CN108073074B - 一种基于机床进给***运动特性的装配质量控制方法 - Google Patents
一种基于机床进给***运动特性的装配质量控制方法 Download PDFInfo
- Publication number
- CN108073074B CN108073074B CN201711354190.7A CN201711354190A CN108073074B CN 108073074 B CN108073074 B CN 108073074B CN 201711354190 A CN201711354190 A CN 201711354190A CN 108073074 B CN108073074 B CN 108073074B
- Authority
- CN
- China
- Prior art keywords
- assembly quality
- feeding system
- machine tool
- quality control
- signal
- 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.)
- Active
Links
- 238000003908 quality control method Methods 0.000 title claims abstract description 73
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims description 68
- 230000005540 biological transmission Effects 0.000 claims description 55
- 238000000034 method Methods 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012843 least square support vector machine Methods 0.000 claims description 23
- 230000000737 periodic effect Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于机床进给***运动特性的装配质量控制方法,包括:确定进给***装配质量控制体系;建立进给***装配质量控制模型;最后测试新装配机床进给***的运动特性信号,求出所对应的控制指标值,将其经过归一化处理后代入所建立的装配质量控制模型中,根据计算结果判断该进给***的装配质量是否合格。本发明通过机床进给***的运动特性能够实现对其装配质量的控制,此方法可以合理的反映进给***的工作状态,能够在进给***装配完成后检测装配不合格的问题,保证进给***装配质量稳定可靠。
Description
技术领域
本发明属于高速、高精度数控机床进给***装配质量研究技术领域,具体涉及一种基于机床进给***运动特性的装配质量控制方法。
背景技术
装配作为数控机床生产制造过程的最后也是最重要的一个环节,其质量的好坏直接关系到机床出厂前整体质量的高低。传统的进给***装配误差检测主要是通过水平仪、千分表等测量仪器在进给***的装配过程中检测进给***的装配精度。这种方法的缺点在于:一是仅对进给***的静态装配精度进行检测,而装配误差不仅会影响进给***的静态装配精度,并且在进给***工作过程中,还会使其运动特性发生变化,因此仅考虑静态装配精度是不完善的;二是传统方法并没有对进给***的装配质量进行完整的控制,而没有完善的装配质量控制方法,机床进给***的生产装配质量就不能保证。因此如何通过进给***的运动特性控制其装配质量成为进给***装配质量研究领域的一个重要课题。
目前针对机床进给***装配质量控制有关的专利有华中科技大学申请号为CN201510331424.0的专利,名为“一种数控机床进给***装配质量的快速判别方法”,这个发明主要是将进给***在正常装配下的运动信号作为参考,对比正常装配下的运动信号与新装配进给***的运动信号,以此来实现数控机床进给***装配质量的快速判别,但是这只是定性的判别进给***的装配质量,主观意识比较强烈。
本发明运用了最小二乘支持向量机方法与粒子群优化算法,其中支持向量机(SVM)是Vapnik等人基于统计学理论中的VC维理论和结构风险最小化提出的,此方法的优点在于模型训练时间较短、适应能力较强、泛化能力好,因此在解决小样本、非线性以及高维的预测问题中得到了成功的应用。而最小二乘支持向量机方法(LS-SVM)是经典支持向量机方法(SVM)的一种改进,它的优势在于运算简单,收敛速度快等。
粒子群优化算法(PSO)是由Eberhart博士和kennedy博士于1995年在用计算机模拟鸟群觅食中受到启发后提出的。在粒子群优化算法中,每个优化问题的潜在解都是搜索空间中的一只鸟,称之为“粒子”。所有的粒子都由一个被优化的函数决定其适应度值,每个粒子还有一个速度决定他们飞翔的方向和距离,然后粒子们就追随当前的最优粒子在解空间中搜索。优化开始时先初始化一群随机粒子(随机解),然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个极值来更新自己,以达到寻优的目的。第一个极值就是整个种群目前找到的最优解,这个极值是全局极值。第二个极值是粒子本身所找到的最优解,称为个体极值。粒子群优化算法的优点在于:调整参数较少,收敛速度较快。因此,它已被证明是解决许多全局优化问题的有效方法。
本发明通过进给***运动特性利用最小二乘支持向量机方法与粒子群优化算法可以建立起一个进给***装配质量控制模型,依据此模型可以准确的对进给***的装配质量进行控制。
发明内容
为解决现有技术中存在的上述缺陷,本发明的目的在于提供一种基于机床进给***运动特性的装配质量控制方法,即通过进给***运动特性利用最小二乘支持向量机与粒子群优化算法建立起一个进给***装配质量控制模型,依据此模型能够准确的对进给***的装配质量进行客观、有效的控制。
本发明是通过下述技术方案来实现的。
一种基于机床进给***运动特性的装配质量控制方法,包括下述步骤:
步骤1,定进给***装配质量控制体系
建立以机床进给***的传动误差和摩擦力矩这两个运动特性为控制准则的机床进给***装配质量控制体系,该控制体系分为三层,最高层为目标层,即以实现进给***装配质量控制为目标,中间层为准则层,确定传动误差和摩擦力矩为控制准则,最低层为指标层;确定进给***装配质量的控制指标,包括:传动误差周期性信号的幅值b1、传动误差累积性信号的最大值b2、摩擦力矩趋势项两端的弯曲度b3和整体进给行程内摩擦力矩的平均值b4;
步骤2,建立机床进给***装配质量控制模型
1)采集n台装配完成的机床进给***的光栅尺信号,电机后端编码器信号和电机的两相电流信号,根据光栅尺信号和电机后端编码器信号确定传动误差周期性信号的幅值和传动误差累积性信号的最大值,根据电机的两相电流信号确定摩擦力矩趋势项两端的弯曲度和整体进给行程内摩擦力矩的平均值,得到n组初始样本数据;
2)对n组初始样本数据中的每一组数据{Wi1、Wi2、Wi3、Wi4}分别进行归一化处理,得到处理后的每一组样本数据为{Bi1、Bi2、Bi3、Bi4},其中i表示第i组数据,其范围为i=1,2,…,n;
3)依据层次分析方法计算进给***装配质量4个控制指标的权重为{q1、q2、q3、q4},对n组样本数据{Bi1、Bi2、Bi3、Bi4}根据上述指标权重{q1、q2、q3、q4}通过模糊综合控制方法得到每组样本数据对应的装配质量结果Yi,然后利用n组输入样本数据{Bi1、Bi2、Bi3、Bi4}和输出装配质量结果通过最小二乘支持向量机法建立起进给***装配质量控制模型,采用粒子群优化法对最小二乘支持向量机中的核参数σ2和惩罚系数γ这两个参数进行优化;
步骤3,机床进给***装配质量的控制
测试新装配的机床进给***的光栅尺信号,电机后端编码器信号和电机的两相电流信号,求出所对应的4个装配质量控制指标的原始值为{W1、W2、W3、W4};对原始值进行归一化处理得到归一化处理后的指标值为{B1、B2、B3、B4},将处理后的指标值代入所建立的装配质量控制模型中,根据计算结果Y判断该新装配的机床进给***的装配质量是否合格,合格则此新装配的机床进给***可以用于机床整体装配,不合格则需要对此新装配的机床进给***进行装配调整,直到装配质量满足要求为止。
优选的,所述步骤2-1)中,根据光栅尺信号和电机后端编码器信号得到传动误差周期性信号的幅值和传动误差累积性信号的最大值的计算方法为:
1a)首先计算传动误差xe,
式中:xe为进给***的传动误差;xo为实际输出位置,即光栅尺采集到的位置信号;xi为理论输出位置,是由电机后端编码器信号经过计算得到;P为进给***中丝杠的导程;θi为电机后端编码器所采集到的角度信号;
1b)在得到传动误差信号xe后,将其转化到位置域中,再进行EEMD分解,提取出传动误差的周期项信号与累积项信号;根据传动误差的周期项信号计算出传动误差周期性信号的幅值,根据传动误差的累积项信号可以计算出传动误差累积性信号的最大值。
优选的,所述步骤2-1)中,根据电机的两相电流信号得到摩擦力矩趋势项两端的弯曲度和整体进给行程内摩擦力矩的平均值的计算方法为:
1c)首先根据进给***摩擦力矩Tf等效于恒速、空载情况下电机的输出力矩T计算进给***的摩擦力矩Tf,
Iw=-Iu-Iv (2)
Iw 2=(-Iu-Iv)2=Iu 2+2IuIv+Iv 2 (3)
T=Ktiq=Tf (6)
式中:Iu、Iv、Iw分别为电机的三相电流,Irms为电机电流的有效值,iq为电机的等效直流电流,Kt为电机的电流转换常数;
1d)在得到摩擦力矩信号后,将其转化到位置域中,再进行EEMD分解,得到摩擦力矩的趋势项信号;根据摩擦力矩的趋势项信号可以计算出摩擦力矩趋势项两端的弯曲度和整体进给行程内摩擦力矩的平均值。
优选的,所述步骤2-2)中,归一化处理使用的方法为min-max归一化方法,其计算公式为:
式中:x为原始数据,xmax为样本数据的最大值,xmin为样本数据的最小值,x*为预处理后的数据;
利用上式可以对原始数据{w1、w2、w3、w4}进行归一化处理,得到处理后的数据为{b1、b2、b3、b4}。
优选的,所述步骤2-3)中,层次分析法的基本步骤为:根据4个装配质量控制指标构造两两比较判断矩阵A,对所构造的比较判断矩阵A计算最大特征值λmax及其对应的特征向量q,并且进行一致性检验。若检验通过,则将特征向量q归一化后就是权向量Q={q1,q2,q3,q4},若不通过,则需要重新构造比较矩阵;
这里提到的一致性检验方法为:
首先计算一致性指标CI,
其中,n为判断比较矩阵A的阶数,λmax为判断比较矩阵A的最大特征根;
然后计算一致性比例CR,
其中,RI为平均随机一致性指标,是CI的修正系数;
当CR<0.1时,一般认为判断比较矩阵A的一致性是可以接受的;
优选的,所述步骤2-3)中,模糊综合控制方法的基本步骤为:确定其进给***装配质量控制集V和因素集U,利用样本数据构造隶属度矩阵R,根据隶属度矩阵R和权重向量Q通过计算得到模糊综合评判集H,再根据模糊综合评判集H和控制集V得到其评判结果T;
模糊综合评判集H的计算方法为:
H=QοR (15)
其中,ο为模糊合成算子,这里采用算子;
评判结果T的计算方法为:
T=V·HT (16)
对样本数据{Bi1、Bi2、Bi3、Bi4}通过模糊综合控制所得到的评判结果Ti就是对应的输出装配质量结果Yi。
优选的,所述步骤2-3)中,建立机床进给***装配质量控制模型具体过程如下:
3a)将预处理后的n组样本数据{Bi1、Bi2、Bi3、Bi4}和平均分为m组,选取第1组为测试样本集,剩余m-1组为训练样本集;
3b)初始化粒子群:给定最小二乘支持向量机中的核参数σ2和惩罚系数γ的范围,确定粒子数,随机初始化各组粒子的位置和速度,每组粒子的位置分别对应了核参数σ2和惩罚系数γ两个参数值,因此需要在给定的参数范围内生成;
3c)根据上述训练样本集,通过每组粒子的位置确定最小二乘支持向量机模型,计算每组粒子的适应度值,通过比较每组粒子的适应度值得到个体最优位置和全局最优位置;
3d)通过个体最优位置和全局最优位置,根据速度更新公式和位置更新公式对每组粒子的位置和速度进行更新,然后重复进行第3c)步,判断迭代是否达到最大次数,若达到最大次数则迭代完成,记录最终的全局最优位置和所对应的适应度值;
3e)依次分别选择第2~m组数据为测试样本集,剩余m-1组数据为训练样本集,重新计算第3b)~3d)步;比较m次计算得到的最终适应度值,选择最佳全局最优位置;依据最佳全局最优位置所对应的核参数σ2和惩罚系数γ,利用上述样本数据建立起最终的装配质量控制模型。
所建立的进给***装配质量控制模型如下:
y=f(b1,b2,b3,b4) (11)
式中,f为通过最小二乘支持向量机方法和粒子群优化算法建立的装配质量控制指标值和装配质量之间的关系,b1、b2、b3、b4分别表示归一化处理后的传动误差周期性信号的幅值、传动误差累积性信号的最大值、摩擦力矩趋势项两端的弯曲度和整体进给行程内摩擦力矩的平均值,y为b1、b2、b3、b44个数据代入模型后得到的结果,代表的是进给***的装配质量,这里定义一个阀值Ye,当y大于或等于Ye为装配质量合格,小于Ye为装配质量不合格。
优选的,所述步骤3b)中,核参数σ2是最小二乘支持向量机核函数中的重要参数,这里核函数选择径向基函数,径向基函数定义为空间中任一点x到某一中心xi之间欧氏距离的单调函数:
K(x,xi)=exp(-(x-xi)2/2σ2) (8)
其中,xi为核函数中心,σ2为核参数。
优选的,所述步骤3c)中,适应度值是通过将测试样本数据代入所确定的模型中求得误差值并进行平均得到。
优选的,所述步骤3d)中,速度更新公式和位置更新公式分别表示为:
式中:w是惯性权值系数,c1、c2为加速因子,分别控制粒子飞向自身最优位置及全局最有位置方向的步长,rand为随机函数,产生0到1之间的随机数,表示第i组粒子第a次迭代的空间位置,是第i组粒子第a+1次迭代的空间位置,表示第i组粒子第a次迭代的速度,是第i组粒子第a+1次迭代的速度,pid表示第i组粒子的个体最优位置,pg表示所有粒子的全局最优位置。
本发明的技术方案与现有技术相比,主要具备以下技术优点:
本发明通过装配误差对进给***运动特性的影响关系,确定装配质量控制的指标,进而确定装配质量控制体系,建立装配质量控制模型。这种方法有两个优点,一是改变了目前机床制造企业在进给***的装配过程中只对其静态装配误差检测的方式,通过进给***的运动特性控制其装配质量,可以合理的反映进给***在实际加工中的工作状态;二是在进给***装配完成后对其进行完整的装配质量控制,可以在机床的装配阶段就发现进给***的装配质量问题,能够及时调整,保证进给***装配质量稳定可靠。
附图说明
图1为本发明方法的步骤流程图。
图2为所建立的进给***装配质量控制体系。
图3为最小二乘支持向量机方法与粒子群优化算法综合建立装配质量控制模型的流程图。
具体实施方式
下面结合附图和实施例对发明作进一步的详细说明,应当理解,此处所描述的具体实施例仅仅用于解释本发明,但并不作为对发明做任何限制的依据。
以下分别对本发明方法中的各个步骤进行详细描述。
如图1所示,一种基于机床进给***运动特性的装配质量控制方法,具体步骤为:
步骤1,确定机床进给***装配质量控制体系
根据机床进给***装配误差对传动误差和摩擦力矩这两个运动特性的影响关系,确定具体的机床进给***装配质量控制指标,根据所确定的装配质量控制指标,建立机床进给***装配质量控制体系,如图2所示。该控制体系分为三层,最高层为目标层,即以实现进给***装配质量控制为目标;中间层为准则层,确定传动误差和摩擦力矩为控制准则;最低层为指标层;确定进给***装配质量的控制指标为:传动误差周期性信号的幅值b1、传动误差累积性信号的最大值b2、摩擦力矩趋势项两端的弯曲度b3和整体进给行程内摩擦力矩的平均值b4。
步骤2,建立进给***装配质量控制模型
1)采集30台装配完成的机床进给***光栅尺信号、电机后端编码器信号和电机的两相电流信号,根据每台机床的这三种信号通过下述方法可以提取4个装配质量控制指标值,得到30组初始样本数据{Wi1、Wi2、Wi3、Wi4},其中i表示第i组数据,其范围为i=1,2,…,30。
a)根据光栅尺信号和电机后端编码器信号得到传动误差周期性信号的幅值和传动误差累积性信号的最大值的计算方法为:
首先计算传动误差xe,
式中:xe为进给***的传动误差;xo为实际输出位置,即光栅尺采集到的位置信号;xi为理论输出位置,是由电机后端编码器信号经过计算得到;P为进给***中丝杠的导程;θi为电机后端编码器所采集到的角度信号;
在得到传动误差信号xe后,将其转化到位置域中,再进行EEMD分解,提取出传动误差的周期项信号与累积项信号;根据传动误差的周期项信号计算出传动误差周期性信号幅值,根据传动误差的累积项信号可以计算出传动误差累积性信号的最大值。
b)根据电机的两相电流信号得到摩擦力矩趋势项两端的弯曲度和整体进给行程内摩擦力矩的平均值的计算方法为:
首先根据进给***摩擦力矩Tf等效于恒速、空载情况下电机的输出力矩T计算进给***的摩擦力矩Tf,
Iw=-Iu-Iv (2)
Iw 2=(-Iu-Iv)2=Iu 2+2IuIv+Iv 2 (3)
T=Ktiq=Tf (6)
式中:Iu、Iv、Iw分别为电机的三相电流,Irms为电机电流的有效值,iq为电机的等效直流电流,Kt为电机的电流转换常数;
在得到摩擦力矩信号后,将其转化到位置域中,再进行EEMD分解,得到摩擦力矩的趋势项信号;根据摩擦力矩的趋势项信号可以计算出摩擦力矩趋势项两端的弯曲度和整体进给行程内摩擦力矩的平均值。
2)对30组初始样本数据中的每一组原始数据{Wi1、Wi2、Wi3、Wi4}分别使用min-max归一化方法进行归一化处理,得到处理后的每一组样本数据为{Bi1、Bi2、Bi3、Bi4};min-max归一化方法的计算公式为:
式中:x为原始数据,xmax为样本数据的最大值,xmin为样本数据的最小值,x*为预处理后的数据;
3)依据层次分析方法计算进给***装配质量4个控制指标的权重为{q1、q2、q3、q4},对30组样本数据{Bi1、Bi2、Bi3、Bi4}根据上述指标权重{q1、q2、q3、q4}通过模糊综合评判方法得到其对应的装配质量结果Yi,然后利用30组输入样本数据{Bi1、Bi2、Bi3、Bi4}和输出装配质量结果Yi通过最小二乘支持向量机法建立起进给***装配质量控制模型,采用粒子群优化法对最小二乘支持向量机中的核参数σ2和惩罚系数γ两个参数进行优化。
a)这里层次分析法的基本步骤为:根据4个装配质量控制指标构造两两比较判断矩阵A,对所构造的比较矩阵计算最大特征值λmax及其对应的特征向量q,并且进行一致性检验。若检验通过,则将特征向量q归一化后就是权向量Q={q1,q2,q3,q4},若不通过,则需要重新构造比较矩阵;
上述一致性检验方法为:
首先计算一致性指标CI,
其中,n为判断比较矩阵A的阶数,λmax为判断比较矩阵A的最大特征根;
然后计算一致性比例CR,
其中,RI为平均随机一致性指标,是CI的修正系数,RI的取值与判断比较矩阵A的阶数有关,具体见表1;
当CR<0.1时,一般认为判断比较矩阵A的一致性是可以接受的。
表1
阶数 | 1 | 2 | 3 | 4 | 5 | 6 |
RI | 0 | 0 | 0.58 | 0.9 | 1.12 | 1.24 |
阶数 | 7 | 8 | 9 | 10 | 11 | 12 |
RI | 1.32 | 1.41 | 1.45 | 1.49 | 1.52 | 1.54 |
b)模糊综合评判方法的基本步骤为:首先确定其进给***装配质量控制集V和因素集U,这里确定的装配质量控制集为V={优,良,中,差,很差},并对应相应的数值为V={1,0.8,0.6,0.4,0.2},而因素集U是由4个装配质量控制指标构成,表示为U={b1、b2、b3、b4};然后利用样本数据构造隶属度矩阵R4×5,根据隶属度矩阵R4×5和权重向量Q通过计算得到模糊综合评判集H,再根据模糊综合评判集H和控制集V得到其评判结果T;
隶属度矩阵R4×5中每一项的计算方法为:
其中,rjk为第j个指标属于第k个控制等级的隶属度值,j=1,2,3,4,k=1,2,3,4,5,bj表示第j个指标的数值;
模糊综合评判集H的计算方法为:
H=QοR (15)
其中,ο为一种计算方法,称之为模糊合成算子,这里采用算子,其计算方法为
评判结果T的计算方法为:
T=V·HT (16)
对样本数据{Bi1、Bi2、Bi3、Bi4}通过模糊综合控制所得到的评判结果Ti就是对应的输出装配质量结果Yi;
4)利用30组输入样本数据{Bi1、Bi2、Bi3、Bi4}和输出装配质量结果Yi通过最小二乘支持向量机法建立起进给***装配质量控制模型,采用粒子群优化法对最小二乘支持向量机中的核参数σ2和惩罚系数γ这两个参数进行优化;这里最小二乘支持向量机的核函数选择径向基函数,径向基函数定义为空间中任一点x到某一中心xi之间欧氏距离的单调函数:
K(x,xi)=exp(-(x-xi)2/2σ2) (17)
其中,xi为核函数中心,σ2为核参数。
图3为最小二乘支持向量机与粒子群优化算法综合确定装配质量控制模型的流程图。具体步骤为:
a)将归一化处理后的30组样本数据{Bi1、Bi2、Bi3、Bi4}和Yi平均分为6组,选取第1组为测试样本集,剩余5组为训练样本集;
b)初始化粒子群:给定最小二乘支持向量机中的核参数σ2和惩罚系数γ的范围,确定粒子数,随机初始化各组粒子的位置和速度,每组粒子的位置分别对应了核参数σ2和惩罚系数γ这两个参数值,因此需要在给定的参数范围内生成;
c)根据上述训练样本集,通过每组粒子的位置确定最小二乘支持向量机模型,计算每组粒子的适应度值,通过比较每组粒子的适应度值得到个体最优位置和全局最优位置;这里的粒子适应度值是适应度值是通过将测试样本数据代入所确定的模型中求得误差值并进行平均得到。
d)通过个体最优位置和全局最优位置,根据速度更新公式和位置更新公式对每组粒子的位置和速度进行更新,然后重复进行第c)步,判断迭代是否达到最大次数,若达到最大次数则迭代完成,记录最终的全局最优位置和所对应的适应度值;
这里速度更新公式和位置更新公式分别表示为:
式中:w是惯性权值系数,c1、c2为加速因子,分别控制粒子飞向自身最优位置及全局最有位置方向的步长,rand为随机函数,产生0到1之间的随机数,表示第i组粒子第a次迭代的空间位置,是第i组粒子第a+1次迭代的空间位置,表示第i组粒子第a次迭代的速度,是第i组粒子第a+1次迭代的速度,pid表示第i组粒子的个体最优位置,pg表示所有粒子的全局最优位置。
e)依次分别选择第2~6组数据为测试样本集,剩余5组数据为训练样本集,重新计算第b)~d)步;比较6次计算得到的最终适应度值,选择最佳全局最优位置;依据最佳全局最优位置所对应的核参数σ2和惩罚系数γ,利用上述样本数据建立起最终的装配质量控制模型。
5)所建立的装配质量控制模型可以表示为:
y=f(b1,b2,b3,b4) (20)
式中,f为通过上述方法建立的装配质量控制指标和装配质量之间的关系,b1、b2、b3、b4分别表示归一化处理后的传动误差周期性信号的幅值、传动误差累积性信号的最大值、摩擦力矩趋势项两端的弯曲度和整体进给行程内摩擦力矩的平均值,y为b1、b2、b3、b44个数据代入模型后得到的结果,表示为0~1的数值,代表的是进给***的装配质量,这里定义一个阀值Ye=0.6,当y大于或等于Ye为装配质量合格,小于Ye为装配质量不合格;
步骤3,机床进给***装配质量的控制
测试新装配的机床进给***的光栅尺信号,电机后端编码器信号和电机的两相电流信号,求出所对应的4个装配质量控制指标的原始值为{W1、W2、W3、W4};对原始值进行归一化处理得到归一化处理后的指标值为{B1、B2、B3、B4},将处理后的指标值代入所建立的装配质量控制模型中,根据计算结果Y判断该新装配的机床进给***的装配质量是否合格,合格则此新装配的机床进给***可以用于机床整体装配,不合格则需要对此新装配的机床进给***进行装配调整,直到装配质量满足要求为止。
Claims (10)
1.一种基于机床进给***运动特性的装配质量控制方法,其特征在于,包括下述步骤:
步骤1,确定进给***装配质量控制体系
建立以机床进给***的传动误差和摩擦力矩这两个运动特性为控制准则的机床进给***装配质量控制体系,控制体系分为三层,最高层为目标层,即以实现进给***装配质量控制为目标,中间层为准则层,确定传动误差和摩擦力矩为控制准则,最低层为指标层;确定进给***装配质量的控制指标,包括:传动误差周期性信号的幅值b1、传动误差累积性信号的最大值b2、摩擦力矩趋势项两端的弯曲度b3和整体进给行程内摩擦力矩的平均值b4;
步骤2,建立机床进给***装配质量控制模型
1)采集n台装配完成的机床进给***的光栅尺信号、电机后端编码器信号和电机的两相电流信号,根据光栅尺信号和电机后端编码器信号确定传动误差周期性信号的幅值和传动误差累积性信号的最大值,根据电机的两相电流信号确定摩擦力矩趋势项两端的弯曲度和整体进给行程内摩擦力矩的平均值,得到n组初始样本数据;
2)对n组初始样本数据中的每一组数据{Wi1、Wi2、Wi3、Wi4}分别进行归一化处理,得到处理后的每一组样本数据为{Bi1、Bi2、Bi3、Bi4},其中i表示第i组数据,i=1,2,…,n;
3)依据层次分析方法计算进给***装配质量4个控制指标的权重为{q1、q2、q3、q4},对n组样本数据{Bi1、Bi2、Bi3、Bi4}根据上述指标权重{q1、q2、q3、q4}通过模糊综合控制方法得到每组样本数据对应的装配质量结果Yi,然后利用n组输入样本数据{Bi1、Bi2、Bi3、Bi4}和输出装配质量结果Yi;通过最小二乘支持向量机法建立起进给***装配质量控制模型,采用粒子群优化法对最小二乘支持向量机中的核参数σ2和惩罚系数γ这两个参数进行优化;
所建立的进给***装配质量控制模型如下:
y=f(b1,b2,b3,b4)
式中,f为通过最小二乘支持向量机方法和粒子群优化算法建立的装配质量控制指标值和装配质量之间的关系,b1、b2、b3、b4分别表示归一化处理后的传动误差周期性信号的幅值、传动误差累积性信号的最大值、摩擦力矩趋势项两端的弯曲度和整体进给行程内摩擦力矩的平均值,y为b1、b2、b3、b44个数据代入模型后得到的结果,代表的是进给***的装配质量;
步骤3,机床进给***装配质量的控制
测试新装配的机床进给***的光栅尺信号,电机后端编码器信号和电机的两相电流信号,求出所对应的4个装配质量控制指标的原始值为{W1、W2、W3、W4};对原始值进行归一化处理得到归一化处理后的指标值为{B1、B2、B3、B4},将处理后的指标值代入所建立的装配质量控制模型中,根据计算结果Y判断该新装配的机床进给***的装配质量是否合格,合格则此新装配的机床进给***可以用于机床整体装配,不合格则需要对此新装配的机床进给***进行装配调整,直到装配质量满足要求为止。
2.根据权利要求1所述的一种基于机床进给***运动特性的装配质量控制方法,其特征在于,所述步骤2-1)中,根据光栅尺信号和电机后端编码器信号得到传动误差周期性信号的幅值和传动误差累积性信号的最大值的计算方法为:
1a)首先计算传动误差xe,
式中:xe为进给***的传动误差;xo为实际输出位置,即光栅尺采集到的位置信号;xi为理论输出位置;P为进给***中丝杠的导程;θi为电机后端编码器所采集到的角度信号;
1b)在得到传动误差信号xe后,将其转化到位置域中,再进行EEMD分解,提取出传动误差的周期项信号与累积项信号;根据传动误差的周期项信号计算出传动误差周期性信号的幅值,根据传动误差的累积项信号可以计算出传动误差累积性信号的最大值。
3.根据权利要求1所述的一种基于机床进给***运动特性的装配质量控制方法,其特征在于,所述步骤2-1)中,根据电机的两相电流信号得到摩擦力矩趋势项两端的弯曲度和整体进给行程内摩擦力矩的平均值的计算方法为:
1c)首先根据进给***摩擦力矩Tf等效于恒速、空载情况下电机的输出力矩T计算进给***的摩擦力矩Tf,
Iw=-Iu-Iv
Iw 2=(-Iu-Iv)2=Iu 2+2IuIv+Iv 2
T=Ktiq=Tf
式中:Iu、Iv、Iw分别为电机的三相电流,Irms为电机电流的有效值,iq为电机的等效直流电流,Kt为电机的电流转换常数;
1d)在得到摩擦力矩信号后,将其转化到位置域中,再进行EEMD分解,得到摩擦力矩的趋势项信号;根据摩擦力矩的趋势项信号可以计算出摩擦力矩趋势项两端的弯曲度和整体进给行程内摩擦力矩的平均值。
4.根据权利要求1所述的一种基于机床进给***运动特性的装配质量控制方法,其特征在于,所述步骤2-2)中,归一化处理使用的方法为min-max归一化方法,其计算公式为:
式中:x为原始数据,xmax为样本数据的最大值,xmin为样本数据的最小值,x*为预处理后的数据;
利用上式可以对原始数据{w1、w2、w3、w4}进行归一化处理,得到处理后的数据为{b1、b2、b3、b4}。
5.根据权利要求1所述的一种基于机床进给***运动特性的装配质量控制方法,其特征在于,所述步骤2-3)中,层次分析法的基本步骤为:
根据4个装配质量控制指标构造两两比较判断矩阵A,对所构造的比较判断矩阵A计算最大特征值λmax及其对应的特征向量q,并且进行一致性检验;若检验通过,则将特征向量q归一化后就是权向量Q={q1,q2,q3,q4};若不通过,则需要重新构造比较矩阵;
所述一致性检验方法为:
首先计算一致性指标CI,
其中,n为判断比较矩阵A的阶数,λmax为判断比较矩阵A的最大特征根;
然后计算一致性比例CR,
其中,RI为平均随机一致性指标,是CI的修正系数。
6.根据权利要求1所述的一种基于机床进给***运动特性的装配质量控制方法,其特征在于,所述步骤2-3)中,模糊综合控制方法的基本步骤为:
确定其进给***装配质量控制集V和因素集U,利用样本数据构造隶属度矩阵R,根据隶属度矩阵R和权重向量Q通过计算得到模糊综合评判集H,再根据模糊综合评判集H和控制集V得到其评判结果T;
模糊综合评判集H的计算方法为:
其中,为模糊合成算子,这里采用算子;
评判结果T的计算方法为:
T=V·HT
对样本数据{Bi1、Bi2、Bi3、Bi4}通过模糊综合控制所得到的评判结果Ti就是对应的输出装配质量结果Yi。
7.根据权利要求1所述的一种基于机床进给***运动特性的装配质量控制方法,其特征在于,所述步骤2-3)中,建立机床进给***装配质量控制模型具体过程如下:
3a)将预处理后的n组样本数据{Bi1、Bi2、Bi3、Bi4}和Yi平均分为m组,选取第1组为测试样本集,剩余m-1组为训练样本集;
3b)初始化粒子群:给定最小二乘支持向量机中的核参数σ2和惩罚系数γ的范围,确定粒子数,随机初始化各组粒子的位置和速度,每组粒子的位置分别对应了核参数σ2和惩罚系数γ两个参数值,因此需要在给定的参数范围内生成;
3c)根据上述训练样本集,通过每组粒子的位置确定最小二乘支持向量机模型,计算每组粒子的适应度值,通过比较每组粒子的适应度值得到个体最优位置和全局最优位置;
3d)通过个体最优位置和全局最优位置,根据速度更新公式和位置更新公式对每组粒子的位置和速度进行更新,然后重复进行第3c)步,判断迭代是否达到最大次数,若达到最大次数则迭代完成,记录最终的全局最优位置和所对应的适应度值;
3e)依次分别选择第2~m组数据为测试样本集,剩余m-1组数据为训练样本集,重新计算第3b)~3d)步;比较m次计算得到的最终适应度值,选择最佳全局最优位置;依据最佳全局最优位置所对应的核参数σ2和惩罚系数γ,利用上述样本数据建立起最终的装配质量控制模型;
这里定义一个阀值Ye,当y大于或等于Ye为装配质量合格,小于Ye为装配质量不合格。
8.根据权利要求7所述的一种基于机床进给***运动特性的装配质量控制方法,其特征在于,所述步骤3b)中,核参数σ2是最小二乘支持向量机核函数中的重要参数,所述核函数选择径向基函数,径向基函数定义为空间中任一点x到某一中心xi之间欧氏距离的单调函数:
K(x,xi)=exp(-(x-xi)2/2σ2)
其中,xi为核函数中心,σ2为核参数。
9.根据权利要求7所述的一种基于机床进给***运动特性的装配质量控制方法,其特征在于,所述步骤3c)中,适应度值是通过将测试样本数据代入所确定的模型中求得误差值并进行平均得到。
10.根据权利要求7所述的一种基于机床进给***运动特性的装配质量控制方法,其特征在于,所述步骤3d)中,速度更新公式和位置更新公式分别表示为:
式中:w是惯性权值系数,c1、c2为加速因子,分别控制粒子飞向自身最优位置及全局最有位置方向的步长,rand为随机函数,产生0到1之间的随机数,表示第i组粒子第a次迭代的空间位置,是第i组粒子第a+1次迭代的空间位置,表示第i组粒子第a次迭代的速度,是第i组粒子第a+1次迭代的速度,pid表示第i组粒子的个体最优位置,pg表示所有粒子的全局最优位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711354190.7A CN108073074B (zh) | 2017-12-15 | 2017-12-15 | 一种基于机床进给***运动特性的装配质量控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711354190.7A CN108073074B (zh) | 2017-12-15 | 2017-12-15 | 一种基于机床进给***运动特性的装配质量控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108073074A CN108073074A (zh) | 2018-05-25 |
CN108073074B true CN108073074B (zh) | 2019-12-24 |
Family
ID=62158774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711354190.7A Active CN108073074B (zh) | 2017-12-15 | 2017-12-15 | 一种基于机床进给***运动特性的装配质量控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108073074B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803348B (zh) * | 2018-08-03 | 2021-07-13 | 北京深度奇点科技有限公司 | 一种pid参数的优化方法及pid参数的优化装置 |
CN108956122B (zh) * | 2018-08-22 | 2020-04-17 | 清华大学 | 一种基于结构动力学特性的装配质量检测方法 |
CN110460277A (zh) * | 2019-07-22 | 2019-11-15 | 南京理工大学 | 基于粒子群算法的单电机伺服***摩擦非线性补偿方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520652A (zh) * | 2009-03-03 | 2009-09-02 | 华中科技大学 | 一种数控装备服役可靠性的评估方法 |
CN105607575A (zh) * | 2016-01-27 | 2016-05-25 | 电子科技大学 | 基于fa-lssvm的数控机床主轴热漂移建模方法 |
CN107194606A (zh) * | 2017-06-09 | 2017-09-22 | 北方民族大学 | 一种数控机床部件装配质量分析方法 |
-
2017
- 2017-12-15 CN CN201711354190.7A patent/CN108073074B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520652A (zh) * | 2009-03-03 | 2009-09-02 | 华中科技大学 | 一种数控装备服役可靠性的评估方法 |
CN105607575A (zh) * | 2016-01-27 | 2016-05-25 | 电子科技大学 | 基于fa-lssvm的数控机床主轴热漂移建模方法 |
CN107194606A (zh) * | 2017-06-09 | 2017-09-22 | 北方民族大学 | 一种数控机床部件装配质量分析方法 |
Non-Patent Citations (2)
Title |
---|
Thermal analysis for the feed drive system of a CNC machine center;cheng-Hsien WU;《Elsevier》;20030808;全文 * |
数控机床进给***装配误差建模及特征分析;赵飞;《上海交通大学学报》;20130531;第47卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108073074A (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073074B (zh) | 一种基于机床进给***运动特性的装配质量控制方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN113537305B (zh) | 一种基于匹配网络少样本学习的图像分类方法 | |
CN106842922B (zh) | 一种数控加工误差优化方法 | |
CN109783879B (zh) | 一种雷达辐射源信号识别效能评估方法及*** | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
US20220036231A1 (en) | Method and device for processing quantum data | |
CN111638034B (zh) | 基于深度学***温度梯度误差补偿方法及*** | |
CN115828140A (zh) | 邻域互信息与随机森林相融合故障检测方法、***及应用 | |
CN111539657B (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN110879927B (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN114488140A (zh) | 一种基于深度迁移学习的小样本雷达一维像目标识别方法 | |
CN113688458B (zh) | 一种基于层次分析法的地基基础方案优选方法 | |
CN111985825A (zh) | 一种用于滚磨机定向仪的晶面质量评估方法 | |
CN106296434B (zh) | 一种基于pso-lssvm算法的粮食产量预测方法 | |
CN114997528A (zh) | 一种基于注塑产品质量分析的生产参数调节方法及*** | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN116088453A (zh) | 生产质量预测模型训练方法及装置、生产质量监控方法 | |
CN113536939B (zh) | 一种基于3d卷积神经网络的视频去重方法 | |
CN110705841A (zh) | 一种基于改进模糊层次分析法的化工生产安全评估方法 | |
CN111461329B (zh) | 一种模型的训练方法、装置、设备及可读存储介质 | |
CN112766727A (zh) | 一种高端敏感用户电压暂降严重度评价方法 | |
CN116562144A (zh) | 一种轴承套圈滚道表面粗糙度预测方法 | |
CN115018162B (zh) | 一种工业精加工过程加工质量实时预测方法和*** | |
CN111160715A (zh) | 基于bp神经网络新旧动能转换绩效评价方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |