CN109739181B - 一种基于检测神经网络的机床主轴热误差建模检测方法 - Google Patents
一种基于检测神经网络的机床主轴热误差建模检测方法 Download PDFInfo
- Publication number
- CN109739181B CN109739181B CN201910060083.6A CN201910060083A CN109739181B CN 109739181 B CN109739181 B CN 109739181B CN 201910060083 A CN201910060083 A CN 201910060083A CN 109739181 B CN109739181 B CN 109739181B
- Authority
- CN
- China
- Prior art keywords
- neural network
- detection
- convolution
- model
- numerical control
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
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,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:采用红外热像仪采集数控机床主轴升温以及降温图像,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;第二步:对转化后的图像进行标定框预处理,制作数据集;第三步:选择检测神经网络模型,训练模型的预测精度;第四步:输入测试集,检验模型的预测精度;第五步:进行有限元验证以及实验验证。本发明能实现复杂工况下的热误差鲁棒建模,能精确预测主轴热误差,有利于提高数控机床整体加工精度。
Description
技术领域
本发明属于数控机床加工精度技术领域,特别涉及一种基于检测神经网络的数控机床主轴热误差建模检测方法。
背景技术
现代制造技术因科学技术的快速发展,高精度、高效率、高质量等需求越发迫切,而这对于数控机床加工精度的要求也越来越高,提高数控机床加工精度的要求也越发迫切。
经大量研究表明,机床热误差是影响数控机床加工精度的主要因素之一,因热误差引起的工件加工误差约占据总加工误差的40%-70%。因此,要进一步提高精密数控机床的加工精度,必须要对机床热误差进行补偿。而主轴是数控机床的核心部件以及主要热源,故建立一种有效的主轴热误差建模检测方法是目前数控机床热误差补偿研究的关键。
目前虽然有大量关于数控机床主轴热误差建模方法方面的研究,但当前各项误差建模技术难以作为共性的解决方案来适用于数控机床加工的各种工艺条件和应用场合。而原因在于,一方面存在工业应用的实际问题,另一方面在于当前热误差补偿建模技术无法实现鲁棒性建模,以及无法保证数据采集精确性。
发明内容
本发明为克服现有技术不足,提供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。该方法采用红外热像仪采集数控机床主轴升温以及降温图像,布置位移传感器采集轴向以及径向热误差,对图像数据进行预处理后,以热误差为标签,制作图像数据集,输入YOLO v3检测神经网络模型,得到主轴主要热源位置以及精确的主轴热误差。
第一步:采用红外热像仪采集数控机床主轴升温以及降温图像,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;
第二步:对转化后的图像进行标定框预处理,以标定位置数据以及热误差为标签,并制作数据集,将制作好的图像数据集分为训练集和预测集两部分;
第三步:选择检测神经网络模型,修改总损失函数,调整网络结构,开始进行训练,平均误差率达到5%以下,停止训练,保存模型;
第四步:输入测试集,检验模型的预测精度,若平均误差率未达到5%以下,再次对模型进行训练,直至平均误差率达到5%以下;
第五步:进行有限元验证以及实验验证;利用ANSYS软件进行仿真分析,将仿真得到的主轴温度场图片作为检测神经网络模型输入得到主轴热变形的预测值,并与仿真得到的变形场数据进行比较,若两者的偏差在一定偏差范围内,即验证模型精度满足要求,否则,返回第三步,进行再次的训练调参以及测试验证;
再次采取不同机床上的实验数据进行模型预测,若精度达到允许范围,则方法可行,否则,返回第二步,进行再次的训练调参以及测试验证。
进一步地,第三步选择YOLO v3检测神经网络模型,将将总损失函数中的分类损失函数改为L1损失函数,并将最后的分类层改为全连接层,设定神经元数量为1,所述检测神经网络YOLO v3检测主体是全卷积神经网络,最后接上两层全连接层;
在YOLO v3检测神经网络模型计算中利用了卷积块和残差块两个类型,卷积块按照卷积层、批量归一化层和激活函数层顺序执行;
卷积层: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
在卷积层中得到特征图;
批量归一化层:对卷积得到的特征图进行归一化使特征图矩阵数值大小范围为[-1,1];
激活函数层:LeakyRelu函数激活运算公式如下所示:
f(x)=max(0,x)+negative_slope×min(0,x);
其中,negative_slope是一个小的非零数;
计算完毕后,开始对模型进行训练调参。
本发明相比现有技术的有益效果是:检测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,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,能够精确预测主轴热误差,并且后续可对实验以及检测神经网络进行进一步改进,实现数控机床整体误差检测,提高数控机床的整体加工精度。
附图说明
图1为本发明基于检测神经网络的数控机床主轴热误差建模检测过程图;
图2为调整结构的YOLO v3检测神经网络架构图;
图3为图2中卷积块架构图;
图4为图2中残差块架构图;
图5为主轴轴向误差输出量示意图;
图6为主轴径向误差输出量示意图;
图7为实施例中主轴热误差的预测输出值与实际输出值对比的点状线图;
图8为实施例中预测位置与真实的标定框位置之间的位置重合度图。
具体实施方式
下面结合附图和实施方式对本发明作进一步地说明:
参见图1-图6所示,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,
第一步:采用红外热像仪采集数控机床主轴升温以及降温图像,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;该步骤对图像进行处理保证了绝对性的温升,而不受环境温度的影响,有利于后期热误差的准确预测;也有利于后期扩展对实验进行改进,对机床整体进行热像仪布置拍摄,同时相应各项定向误差为标签,可以进行机床全体的热源检测以及定向误差预测;
第二步:对转化后的图像进行标定框预处理,以标定位置数据以及热误差为标签,并制作数据集,将制作好的图像数据集分为训练集和预测集两部分;
第三步:选择检测神经网络模型,修改总损失函数,调整网络结构,开始进行训练,平均误差率达到5%以下,停止训练,保存模型;该步骤采取检测神经网络模型,既能准确标定热源位置,又能精确预测热误差,并且节省了前期图像处理中截图这一步骤;
第三步选择YOLO v3检测神经网络模型,将总损失函数中的分类损失函数改为L1损失函数,并将最后的分类层改为全连接层,设定神经元数量为1,所述检测神经网络YOLOv3检测主体是全卷积神经网络,最后接上两层全连接层;总损失函数为现有技术,或引自文章Joseph Redmon,Ali Farhadi.YOLOv3:An Incremental Improvement.arXiv preprintarXiv:1804.02767,2018,可得。L1损失函数:其中:yi为第i次训练批次真实值,为第i次训练批次预测值,n为第i次训练批次样本数量。
用图2来说明检测神经网络如何进行计算训练:
如图2、图3和图4所示,检测神经网络YOLO v3检测主体是全卷积神经网络,最后接上两层全连接层。
如图3和图4所示,在YOLO v3检测神经网络模型计算中利用了卷积块和残差块两个类型,卷积块按照卷积层、批量归一化层和激活函数层顺序执行。
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
在卷积层中得到特征图;
批量归一化层:对卷积得到的特征图进行归一化,使特征图矩阵数值大小范围为[-1,1]。便于后续激活计算,防止梯度消失。
激活函数层:LeakyRelu函数激活运算公式如下所示:
f(x)=max(0,x)+negative_slope×min(0,x);其中x即为输入特征图张量大小。
其中,negative_slope是一个小的非零数;
涉及到的卷积核尺寸3×3/2,指的是利用卷积步幅,将步幅由1增加到2,使特征图尺寸减小,实现最大池化的功能,提取更加有效的图像信息。
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。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YOLO v3检测神经网络模型精度达到预期精度。卷积神经网络中的卷积计算、激活函数计算、池化、反向传播算法均为现有技术,或引自书籍Ian Goodfellow、YoshuaBengio、Aaron Courville.深度学习.人民邮电出版社.2017.07.01。能得到计算公式以及相关推导过程。
残差块相关计算为现有技术,或引自论文K.He,X.Zhang,S.Ren,and J.Sun.Deepresidual learning for image recognition.arXiv preprint arXiv:1512.03385,2015。能得到相关计算公式以及推导过程。
位置检测相关计算为现有技术,或引自论文Joseph Redmon,AliFarhadi.YOLOv3:An Incremental Improvement.arXiv preprint arXiv:1804.02767,2018。能得到相关计算公式以及推导过程。
第四步:输入测试集,检验模型的预测精度,若平均误差率在5%以上,再次对模型进行训练,直至平均误差率达到5%以下;这里的平均误差率计算如上第三步所述;
第五步:进行有限元验证以及实验验证;利用ANSYS软件进行仿真分析,将仿真得到的主轴温度场图片作为检测神经网络模型输入得到主轴热变形的预测值,并与仿真得到的变形场数据进行比较,若两者的偏差在一定偏差范围内,即验证模型精度满足要求,否则,返回第三步,进行再次的训练调参以及测试验证;
再次采取不同机床上的实验数据进行模型预测,若精度达到允许范围,则方法可行,否则,返回第二步,进行再次的训练调参以及测试验证。
基于上述方案的实施例如下:
本实施案例在一台数控机床(VMC650m型机床)上进行操作,按照图1-图6说明,将采集图像大小设置为416×416,在数据标定时,将采集到的热误差(位置传感器采集轴向以及径向热误差)以及前轴承热源标定框位置数据设置为标签,对数据进行预处理以及数据扩充后,制作数据集,分为训练集以及预测集。设定好YOLO v3检测神经网络,并将最后一层分类层改为全连接层,总损失函数中将原来的分类损失函数改为均方差损失函数,随后输入数据集进行训练以及预测,得到精确的热误差以及预测位置与真实的标定框之间的位置误差,结果如图7和图8所示。
图7的结果为主轴热误差的预测与实际值输出的对比图:其中带有■的曲线代表热误差的实际测量值,带●的曲线表示基于检测神经网络模型的模型预测值,带▲的曲线表示预测残差,为实际测量值与模型预测值之误差。图8结果为预测位置与真实的标定框之间的位置误差对比图,图7显示,预测残差在±3微米之内,说明基于检测神经网络预测的主轴热变形与实际测量值高度吻合。从而证明了该方法能够精确预测主轴热误差,为主轴热误差的精确补偿提供理论保障,提高数控机床的整体加工精度。图8显示随着训练次数的增加,预测位置与真实的标定框之间的位置重合度增加,也即二者位置误差逐渐减小,预测的准确率逐渐提高。
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 (5)
1.一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,其特征在于:
第一步:采用红外热像仪采集数控机床主轴升温以及降温图像,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;
第二步:对转化后的图像进行标定框预处理,以标定位置数据以及热误差为标签,并制作数据集,将制作好的图像数据集分为训练集和预测集两部分;
第三步:选择检测神经网络模型,修改总损失函数,调整网络结构,开始进行训练,平均误差率达到5%以下,停止训练,保存模型;
第四步:输入测试集,检验模型的预测精度,若平均误差率未达到5%以下,再次对模型进行训练,直至平均误差率达到5%以下;
第五步:进行有限元验证以及实验验证;利用ANSYS软件进行仿真分析,将仿真得到的主轴温度场图片作为检测神经网络模型输入得到主轴热变形的预测值,并与仿真得到的变形场数据进行比较,若两者的偏差在一定偏差范围内,即验证模型精度满足要求,否则,返回第三步,进行再次的训练调参以及测试验证;
再次采取不同机床上的实验数据进行模型预测,若精度达到允许范围,则方法可行,否则,返回第二步,进行再次的训练调参以及测试验证;
第三步选择YOLO v3检测神经网络模型,将总损失函数中的分类损失函数改为L1损失函数,并将最后的分类层改为全连接层,设定神经元数量为1,所述检测神经网络YOLO v3检测主体是全卷积神经网络,最后接上两层全连接层;
在YOLO v3检测神经网络模型计算中利用了卷积块和残差块两个类型,卷积块按照卷积层、批量归一化层和激活函数层顺序执行;
卷积层: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;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
在卷积层中得到特征图;
批量归一化层:对卷积得到的特征图进行归一化;
激活函数层:LeakyRelu函数激活运算公式如下所示:
f(x)=max(0,x)+negative_slope×min(0,x);
其中,negative_slope是一个小的非零数;
计算完毕后,开始对模型进行训练调参。
2.根据权利要求1所述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,其特征在于:在YOLO v3检测神经网络模型中,涉及到的卷积核尺寸3×3/2是指利用卷积步幅,将步幅由1增加到2,使特征图尺寸减小,实现最大池化,提取有效的图像信息。
3.根据权利要求2所述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,其特征在于:批量归一化层:使特征图像素矩阵值大小范围为[-1,1]。
4.根据权利要求3所述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,其特征在于:在YOLO v3检测神经网络模型中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。
5.根据权利要求4所述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,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YOLO v3检测神经网络模型精度达到预期精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910060083.6A CN109739181B (zh) | 2019-01-22 | 2019-01-22 | 一种基于检测神经网络的机床主轴热误差建模检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910060083.6A CN109739181B (zh) | 2019-01-22 | 2019-01-22 | 一种基于检测神经网络的机床主轴热误差建模检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109739181A CN109739181A (zh) | 2019-05-10 |
CN109739181B true CN109739181B (zh) | 2021-03-16 |
Family
ID=66365627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910060083.6A Active CN109739181B (zh) | 2019-01-22 | 2019-01-22 | 一种基于检测神经网络的机床主轴热误差建模检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109739181B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058569B (zh) * | 2019-05-19 | 2021-05-11 | 重庆理工大学 | 一种基于优化模糊神经网络的数控机床热误差建模方法 |
CN111240268B (zh) * | 2020-01-14 | 2021-03-16 | 重庆大学 | 基于slstm神经网络的轴***热误差建模方法和热误差补偿*** |
CN111985149A (zh) * | 2020-06-05 | 2020-11-24 | 宁波大学 | 一种基于卷积网络的五轴机床旋转轴热误差建模方法 |
CN112200788B (zh) * | 2020-10-16 | 2021-03-26 | 清华大学 | 高温变形测量装置及方法 |
CN112475904B (zh) * | 2020-11-12 | 2021-09-28 | 安徽江机重型数控机床股份有限公司 | 一种基于热分析的数控铣镗床加工精度预测方法 |
CN114310483B (zh) * | 2021-12-13 | 2023-04-28 | 华中科技大学 | 一种数控加工尺寸误差预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI442034B (zh) * | 2010-08-25 | 2014-06-21 | Nat Univ Chung Cheng | 馬達內藏式主軸熱誤差補償裝置 |
CN104597842A (zh) * | 2015-02-02 | 2015-05-06 | 武汉理工大学 | 经遗传算法优化的bp神经网络重型机床热误差建模方法 |
CN108363870B (zh) * | 2018-02-11 | 2021-05-25 | 宁波大学 | 一种基于深度学习的数控机床主轴热误差建模方法 |
CN108415369A (zh) * | 2018-05-28 | 2018-08-17 | 河北工业大学 | 一种数控机床主轴热误差智能感知***和感知方法 |
-
2019
- 2019-01-22 CN CN201910060083.6A patent/CN109739181B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109739181A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108363870B (zh) | 一种基于深度学习的数控机床主轴热误差建模方法 | |
CN107492098B (zh) | 一种基于pca和cnn的高温锻件表面缺陷在位检测方法 | |
CN109711714B (zh) | 基于并联长短期记忆网络的制造装配产品质量预测方法 | |
CN112232214A (zh) | 一种基于深度特征融合和注意力机制的实时目标检测方法 | |
CN116228754B (zh) | 一种基于深度学习和全局差异性信息的表面缺陷检测方法 | |
CN114742820A (zh) | 一种基于深度学习的螺栓松动检测方法、***及存储介质 | |
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 | |
Li et al. | An online visual measurement method for workpiece dimension based on deep learning | |
CN114398049A (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
CN113887342A (zh) | 基于多源信号和深度学习的设备故障诊断方法 | |
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 | |
CN115796002A (zh) | 一种基于深度学习的带钢卷形缺陷预测与诊断方法 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
CN115470595A (zh) | 一种数据与机理融合的热轧带钢凸度预测方法 | |
CN115098978A (zh) | 一种基于rbf神经网络改进牛顿迭代算法的正向运动学分析方法 | |
CN117213470B (zh) | 一种多机碎片地图聚合更新方法及*** | |
CN108415372B (zh) | 精密机床热误差补偿方法 | |
CN116958074A (zh) | 基于yolov7的物体表面缺陷检测方法 | |
CN113210936B (zh) | 一种直缝焊管的焊接方法、***和可读介质 | |
CN117019883B (zh) | 一种基于深度学习的带材轧制过程板形预测方法 | |
CN118247493B (zh) | 基于分段集成学习的伪造图片检测与定位方法及装置 | |
CN117911407B (zh) | 一种***缺陷形态的图像识别方法 | |
CN113360851B (zh) | 一种基于Gap-loss函数的工业流水线生产状态检测方法 | |
CN113857936B (zh) | 一种基于视觉检测的机床立柱热补偿方法、***和机床 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190510 Assignee: Ningbo Science and Technology Innovation Association Assignor: Ningbo University Contract record no.: X2023980033633 Denomination of invention: A Thermal Error Modeling and Detection Method for Machine Tool Spindles Based on Detection Neural Network Granted publication date: 20210316 License type: Common License Record date: 20230317 |
|
EE01 | Entry into force of recordation of patent licensing contract |