基于LSTM与牛顿迭代的两轴系统轮廓误差控制

针对轮廓误差影响运动系统精度的问题,提出结合长短期记忆神经网络(LSTM)和牛顿迭代法对轮廓误差进行预测、通过转换任务坐标系对轮廓误差进行补偿的方法.在运动平台上提取特征轮廓与数据,将牛顿迭代法应用于对轮廓误差的计算,通过计算出的轮廓误差对优化后的LSTM神经网络进行训练,建立更准确的轮廓误差预测模型.通过转换任务坐标系,将预测的轮廓误差作为前馈补偿到参考轮廓中,提高轮廓控制性能.通过试验对比PID、迭代法和神经网络法,利用随机NRBUS轨迹验证泛化性,表明提出的方法能够有效地预测并控制轮廓误差,在精密运动控制领域有良好的应用前景.     

基于混合驱动的进给系统数字孪生模型自适应更新法

为了解决传统建模方法搭建的数控机床进给系统模型形式单一且缺乏与物理空间的在线实时交互，导致仿真结果精度低的问题，提出一种基于机理模型和数据驱动模型混合驱动的进给系统数字孪生模型自适应更新方法。该方法针对进给系统多领域耦合的特点，利用物理建模工具Simulink/Simscape建立了机电一体化数字孪生机理模型，同时基于长短记忆神经网络建立了数字孪生数据驱动模型，二者混合构成进给系统数字孪生模型。在此基础上，采用带有遗忘因子的递推最小二乘算法更新模型，提高了模型的适应性。通过双轴进给系统的虚实同步运动实验验证了所提方法的有效性。