蘇宇鋒，袁文信，劉德平，劉武發(fā)，段智勇

(鄭州大學(xué)a.機(jī)電一體化研究所;b.物理工程學(xué)院，鄭州 450001)

0 引言

在高速加工中，由于高速電主軸的剛度及其精度都較高，機(jī)床加工過程中所引起的機(jī)械誤差的比重較小;而電主軸的發(fā)熱卻不可避免，由于其發(fā)熱所引起的誤差已經(jīng)占到了總加工誤差的60%——80%，因此，對于高速主軸單元來說，采用必要的措施以較少其熱誤差對于機(jī)床的加工精度的影響就顯得尤為重要。目前主要采用的有硬補(bǔ)償和軟補(bǔ)償兩種方法［1-3］，使用硬補(bǔ)償技術(shù)的成本太高，且精度的提高有限，因此使用軟補(bǔ)償技術(shù)已經(jīng)成為目前以及未來的主要發(fā)展趨勢。本文在參考大量文獻(xiàn)的基礎(chǔ)上［4-9］，建立了基于BP 神經(jīng)網(wǎng)絡(luò)的電主軸熱誤差補(bǔ)償模型，利用工具軟件MATLAB 對其進(jìn)行一系列仿真實(shí)驗，并測試了該模型的一些精度指標(biāo)。

1 電主軸BP 神經(jīng)建模節(jié)點(diǎn)選取

在進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)的建模前，首先要進(jìn)行必要的前期準(zhǔn)備工作。首先利用有限元軟件ABAQUS 對CX8075 加工中心電主軸進(jìn)行了熱-結(jié)構(gòu)的耦合分析，可以得到電主軸各個節(jié)點(diǎn)的溫升以及電主軸軸端的熱變形誤差的數(shù)據(jù)，這里總共分析得到了電主軸在冷卻液流量為20.52L/min 和16.52L/min 兩種情況下的主軸溫升和熱變形誤差數(shù)據(jù)，其中第一組數(shù)據(jù)用于BP 網(wǎng)絡(luò)的訓(xùn)練以測試其擬合的性能，第二組為測試組數(shù)據(jù)，用于對網(wǎng)絡(luò)的預(yù)測能力的測試。分析所得到的節(jié)點(diǎn)的溫升變化數(shù)據(jù)并不能夠全部應(yīng)用于建模，還需進(jìn)行一系列的篩選和優(yōu)化以選出電主軸的熱關(guān)鍵點(diǎn)。熱關(guān)鍵點(diǎn)選擇的范圍為電主軸的表面的46 個節(jié)點(diǎn)，通過在MATLAB 中進(jìn)行模糊聚類的分析，最終選取了5 個與電主軸熱誤差線性關(guān)聯(lián)度最大的節(jié)點(diǎn)來應(yīng)用于BP 神經(jīng)網(wǎng)絡(luò)的建模，這5 個節(jié)點(diǎn)分別位于前法蘭盤上的608 和603 號節(jié)點(diǎn)、后軸承架上的222 和15號節(jié)點(diǎn)以及主軸外殼上的218 號節(jié)點(diǎn)，按順序依次編號為1 ～5，則具體的位置分布如圖1 所示［10］。

圖1 電主軸溫度測點(diǎn)分布示意圖

2 BP 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡(luò)具有三層或者三層以上的結(jié)構(gòu)，第一層為輸入層，最后一層為輸出層，中間的一層或者數(shù)層被稱為隱含層。BP 神經(jīng)網(wǎng)絡(luò)具有信號前向傳遞，而誤差反向傳播的特點(diǎn)。

圖2 中，Xi(i = 1，2，…，n)是神經(jīng)網(wǎng)絡(luò)的輸入值;而Yj(j = 1，2，…，m)為BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測值;ωij和ωjk為BP 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值，它們的值會隨著網(wǎng)絡(luò)訓(xùn)練的過程不斷更新。

BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如圖2 所示。

圖2 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

3 電主軸神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練的過程即為建模的過程，只有經(jīng)過訓(xùn)練后的網(wǎng)絡(luò)才具備聯(lián)想記憶和預(yù)測的能力。網(wǎng)絡(luò)的訓(xùn)練過程包括以下幾個步驟:

(1)網(wǎng)絡(luò)的初始化:初始化輸入層與隱含層、隱含層與輸出層神經(jīng)元之間的連接權(quán)值ωij和ωjk，初始化隱含層的閾值a 和輸出層的閾值b，最后給定學(xué)習(xí)的速率和神經(jīng)元的激勵函數(shù)

(2)隱含層輸出的計算:隱含層的輸出H 的表達(dá)式如下所示:

式中:l 為隱含層的節(jié)點(diǎn)數(shù);f 為隱含層的激勵函數(shù)。

(3)輸出層的輸出計算:神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出Ο，其計算的表達(dá)式如下所示:

(4)誤差的計算:根據(jù)網(wǎng)絡(luò)的預(yù)測輸出Ο 和期望輸出Y，計算網(wǎng)絡(luò)的預(yù)測誤差e。

(5)權(quán)值的更新:根據(jù)網(wǎng)絡(luò)的預(yù)測誤差e 更新網(wǎng)絡(luò)的連接權(quán)值ωij和ωjk。

式中的η 為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率。

(6)閾值的更新:根據(jù)網(wǎng)絡(luò)預(yù)測誤差e 可以更新網(wǎng)絡(luò)的節(jié)點(diǎn)閾值a 和b。

(7)判斷算法迭代是否結(jié)束，如果沒有結(jié)束，則返回步驟2。

網(wǎng)絡(luò)的訓(xùn)練在MATLAB 工具箱中來完成，在實(shí)際訓(xùn)練之前首先要確定網(wǎng)絡(luò)的結(jié)構(gòu)形式和一些訓(xùn)練參數(shù)的設(shè)定。

(1)網(wǎng)絡(luò)的層數(shù)選擇三層BP 神經(jīng)網(wǎng)絡(luò)，對于任意n 維輸入到m 維輸出數(shù)據(jù)的映射，它都能夠勝任;輸入層節(jié)點(diǎn)數(shù)選擇選擇5 個節(jié)點(diǎn)，分別對應(yīng)之前確定的5 個溫度輸入變量;輸出層節(jié)點(diǎn)數(shù)目為2，分別對應(yīng)電主軸的軸向和徑向的熱變形誤差;隱含層節(jié)點(diǎn)的數(shù)目確定起來比較困難，它的數(shù)目的多少將直接影響到所訓(xùn)練網(wǎng)絡(luò)的質(zhì)量，這里參考公式(8)和公式(9)先確定一個初始值，然后調(diào)整該值的大小，并進(jìn)行多次的訓(xùn)練實(shí)驗比較每一次的訓(xùn)練效果后，最終確定了選擇12 個節(jié)點(diǎn)時效果最佳。

式中:n 為輸入層神經(jīng)元個數(shù);m 為輸出層的神經(jīng)元個數(shù);a 為［1，10］之間的常數(shù)。

這樣最終的網(wǎng)絡(luò)結(jié)構(gòu)形式就確定為5-12-2。

(2)接下來選擇網(wǎng)絡(luò)的激勵函數(shù)，第一層激勵函數(shù)選擇正切S 型傳遞函數(shù)'tansig';輸出層激勵函數(shù)采用了線性傳遞函數(shù)'purelin';網(wǎng)絡(luò)的訓(xùn)練采用了系統(tǒng)默認(rèn)的方法'trainlm'，使用該方法訓(xùn)練速度快，且能達(dá)到較高的訓(xùn)練精度。

(3)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)選擇1000 次，如果網(wǎng)絡(luò)訓(xùn)練超過了設(shè)定次數(shù)還沒有達(dá)到收斂，則要適當(dāng)?shù)卦黾哟螖?shù);期望的誤差平方和設(shè)定為0.001，雖然較小的誤差值會使模型的擬合效果更好，但也同時會降低模型的預(yù)報能力;訓(xùn)練步長設(shè)定為初始值0.01。

需要注意的是，在進(jìn)行網(wǎng)絡(luò)的訓(xùn)練之前要對網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)進(jìn)行歸一化處理，歸一化后的數(shù)據(jù)再進(jìn)行訓(xùn)練能夠加快網(wǎng)絡(luò)的訓(xùn)練速度，也更容易收斂，歸一化的方法有很多種，這里我們采用如下的公式進(jìn)行數(shù)據(jù)的歸一化:

運(yùn)用此公式歸一化后所有的數(shù)據(jù)都限定在了區(qū)間［－1，1］中。

以下是利用MATLAB 神經(jīng)網(wǎng)絡(luò)的工具箱來完成該網(wǎng)絡(luò)的訓(xùn)練和預(yù)報輸出主體代碼。

4 網(wǎng)絡(luò)的擬合和預(yù)測結(jié)果

網(wǎng)絡(luò)的訓(xùn)練完成之后，將第一組數(shù)據(jù)(冷卻液流量為20.52L/min)中的溫度變化數(shù)據(jù)再次代入訓(xùn)練好的網(wǎng)絡(luò)模型中，并與誤差原始值(有限元計算值)進(jìn)行對比后，可以得到電主軸熱變形誤差的擬合對比結(jié)果，如圖3 和圖4 所示。

圖3 徑向熱誤差擬合對比效果圖

圖4 軸向熱誤差擬合對比效果圖

將第二組數(shù)據(jù)(冷卻液流量為16.52L/min)中的溫度變化數(shù)據(jù)導(dǎo)入訓(xùn)練好的網(wǎng)絡(luò)模型中，并與原始值(有限元計算值)進(jìn)行對比顯示，可以得到圖5和圖6 電主軸熱誤差BP 網(wǎng)絡(luò)預(yù)報結(jié)果對比圖。

由圖3 ～6 中可以直觀地看到，電主軸的原始熱誤差值與模型計算的輸出結(jié)果的值非常接近，這代表運(yùn)用該BP 神經(jīng)網(wǎng)絡(luò)模型能夠補(bǔ)償大部分的熱變形誤差，而運(yùn)用該網(wǎng)絡(luò)進(jìn)行補(bǔ)償后的誤差如圖中所示的殘余誤差曲線。

圖5 徑向熱誤差預(yù)報對比效果圖

圖6 軸向熱誤差預(yù)報效果圖

另外，我們對此次訓(xùn)練的模型的主要精度指標(biāo)進(jìn)行實(shí)際的測試后，得到的結(jié)果如表1 所示。

表1 BP 神經(jīng)網(wǎng)絡(luò)模型的主要精度指標(biāo)

5 結(jié)束語

綜上所述，利用BP 神經(jīng)網(wǎng)絡(luò)來建立電主軸的熱誤差補(bǔ)償模型是一種可行性較高的方法，通過圖2 ～5 的對比效果和表1 所測得的精度指標(biāo)顯示，運(yùn)用該模型能夠顯著提高電主軸的精度，減小加工誤差。然而，在實(shí)驗中也發(fā)現(xiàn)了BP 神經(jīng)網(wǎng)絡(luò)的諸多不足之處，主要是操作者的水平要求較高，網(wǎng)絡(luò)訓(xùn)練的參數(shù)比如隱含層節(jié)點(diǎn)數(shù)、期望誤差平方和指標(biāo)等等的選定需要經(jīng)過多次的實(shí)驗比較后才能最終確定，因此網(wǎng)絡(luò)的訓(xùn)練時間較長。

［1］楊建國，張宏韜，童恒超，等. 數(shù)控機(jī)床熱誤差實(shí)時補(bǔ)償應(yīng)用［J］. 上海交通大學(xué)學(xué)報，2005，39(9):1389－1392.

［2］Jie Zhu，Jun Ni，Albert J.Robust thermal error modeling and compensation for CNC machine tools［D］，Doctoral dissertation in the University of Michigan，2008.

［3］Yang，Hong，Ni，Jun. Dynamic modeling for machine tool thermal error compensation，J. Manuf. Sci. Eng.，2003，125(2):245－254.

［4］劉永吉，沈超，化春雷. 五軸聯(lián)動機(jī)床的主軸熱誤差補(bǔ)償［J］. 機(jī)械制造，2011(6):9－10.

［5］陳莉，賈育秦，畢有明，等. 基于BP 神經(jīng)網(wǎng)絡(luò)數(shù)控機(jī)床熱誤差建模的研究［J］. 機(jī)電工程技術(shù)，2011，40(1):16－57.

［6］伍良生，翟少劍，周大帥，等. 基于RBF 神經(jīng)網(wǎng)絡(luò)的主軸熱變形實(shí)時測量與研究［J］. 制造技術(shù)與機(jī)床，2011(8):27－30.

［7］雷春麗，芮執(zhí)元，劉軍. 數(shù)控機(jī)床電主軸熱誤差的預(yù)測方法［J］. 蘭州理工大學(xué)學(xué)報，2012，38(1):28－31.

［8］文懷興，王美妍. 高速電主軸熱態(tài)性能的有限元分析及溫升控制［J］. 組合機(jī)床與自動化加工技術(shù)，2010(9):52－55.

［9］李金華，劉永賢，韓家亮，等. 車削中心主軸系統(tǒng)熱特性有限元分析的研究［J］. 組合機(jī)床與自動化加工技術(shù)，2011(11):6－8，11.

［10］蘇宇鋒，袁文信，劉德平，等. 高速電主軸熱——結(jié)構(gòu)特性研究［J］. 組合機(jī)床與自動化加工技術(shù)，2012(1):25－27.