基于多体理论模型的加工中心热误差补偿技术

基于多体系统理论，建立了数控加工中心热误差模型，并提出其误差补偿方法。以三坐标ＭＡＫＩＮＯ加工中心为例，建立了具体模型并进行参数辨识。优选了４个测温点，实时测量其温度，作为误差参数辨识模型的输入值，实现了软件实时补偿。在该加工中心上分别沿３个坐标方向加工一系列表面并比较加入热误差补偿的结果，测量结果表明补偿效果显著。实践说明所建热误差模型的有效性和补偿方法的可行性。     

数控机床误差补偿技术研究

提出基于多体系统理论的数控机床运动误差模型,几何误差参数综合辨识模型及相应测量技术,使用９线位移误差及直线误差测量,可准确辨识数控机床整个工作区间内的全部２１项几何误差参数;在三坐标立式加工中心上进行软件误差补偿实验,并上坐标测量机检验。结果表明,建模方法具有较强的实用性,对数控机床加工误差补偿效果明显。     

基于NFLMS算法的Wiener型传感器动态补偿

在测量系统中许多传感器的动态特性是一个非线性Wiener模型,即存在着严重的静态非线性和动态响应滞后。当被测量对象的变化率高于传感器的响应速度时,测量结果与真值之间存在较大的动态误差。为了补偿动态误差,文中采用模型参考和Wiener逆模型辨识的方法建立动态补偿单元。考虑到Wiener逆模型的参数在辨识过程中是慢变的,辨识算法采用非线性滤波最小均方根(nonlinear filtered least mean squares,NFLMS)算法。仿真实验和应用研究表明,使用NFLMS算法辨识得到的补偿单元,能够很好地补偿Wiener型传感器动态误差。     

基于特征样件的数控铣床误差辨识方法研究

目前机床误差补偿成为提高数控机床加工精度的一种重要有效手段,而机床各轴多项误差的辨识/预测则是数控机床误差补偿的核心部分。为此提出一种新颖的机床误差辨识方法—通过试切特征样件来分离出机床XYZ三轴导轨的各项误差。应用多体系统运动学理论建立三轴数控机床的空间误差模型,在此基础上反求出具有特殊加工工艺参数与位置参数的几何要素集,通过测量由这些几何要素构成的样件辨识出机床XYZ三轴各项误差。以辨识机床X导轨的、、三项误差为例进行了理论推导,以为指标通过模型仿真与初步实验验证了该方法的可行性。     

提高数控机床加工精度技术研究

基于多体系统理论，建立了多坐标数控机床误差模型。介绍了3坐标数控机床9线辨识方法，研究了回转坐标6项误差的辨识方法。在4坐标数控机床上实现了几何误差的软件补偿。试验结果说明误差模型的准确性和补偿方法的实用性。     

基于多体理论模型的加工中心热误差补偿技术

基于多体系统理论,建立了数控加工中心热误差模型,并提出其误差补偿方法,以三坐标MAKINO加工中心为例,建立了具体模型并进行参数辨识,优选了4个测温点,实时测量其温度,作为误差参数辨识模型的输入值,实现了软件实时补偿,在该加工中心上分别沿3个坐标方向加工一系列表面并比较加入热误差补偿的结果,测量结果表明补偿效果显著,实践说明本文所建热误差模型的有效性和补偿方法的可行性.     

基于多体理论模型的加工中心热误差补偿技术

基于多体系统理论,建立了数控加工中心热误差模型,并提出其误差补偿方法,以三坐标MAKINO加工中心为例,建立了具体模型并进行参数辨识,优选了4个测温点,实时测量其温度,作为误差参数辨识模型的输入值,实现了软件实时补偿,在该加工中心上分别沿3个坐标方向加工一系列表面并比较加入热误差补偿的结果,测量结果表明补偿效果显著,实践说明本文所建热误差模型的有效性和补偿方法的可行性。     

数控机床全误差模型和误差补偿技术的研究

加工精度是数控机床必须保证的一项性能指标。提高机床精度是先进制造技术的重要课题，有误差避免和误差补偿两种方法。前者使机床造价大幅上升，而且精度的提高也有一定的限度。后者的精度提高几乎没有限制，对数控机床，计算机实时误差补偿技术是一种经济、有效的基本途径。基于多体系统理论，推导了多坐标数控机床，包含几何误差和热误差的全误差模型。文中介绍了坐标数控机床项误差的辨识方法(22线、14线和9线法)，还介绍了回转坐标6项误差的辨识方法。通过软件补偿，在3坐标联动和4坐标联动数控机床上实现了几何误差和热误差的补偿。实践结果表明误差模型的准确性和补偿方法的实用性。     

双光子聚合加工系统的误差建模及辨识

双光子聚合加工技术可实现大面积超材料快速结构化加工,双光子聚合加工系统中存在的误差是影响加工精度的重要因素之一。系统误差的来源以及系统误差的辨识分析是实现误差补偿,提高加工精度的重要前提。为了研究加工系统的各个组成部分的误差项及系统误差的主要来源,对系统误差进行辨识分析,从而建立双光子聚合加工系统的误差模型,并搭建实验测量系统,对微动台的几何误差进行测量,包括定位误差与直线度误差,然后采用改进九线辨识法对其它几何参数进行辨识,得到了加工系统的各项几何误差参数。对加工系统的误差项及其主要来源分析,可知系统的几何误差对加工精度的影响最大,同时对其误差参数进行辨识,对提高加工精度有重要意义。     

基于多体系统理论的非球面磨削误差模型与补偿技术

为提高大中型非球面的磨削精度,从而提高非球面的加工效率,研究轴对称非球面磨削过程的误差模型,并对误差进行补偿.运用多体系统理论,基于一阶线性模型,建立非球面磨削成形的统一误差模型,并且推导各种误差对于最终面形误差的传递函数.基于传递函数特征相似误差集中补偿的方法,将所有趋势项误差转化为砂轮对刀误差以及砂轮形状误差进行补偿,并建立实用补偿模型,从而避免求解、校正各项具体误差.试验结果表明,建立的误差模型和辨识模型正确,可以使面形误差收敛到预期范围,从而解决了轴对称非球面磨削中的精度控制问题.     

复杂曲面车削精度的神经网络控制

提出了一种基于神经网络的加工误差控制方法，引入神经网络对加工系统的逆模型进行辩识，运用该模型前置校正加工系统以改善加工精度。该方法在中凸变椭圆活塞裙面加工中的成功应用，证明了其合理性及先进性。     

基于神经网络的超磁致伸缩智能构件滑模控制

提出了一种利用超磁致伸缩材料（giant magnetostrictive material GMM）智能构件精密加工活塞异形孔方法。 为了消除GMM智能构件迟滞非线性影响,提出一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制。将智能构件的输出位移及其变化率作为小脑模型神经网络（CMAC）输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型,神经网络的建模近似误差以及外界干扰通过离散滑模变结构控制器来消除。仿真结果表明此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,可实现智能构件的精密位移控制。     

基于神经网络逆系统的发酵过程多变量解耦控制

发酵过程是时变、非线性、不确定的多变量耦合系统，高性能的解耦控制一直是追求的目标。将逆系统方法与神经网络相结合，提出了一种基于神经网络逆系统的发酵过程解耦控制方法。根据发酵过程的特点，给出了相应的数学模型，并证明了系统的可逆性，进一步构造神经网络逆系统并与发酵系统串联复合成伪线性系统，再设计线性闭环调节器实现高性能解耦控制。仿真结果表明，提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性，具有较强的鲁棒性，克服了解析逆系统解耦控制方案依赖于过程模型和对模型参数的变化很敏感的缺点。     

Fault diagnosis for manifold absolute pressure sensor(MAP) of diesel engine based on Elman neural network observer

Intake system of diesel engine is a strong nonlinear system, and it is difficult to establish accurate model of intake system; and bias fault and precision degradation fault of MAP of diesel engine can’t be diagnosed easily using model-based methods. Thus, a fault diagnosis method based on Elman neural network observer is proposed. By comparing simulation results of intake pressure based on BP network and Elman neural network, lower sampling error magnitude is gained using Elman neural network, and the error is less volatile. Forecast accuracy is between 0.015-0.017 5 and sample error is controlled within 0-0.07. Considering the output stability and complexity of solving comprehensively, Elman neural network with a single hidden layer and with 44 nodes is presented as intake system observer. By comparing the relations of confidence intervals of the residual value between the measured and predicted values, error variance and failures in various fault types. Then four typical MAP faults of diesel engine can be diagnosed: complete failure fault, bias fault, precision degradation fault and drift fault. The simulation results show: intake pressure is observable and selection of diagnostic strategy parameter reasonably can increase the accuracy of diagnosis;the proposed fault diagnosis method only depends on data and structural parameters of observer, not depends on the nonlinear model of air intake system. A fault diagnosis method is proposed not depending system model to observe intake pressure, and bias fault and precision degradation fault of MAP of diesel engine can be diagnosed based on residuals.     

压电陶瓷执行器的神经网络实时自适应逆控制

目的：为了提高压电陶瓷执行器执行精度,提出消除压电陶瓷的非线性、非光滑的迟滞特性的方法。 方法：提出了基于内积的压电陶瓷动态神经网络非线性、非光滑的迟滞逆模型,采用反馈误差学习方法,避免了求取压电陶瓷的Jacobian信息,快速地在线得到压电陶瓷的逆模型,并结合PID反馈控制,在dSPACE系统平台上,实现压电陶瓷的神经网络自适应逆控制,为了提高实时性,程序采用效率高、速度快的C-MEX S Function编程。结果：实验结果表明：神经网络自适应逆控制的控制精度为：0.13μm,而PID控制精度为：0.32μm 。结论：所提出方法有效地消除了迟滞的影响,控制精度高。     

基于贝叶斯神经网络的机床热误差建模

热误差严重影响着机床的加工精度,对机床关键部件进行热特性分析是开发精密机床的重要环节。通过测量包括数控机床的特殊位置温度和定位误差在内的热特性,研究了温升与定位误差之间的关系,提出了一种基于贝叶斯神经网络的热误差建模方法。通过K-means聚类和相关系数法来选择温度敏感点,可以有效地抑制温度测量点之间的多重共线性问题。结果表明:通过使用贝叶斯神经网络能提高机床88.015 9%的精度,比BP神经网络高出15.763 8%,与BP神经网络模型相比,贝叶斯神经网络具有更加优良预测性能。贝叶斯神经网络模型为降低机床热误差的影响提供了新思路。     

基于最近邻均匀设计神经网络逆模型的电磁标准振动台谐波控制方法研究

针对低频电磁标准振动台输出振动受刚度非线性影响而产生严重谐波失真问题,首先基于非线性特性幂级数等效原理,分析了输出振动的加速度失真特性。然后,为克服振动台逆模型辨识样本传统均匀采样法存在的效率低及精度差等问题,提出了最近邻均匀设计输入输出样本提取方法,由均匀设计法在传统采样点中选择小样本数据集,再依据近邻法将不能准确辨识的其他样本点加入数据集,构成最优训练样本集。进一步,辨识得到待控制振动台的神经网络逆模型,将其与原振动台模型串联后构建了谐波失真开环控制系统。最后,仿真及实验分析表明,神经网络控制可将整个工作频段内不同位移幅值振动加速度失真控制在标准要求的2%以内,而提出的最近邻均匀设计样本优化神经网络控制具有更优的谐波失真抑制效果。     

Neural networks approach to the determination of the machining parameters

A neural networks based approach to determine the appropriate machining parameters such as speed, depth of cut and feed is proposed in this study. In this approach neural networks were used for building automatic process planning systems. Training of neural networks was performed with back propagation method by using data sets sampled in a standard handbook. These networks consist of simple processing, elements or nodes capable of processing information in response to external inputs. This approach saves computing time and storage space. In addition, it provides easy extendability as new data become available. Currently, the system provides three neural networks: for turning, for milling and for drilling operations. The performance of the trained neural network for drilling is evaluated to examine how well it predicts the machining parameters. Test results show that the neural network for the turning operation is able to predict the machining parameter values within an acceptable error rate.     

Real-Time Prediction of Workpiece Errors for a CNC Turning Centre, Part 4. Cutting-Force-Induced Errors

A neural network method is presented for predicting cutting-force-induced errors in real-time during turning operations based on the estimated cutting forces. Workpiece errors can be considerably affected by the deflections of the machine–workpiece–tool system. A model of the elastic deflections of the machine–workpiece–tool system due to the cutting force in turning developed. A novel radial basis function (RBF) neural network is used to map the relationship between the cutting-force components (radial, axial and tangential) and the consequent dimensional deviation of the finished parts caused by the combined deflections of the machine–workpiece–tool system. Cutting tests were performed on a two-axis CNC turning centre and the experimental results showed that the prediction accuracy of the maximum diameter error of the workpiece was within 15%. The trained RBF neural network was able to predict the cutting force induced error in real-time during turning.     

基于神经网络的缠绕过程张力积分鲁棒控制

纤维缠绕系统是典型的非线性系统,缠绕过程张力控制精度决定了缠绕制品成型品质,然而系统非线性特性、摩擦及外干扰等严重制约了缠绕过程张力控制性能的提升。目前现有方法主要以收/放卷两轴同步控制为基础,通过解耦等复杂操作展开张力控制研究,计算量大且不利于控制算法的应用。为了避免上述问题并准确描述缠绕系统张力产生机理和实际的摩擦特性,建立简化的缠绕系统非线性数学模型。同时以自适应作为神经网络权值训练方法,基于自适应神经网络设计出干扰量的逼近函数,在基于连续积分鲁棒（RISE）控制器设计的控制律中补偿扰动的影响,并基于Lyapunov稳定性理论证明了系统的渐近稳定性。最后,给出所提出控制器与现有方法的对比验证实例,结果表明所提出基于神经网络扰动补偿的积分鲁棒控制显著增强了系统抑制外干扰的能力,提升了张力控制精度。