TWI845262B - 誤差預測方法、工具機控制參數規劃方法以及系統 - Google Patents
誤差預測方法、工具機控制參數規劃方法以及系統 Download PDFInfo
- Publication number
- TWI845262B TWI845262B TW112114465A TW112114465A TWI845262B TW I845262 B TWI845262 B TW I845262B TW 112114465 A TW112114465 A TW 112114465A TW 112114465 A TW112114465 A TW 112114465A TW I845262 B TWI845262 B TW I845262B
- Authority
- TW
- Taiwan
- Prior art keywords
- machine tool
- error
- interval
- control parameter
- machine learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010801 machine learning Methods 0.000 claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 101000786631 Homo sapiens Protein SYS1 homolog Proteins 0.000 description 5
- 102100025575 Protein SYS1 homolog Human genes 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003754 machining Methods 0.000 description 4
- 101000746134 Homo sapiens DNA endonuclease RBBP8 Proteins 0.000 description 3
- 101000969031 Homo sapiens Nuclear protein 1 Proteins 0.000 description 3
- 102100021133 Nuclear protein 1 Human genes 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Abstract
本發明公開一種誤差預測方法、工具機控制參數規劃方法以及系統。一種誤差預測方法，適用於一工具機，所述誤差預測方法包括：利用一工具機插補規劃模型計算所述工具機的多軸位置控制資訊；利用一伺服馬達模型用於計算所述工具機的一位置回授資訊以及一轉角誤差；以及利用一多誤差區間機器學習模型根據所述工具機的多軸位置控制資訊、所述位置回授資訊以及所述轉角誤差，計算所述工具機的動態轉角輪廓誤差值。
Description
本發明涉及一種誤差預測方法、工具機控制參數規劃方法以及系統，特別是涉及一種精確分析誤差區間的誤差預測方法、工具機控制參數規劃方法以及系統。
工具機的製作精度相當重要，尤其在不同進刀路徑造成的誤差，可以影響物件的精度。而工具機的精度也取決於工具機本身的工作參數的調整。
本發明所要解決的技術問題在於，針對現有技術的不足提供一種誤差預測方法，適用於一工具機，所述誤差預測方法包括：利用一工具機插補規劃模型計算所述工具機的多軸位置控制資訊；利用一伺服馬達模型用於計算所述工具機的一位置回授資訊以及一轉角誤差；以及利用一多誤差區間機器學習模型根據所述工具機的多軸位置控制資訊、所述位置回授資訊以及所述轉角誤差，計算所述工具機的所述動態轉角輪廓誤差值。
為了解決上述的技術問題，本發明所採用的其中一技術方案是提供一種工具機控制參數規劃方法，適用於一工具機，所述工具機控制參數
規劃方法包括：擷取所述工具機的多軸位置控制資訊；擷取所述工具機的至少一伺服馬達的一位置控制資訊，以獲得所述工具機的一位置回授資訊以及一轉角誤差；根據所述工具機的多軸位置控制資訊、所述位置回授資訊以及所述轉角誤差，計算所述工具機的所述動態轉角輪廓誤差值；以及根據所述動態轉角輪廓誤差值計算一多誤差區間機器學習模型，並根據所述多誤差區間機器學習模型建立多個誤差區間控制參數集。
為了解決上述的技術問題，本發明所採用的另外一技術方案是提供一種工具機控制參數規劃系統，適用於一工具機，所述工具機至少包括一多軸控制電路以及一伺服馬達，所述工具機控制參數規劃系統包括：多個感測器，分別偵測所述多軸控制電路的一多軸位置控制資訊以及偵測所述伺服馬達的一位置控制資訊以獲得所述工具機的一位置回授資訊以及一轉角誤差；一分析電路，連接所述多個感測器，所述分析電路根據所述多個感測器提供的所述多軸控制電路的所述多軸位置控制資訊、所述工具機的所述位置回授資訊以及所述轉角誤差計算獲得所述工具機的一多誤差區間機器學習模型，所述分析電路根據所述多誤差區間機器學習模型決定所述工具機的多個誤差區間的多個誤差區間控制參數集。
本發明的其中一有益效果在於，本發明所提供的誤差預測方法、工具機控制參數規劃方法以及系統，可以利用工具機的各種參數以及輪廓誤差，且利用本發明提供的誤差區間分割方法所建立的多誤差區間機器學習模型，有效建立加工參數與輪廓誤差間的非線性模型，並且可以有效降低誤差，增進加工精度。
為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。
S101-S103,S201-S205,S301-S305:步驟
C1,C2,C3:工具機
C10:電腦輔助設計系統/電腦輔助製造系統
C11,C21,C31:多軸控制電路
C12,C22,C32:伺服馬達
C110:NC解譯器
C111:插補器
N1,N2:標號
D1-DN:感測器
SYS1:工具機控制參數規劃系統
A1:分析電路
COM1:通訊電路
圖1是本發明第一實施例的誤差預測方法的流程圖。
圖2是工具機的部件示意圖。
圖3是前插補規劃模型的示意圖。
圖4是前插補規劃模型以及後插補規劃模型的示意圖。
圖5是經過前插補規劃模型以及後插補規劃模型的輪廓誤差示意圖。
圖6是本發明第一實施例建立多誤差區間機器學習模型的流程圖。
圖7是利用圖6流程圖建立的多誤差區間機器學習模型的示意圖。
圖8是本發明第二實施例的工具機控制參數規劃方法的流程及實施示意圖。
圖9是本發明第三實施例的工具機控制參數規劃系統的示意圖。
以下是通過特定的具體實施例來說明本發明所公開有關“誤差預測方法、工具機控制參數規劃方法以及系統”的實施方式，本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不背離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下的實施方
式將進一步詳細說明本發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。另外，本文中所使用的術語“或”，應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。
[第一實施例]
請參閱圖1以及圖2，圖1是本發明第一實施例的誤差預測方法的流程圖。圖2是工具機的部件示意圖。
在本實施例中，提供一種誤差預測方法，適用於一工具機C1。誤差預測方法包括下列步驟：步驟S101：利用一工具機插補規劃模型計算所述工具機的多軸位置控制資訊；步驟S102：利用一伺服馬達模型用於計算所述工具機的一位置回授資訊以及一轉角誤差；以及步驟S103：利用一多誤差區間機器學習模型根據工具機的多軸位置控制資訊、所述位置回授資訊以及所述轉角誤差，計算所述工具機的所述動態轉角輪廓誤差值。
工具機C1至少包括一多軸控制電路C11以及一伺服馬達C12。此外，工具機C1還可以包括或是接收一電腦輔助設計系統/電腦輔助製造系統C10(CAD/CAM)的加工程式。
工具機C1的控制命令，也就是多軸位置控制資訊，其產生方式是由工具機C1的多軸控制電路C11中的插補器模型規劃而成。當電腦輔助設計系統/電腦輔助製造系統(CAD/CAM)產生加工程式後，則會通過工具機C1的多軸控制電路C11的插補器規劃多軸位置控制資訊，最後將多軸位置控制資訊給予伺服馬達C12的驅動器進行移動。在本實施例中，多軸控制電路還包括一NC解譯器C110以及一插補器C111。兩者都可以通過軟體、硬體或是韌體的形式
達成其功能。
在步驟S101中，工具機插補規劃模型包括一前插補規劃模型以及一後插補規劃模型。請參閱圖3以及圖4，圖3是前插補規劃模型的示意圖。圖4是前插補規劃模型以及後插補規劃模型的示意圖。圖5是經過前插補規劃模型以及後插補規劃模型的輪廓誤差示意圖。
插補器會規劃每個取樣時間內的移動距離，即所謂的位置規劃。其中插補器又分為前插補規劃模型(圖3所示)與後插補規劃模型，前插補規劃模型是將電腦輔助製造系統(CAM)所產生的路徑根據工具機C1中的多軸控制電路C11所設定的速度、加速度、急衝度與輪廓誤差等參數進行刀具中心(Tool Center Point,TCP)的速度規劃，最後在依照線段角度投影回各軸。速度投影回各軸後會在相接處產生速度斷差。圖3以及圖4中，標號N1、標號N2是刀具進刀的不同路徑。
如圖4所示，速度斷差會導致工具機發生振動，為了降低振動，多軸控制電路C11會利用後插補規劃模型進行補償。後插補規劃模型是利用濾波的方式減低各軸速度斷差所產生的速度振動。但是利用濾波方式降低速度斷差，則會將各軸的移動時間延長。也因此，在速度交界處會出現疊合的情況因而產生路徑上的輪廓誤差。
在步驟S102中，則是偵測伺服馬達的工作參數，簡化成位置迴路以及前饋的一階模型，其速度迴路以及電流迴路則可以設定為常數，將高頻振動的狀態進行簡化。
再者，請參閱圖5，根據前述前插補規劃模型、後插補規劃模型、伺服馬達模型以及圖5的轉角路徑即可計算得到不同插補參數(如：後插補時間、轉角速度(轉角最大速差))及伺服馬達工作參數(位置增益、前饋)與轉角角度改變所造成轉角誤差數值的不同差異。
在步驟S103，則請參閱圖6以及圖7，圖6是本發明第一實施例建立多誤差區間機器學習模型的流程圖。圖7是利用圖6流程圖建立的多誤差區間機器學習模型的示意圖。
多誤差區間機器學習模型區分多軸位置控制資訊、位置回授資訊以及轉角誤差為多個參數區間。多誤差區間機器學習模型根據多個參數區間建立多個多誤差區間機器學習子模型。
請參閱圖6，在本實施例中，多誤差區間機器學習模型是根據下列步驟建立所述多個多誤差區間機器學習子模型。
步驟S201：尋找多個目標特徵對應的所有出現過的目標特徵數值；步驟S202：以對應的中位數其前後一個標準差的數值為嘗試區間；步驟S203：以誤差區間內的數值進行區域分割；步驟S204：計算分割後兩誤差區間中的相關係數差異；以及步驟S205：選取可以造成最大相關係數差異的分割點。
根據上述步驟S201至步驟S205，則可以計算得出圖7中呈現離散狀態的多個子模型。使用者可以根據本實施例的多誤差區間機器學習模型的多個多誤差區間機器學習子模型以及工具機的操作系統。
以上步驟，可以在少量的資料下建立更高效的機器學習模型，而且使用了集成模型的概念，透過多個子模型組合成一個性能更佳的機器學習模型。在各個子模型的負責區域，在本實施例中，多個多誤差區間機器學習子模型是Pearson相關係數作為指標，將可能使用的參數範圍進行分割。
此外，本例實施的多誤差區間機器學習模型能夠達到μm等級。也就是可以有效降低轉角誤差。
[第二實施例]
請參閱圖8，圖8是本發明第二實施例的工具機控制參數規劃方法的流程及實施示意圖。
在本實施例中，提供一種工具機控制參數規劃方法，適用於一工具機C2。工具機控制參數規劃方法包括下列步驟：步驟S301：擷取工具機的多軸位置控制資訊；步驟S302：擷取工具機的至少一伺服馬達的一位置控制資訊，以獲得工具機的一位置回授資訊以及一轉角誤差；步驟S303：根據工具機的多軸位置控制資訊、位置回授資訊以及轉角誤差，計算工具機的動態轉角輪廓誤差值；步驟S304：至少根據動態轉角輪廓誤差值計算一多誤差區間機器學習模型，並根據所述多誤差區間機器學習模型建立多個誤差區間控制參數集；以及步驟S305：選擇多個誤差區間控制參數集的其中之一輸入工具機以進行操作。
在本實施例中，工具機C2至少包括一多軸控制電路C21以及一伺服馬達C22。
在步驟S301以及S302中，是擷取工具機C2中的多軸控制電路C21以及伺服馬達C22的工作參數，例如多軸位置控制資訊、位置回授資訊以及轉角誤差。接著則是在步驟S303中，根據以上工作參數，計算工具機的動態轉角輪廓誤差值。
在步驟S304中，則是根據工具機C2的動態轉角輪廓誤差值、多軸位置控制資訊、位置回授資訊以及轉角誤差計算一多誤差區間機器學習模型，並根據多誤差區間機器學習模型建立多個誤差區間控制參數集。
再者，多誤差區間控制參數集是根據多誤差區間機器學習模型而建立的。而且，多誤差區間機器學習模型包括多個誤差區間機器學習子模型。每一個誤差區間機器學習子模型都對應一個誤差區間控制參數集。
如圖7所示，每一個圓圈都對應著一個誤差區間，而且也包括對應的控制參數的集合(誤差區間控制參數集)。
在步驟S305中，工具機C2的多軸控制電路C21可以接收步驟S304中的多個誤差區間控制參數集，並且選擇其中之一以進行工具機C2的操作。此外，本實施例中的步驟S301至步驟S305可以由一獨立的電子裝置進行執行，例如一伺服器、一智能平板、一智能手機、一桌上型電腦或是一筆記型電腦。本實施例中的步驟S301至步驟S305也可以設計為一韌體、一硬體或是一軟體，作為嵌入式系統，設置在工具機C2中。
[第三實施例]
請參閱圖9，圖9是本發明第三實施例的工具機控制參數規劃系統的示意圖。
本實施例中，提供一種工具機控制參數規劃系統SYS1，適用於一工具機。工具機C3至少包括一多軸控制電路C31以及一伺服馬達C32。工具機控制參數規劃系統SYS1包括多個感測器D1-DN。多個感測器D1-DN分別偵測多軸控制電路C31的一多軸位置控制資訊以及偵測伺服馬達C32的一位置控制資訊以獲得工具機C3的一位置回授資訊以及一轉角誤差。
分析電路A1，連接多個感測器D1-DN。分析電路A1根據多個感測器D1-DN提供的多軸控制電路C31的多軸位置控制資訊、工具機C3的位置回授資訊以及轉角誤差，以計算獲得工具機C3的一多誤差區間機器學習模型。分析電路A1根據多誤差區間機器學習模型決定工具機C3的多個誤差區間的多個誤差區間控制參數集。
工具機控制參數規劃系統SYS1還包括一通訊電路COM1，連接分析電路A1。分析電路A1通過通訊電路COM1提供多個誤差區間的多個誤差區間控制參數集至工具機C3，以供工具機C3的多軸控制電路C31選取多個誤差區間控制參數集的其中一個進行操作。
類似地，本實施例的工具機控制參數規劃系統SYS1可以由一獨立於工具機的電子裝置，例如伺服器、智能手機、平板電腦、桌上型電腦或是筆記型電腦，進行執行，或是由工具機C3中的一嵌入式系統進行執行。
[實施例的有益效果]
本發明的其中一有益效果在於，本發明所提供的誤差預測方法、工具機控制參數規劃方法以及系統，可以利用工具機的各種參數以及輪廓誤差，且利用本發明提供的誤差區間分割方法所建立的多誤差區間機器學習模型，有效建立加工參數與輪廓誤差間的非線性模型，並且可以有效降低誤差，增進加工精度。
以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。
S101-S103:步驟
Claims (8)
- 一種誤差預測方法，適用於一工具機，所述誤差預測方法包括：利用一工具機插補規劃模型計算所述工具機的多軸位置控制資訊；利用一伺服馬達模型用於計算所述工具機的一位置回授資訊以及一轉角誤差；以及利用一多誤差區間機器學習模型根據所述工具機的所述多軸位置控制資訊、所述位置回授資訊以及所述轉角誤差，計算所述工具機的一動態轉角輪廓誤差值；其中，所述工具機插補規劃模型包括一前插補規劃模型以及一後插補規劃模型；其中，所述多誤差區間機器學習模型根據下列步驟建立多個多誤差區間機器學習子模型：尋找多個目標特徵對應的所有出現過的目標特徵數值；以對應的中位數其前後一個標準差的數值為嘗試區間；以區間內的數值進行區域分割；計算分割後兩區間中的相關係數差異；以及選取可以造成最大相關係數差異的分割點。
- 如請求項1所述的誤差預測方法，其中，所述多誤差區間機器學習模型區分所述多軸位置控制資訊、所述位置回授資訊以及所述轉角誤差為多個參數區間，所述多誤差區間機器學習模型根據所述多個參數區間建立所述多個多誤差區間機器學習子模型。
- 一種工具機控制參數規劃方法，適用於一工具機，所述工具機控制參數規劃方法包括：擷取所述工具機的多軸位置控制資訊； 擷取所述工具機的至少一伺服馬達的一位置控制資訊，以獲得所述工具機的一位置回授資訊以及一轉角誤差；根據所述工具機的多軸位置控制資訊、所述位置回授資訊以及所述轉角誤差，計算所述工具機的一動態轉角輪廓誤差值；以及根據所述動態轉角輪廓誤差值計算一多誤差區間機器學習模型，並根據所述多誤差區間機器學習模型建立多個誤差區間控制參數集；其中，所述多誤差區間機器學習模型根據下列步驟建立多個多誤差區間機器學習子模型，尋找多個目標特徵對應的所有出現過的目標特徵數值；以對應的中位數其前後一個標準差的數值為嘗試區間；以區間內的數值進行區域分割；計算分割後兩區間中的相關係數差異；以及選取可以造成最大相關係數差異的分割點。
- 如請求項3所述的工具機控制參數規劃方法，還包括：選擇所述多個誤差區間控制參數集的其中之一輸入所述工具機以進行操作。
- 如請求項4所述的工具機控制參數規劃方法，其中，多誤差區間控制參數集是根據所述多誤差區間機器學習模型而建立的，所述多誤差區間機器學習模型包括多個誤差區間機器學習子模型。
- 一種工具機控制參數規劃系統，適用於一工具機，所述工具機至少包括一多軸控制電路以及一伺服馬達，所述工具機控制參數規劃系統包括：多個感測器，分別偵測所述多軸控制電路的一多軸位置控制資訊以及偵測所述伺服馬達的一位置控制資訊以獲得所述工具機 的一位置回授資訊以及一轉角誤差；一分析電路，連接所述多個感測器，所述分析電路根據所述多個感測器提供的所述多軸控制電路的所述多軸位置控制資訊、所述工具機的所述位置回授資訊以及所述轉角誤差計算獲得所述工具機的一多誤差區間機器學習模型，所述分析電路根據所述多誤差區間機器學習模型決定所述工具機的多個誤差區間的多個誤差區間控制參數集；其中，所述多誤差區間機器學習模型根據下列步驟建立多個多誤差區間機器學習子模型，尋找多個目標特徵對應的所有出現過的目標特徵數值；以對應的中位數其前後一個標準差的數值為嘗試區間；以區間內的數值進行區域分割；計算分割後兩區間中的相關係數差異；以及選取可以造成最大相關係數差異的分割點。
- 如請求項6所述的工具機控制參數規劃系統，還包括一通訊電路，連接所述分析電路，所述分析電路通過所述通訊電路提供所述多個誤差區間的所述多個誤差區間控制參數集至我所述工具機，以供所述工具機選取所述多個誤差區間控制參數集的其中一個進行操作。
- 如請求項7所述的工具機控制參數規劃系統，其中，所述工具機控制參數規劃系統由一獨立於工具機的電子裝置進行執行，或是由所述工具機中的一嵌入式系統進行執行。
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWI845262B true TWI845262B (zh) | 2024-06-11 |
Family
ID=
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070278980A1 (en) | 2006-06-02 | 2007-12-06 | Delta Tau Data Systems, Inc. | Motorized system and method of control |
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070278980A1 (en) | 2006-06-02 | 2007-12-06 | Delta Tau Data Systems, Inc. | Motorized system and method of control |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9513623B2 (en) | Method for generating trajectory for numerical control process | |
| US20190195631A1 (en) | Positioning method, positioning device, and robot | |
| Cheng et al. | Real-time variable feed rate NURBS curve interpolator for CNC machining | |
| CN103460151B (zh) | 用于借助数字控制的工件加工装置加工工件的方法以及工件加工装置 | |
| CN111324977B (zh) | 利用动态位置误差模拟切削方法 | |
| US9715225B2 (en) | Numerical controller for smoothing tool path in operation based on table format data | |
| Bosetti et al. | Feed-rate and trajectory optimization for CNC machine tools | |
| JPWO2008149431A1 (ja) | プログラム作成装置、数値制御装置およびプログラム作成方法 | |
| CN109933008B (zh) | 一种非实时***和机器人控制器的双插补方法及装置 | |
| Dipper et al. | Defining, recognizing and representing feature interactions in a feature-based data model | |
| CN111553239A (zh) | 一种机器人关节视觉伺服控制方法、终端设备及存储介质 | |
| CN113319859B (zh) | 一种机器人示教方法、***、装置及电子设备 | |
| CN115946120B (zh) | 机械臂控制方法、装置、设备和介质 | |
| Ahmad et al. | 3D safe and intelligent trajectory generation for multi-axis machine tools using machine vision | |
| US20240009841A1 (en) | Dynamic target tracking method, robot and computer-readable storage medium | |
| Wang et al. | LED chip accurate positioning control based on visual servo using dual rate adaptive fading Kalman filter | |
| Rea Minango et al. | Combining the STEP-NC standard and forward and inverse kinematics methods for generating manufacturing tool paths for serial and hybrid robots | |
| TWI845262B (zh) | 誤差預測方法、工具機控制參數規劃方法以及系統 | |
| Zhang et al. | Deep learning-based robot vision: High-end tools for smart manufacturing | |
| CN113021329B (zh) | 一种机器人运动控制方法、装置、可读存储介质及机器人 | |
| Liu et al. | Real-time exact contour error calculation of NURBS tool path for contour control | |
| US20200324413A1 (en) | Method and system for predicting collision of machining path | |
| CN114274148B (zh) | 一种轨迹规划方法、装置、电子设备以及存储介质 | |
| JP3231478B2 (ja) | ロボットの教示装置 | |
| CN109634273A (zh) | 可移动设备的跟随控制方法及装置 |