械环，各个基本环节可由相应的比例、积分或微分函数表示；对于单轴伺服运动来说，输入的机床运动指令经位置环、速度环、伺服电机环，实现最终驱动的机械环，各运动联动实现数控机床的切削运动。

步骤32.利用多体***理论建立“S”形试件法向误差与机床因素的映射关系数据库：步骤31中的动态误差模型产生的是各轴的运动轨迹，而刀具的实际轨迹是由实时的各轴轨迹联动构成的，其联动的法则就是多体运动理论。多体***理论的精髓是用拓扑结构对多体***进行高度概括和提炼，用低序体阵列描述多体***拓扑结构，用特征矩阵表示多体***中体间的相对位置和姿态。通过上述方法建立的数控机床误差计算模型，当变动机床某一个因素时就会产生一组与之对应的法向误差。由此，便建立起了“S”形试件法向误差与机床因素映射关系数据库E_i=(a_i1，a_i2，…,a_in)其中E_i表示“S”形试件法向误差与机床因素映射关系数据库中第i个因素对应的误差矩阵，n表示误差矩阵中包含的误差值个数，a为误差值大小。

步骤3的具体过程可以参照由国防科技大学的李圣怡所编著的《精密和超精密机床精度建模技术》一书，本步骤作为本技术领域的公知常识因此不再详细描述。

本实施例中，将实验中切削“S”形试件的切削程序输入到所建立的误差模型中，变动机床某一因素就可以得到对应的“S”形试件法向误差值，本实例一共考虑了17个机床因素，每个因素考虑两种工况，因此映射数据库中包含了34组“S”形试件法向误差，如表1所示，U_i，1，U_i,2分别表示第i个因素的第一工况编号和第二工况编号，例如表1中的U_1，1，U_1,2分别表示位置增益的第一工况和第二工况，其它编号的编号规则相同，采用编号的目的是为了便于从“S”形试件法向误差与机床因素映射关系的数据库中提取BP神经网络的训练样本。

表一

图5a，5b是“S”形试件法向误差与机床因素映射关系数据库中的两组“S”形试件法向误差值。图5a是位置增益作用下的“S”形试件法向误差值，图5b是加速度作用下的“S”形试件法向误差值。图5a和图5b中横坐标表示切削程序指令点，纵坐标表示“S”形试件法向误差值，法向误差值呈现出正负值分布。

步骤4.溯源影响机床精度的主要因素：将切削后的“S”形试件的测量结果输入“S”形试件的法向误差与机床因素的映射关系数据库中，运用模糊隶属度的择近原则计算出对该次切削“S”形试件的法向误差相对于映射关系数据库的贴近度值，按贴近度较大原则，溯源出对机床精度影响较大的机床因素；

本实施例中，步骤4的具体实现包括如下步骤：

步骤41.隶属度计算：隶属度表述某个元素属于集合的程度隶属度越接近于1，表示元素属于集合的程度越高，隶属度越接近于0表示元素属于集合的程度越低。针对“S”形试件误差分布结果，选择正态模糊隶属函数进行计算，如式（1）所示。将实验切削误差（即步骤2中得到的“S”形试件法向误差）矩阵B=(x₁,x₂,…,x_n)代入公式（1）计算出对于E_i的隶属度μ_B。

${\mathrm{\μ}}_B\left(x\right)=e^{{-k(x-a)}^2}(k>0)$ 公式（1）

其中：a为E_i中的误差值(a_i1，a_i2，…,a_in)中的一项；x为切削误差矩阵B中的误差值(x₁,x₂,…,x_n)中的一项；k为常数，本实施例中k=20，常数k也可以根据需要选取大于零的其它值。

步骤42.贴近度值计算：因为贴近度值越大说明两个集合之间的相似程度越高，反之越低，为了确定B与E_i的相似程度，将计算出的隶属度μ_B代入绝对海明公式（2）中计算出对应的贴近度值，按照贴近度最大原则，最终溯源出影响机床精度的主要因素。

${\mathrm{\σ}}_H(E,B)=1-\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|1-{\mathrm{\μ}}_B\left(x_i\right)|$ 公式（2）

其中：μ_B(x_i)为B中第i个误差值对应的隶属度；σ_H(E，B)为B相对于E的贴进度值，n为自然数，本实施例中n的数量对应了“S”形试件法向误差矩阵B的测量点个数。

下面通过一个具体实施例说明步骤4的具体计算过程。

取值E_i=(-0.1465,-0.1477,-0.1514)，B=(-0.2906,-0.2861,-0.2847)，公式（1）中常数K=20，运用公式（1）得到 ${\mathrm{\μ}}_B\left(x_1\right)=e^{{-20[-0.2906-(-0.1465)]}^2}=0.6601,$ 同理可以计算出μ_B(x₂)=0.6818，μ_B(x₃)=0.7009；在将公式（1）中的结果代入公式（2）中得到B相对于E的贴进度值：

${\mathrm{\σ}}_H,(E_i,B)=1-\frac{1}{3}[(1-0.6601)+(1-0.6818)+(1-0.7009)]=0.6809.$

针对本实施例的计算结果如表1所示，U_1，1，U_5，2，U_6,1是贴近度较大的三个因素，分别对应着机床的位置增益工况1，B轴加速度工况2，X轴加加速度工况1。说明了这三个因素是影响误差的主要因素。

步骤5.运用BP神经网络量化辨识步骤4中得到的机床因素（U_1，1，U_5，2，U_6,1）：为了确定步骤4中溯源出的主要影响因素对“S”形试件法向误差的作用水平，以达到从量值上表征主要因素对机床加工精度影响的目的，运用BP神经网络对其进行量化辨识；基于MATLAB（Matrix Laboratory的缩写，是美国MathWorks公司出品的商业数学软件）建立3层BP神经网络辨识模型，输入是“S”形试件的若干点位，输出是机床精度指标。通过神经网络代入样本进行训练，训练过程不断调整三层之间连接的权值和阈值，从而实现“S”形试件的法向误差和机床精度指标量值的映射关系。训练完毕后。用某例“S”形试件型面各点的法向误差作为新的输入，经网络迭代辨识产生相应的机床精度指标量值。

对步骤4中得到的机床因素（U_1，1，U_5，2，U_6,1）进行溯源的结果如表2中“因素”一项所示：

表2

因素	因素编号	贴近度	影响水平
				位置增益	U1，1	0.6437	0.0011
B轴加速度	U5，2	0.7161	0.6310
				X轴加加速度	U6，1	0.7375	0.3679

表2中所列各项是整个机床因素辨识算法的输出结果，包含了对本次切削实验造成重要影响的三个主要因素，分别为B轴加速度，X轴加加速度，位置增益。其中B轴加速度对误差的影响较大，X轴加加速度次之，位置增益影响最小。三者的影响水平分别为63.10%、36.79%、0.11%，因此在调整机床因素时优先调整B轴加速度，其次是X轴加加速度，最后是位置增益。

步骤5中由于BP神经网络和MATLAB是一种比较成熟的的数学计算工具，因此对于BP神经网络的具体建立过程不做详细阐述。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为发明的保护范围并不局限于这样的特别陈述和实施例。凡是根据上述描述做出各种可能的等同替换或改变，均被认为属于本发明的权利要求的保护范围。

Claims (2)

1.基于“S”形检测试件的五轴数控机床的误差辨识方法，包括如下步骤：

步骤1.切削“S”形试件；

步骤2.测量步骤1切削后的“S”形试件的法向误差；

步骤3.建立“S”形试件法向误差与机床因素的映射关系数据库，E_i＝(a_i1,a_i2,…,a_in)表示“S”形试件法向误差与机床因素映射关系数据库中第i个因素对应的误差矩阵，n表示误差矩阵中包含的误差值个数；

步骤4.溯源影响机床精度的主要因素；

步骤5.运用BP神经网络量化辨识步骤4中得到的机床因素；

步骤4的具体实现包括如下步骤：

步骤41.隶属度计算：针对“S”形试件误差分布结果，选择正态模糊隶属函数进行计算，将步骤2中得到的“S”形试件的法向误差矩阵B＝(x₁,x₂,…,x_n)代入公式(1)计算出对于E_i的隶属度μ_B；所述公式(1)为其中，a为E_i中的误差值(a_i1,a_i2,…,a_in)中的一项，k为常数，k>0；

步骤42.贴近度值计算：为了确定法向误差矩阵B与E_i的相似程度，将计算出的隶属度μ_B代入绝对海明公式(2)中计算出对应的贴近度值，按照贴近度最大原则，最终溯源出影响机床精度的主要因素；所述公式(2)为

2.根据权利要求1所述的基于“S”形检测试件的五轴数控机床的误差辨识方法，其特征在于，步骤3的具体实现包括如下步骤：

步骤31.采用传递函数建立数控机床的动态误差模型；

步骤32.利用多体***理论建立“S”形试件法向误差与机床因素的映射关系数据库。