基于神经网络的数控圆精度测试
近年来，我国的数控系统和数控机床已有了很大的发展，目前已独立开发出了具有自主版权的中华I型、中华Ⅱ型；蓝天Ⅱ型、蓝天II型等系统，一些大型机床生产厂也具有了数控机床批量生产的能力。针对数控技术飞速发展的这一形势，国家“九五”科技攻关项目中特地安排了数控系统和数控机床共性关键技术的研究，包括高速轴承、高速主轴、数控系统精度测试等。
由于数控系统、伺服驱动和电机的动、静态精度对数控机床的最终精度产生较大影响，故数控机床批量生产的一个急需解决的问题是如何较精确、方便地测知数控系统（以下简称CNC系统），包括伺服和电机部分存在的误差，以及它对机床的最终精度具有多大的影响，弄清楚这个问题对于保证机床质量，加速调试周期都具有重要意义。在连续几届国际机床博览会上还没有出现过这方面的测试装置，只是在1993年的博览会上，美国Renishaw公司推出了一种用于检测数控机床精度的球杆测试仪，它能对数控机床的一些整机性能进行检测，其中之一就是测试机床的插补精度，已有不少机床厂开始使用这种测试装置，但它并不能进行CNC系统的精度测试。基于这种情况，开展了CNC系统精度测试技术的研究，到目前，它可实现对多种系统的定量测试，如单脉冲、重复定位精度、刀具补偿、螺纹补偿、反向间隙补偿及插补精度等的定量、定性测试。其中数控圆的精度测试是一基本测试项目，具有代表性，这里对它进行详细地探讨。
1、测试原理
测试装置具有综合测试能力，可完成对多种系统如：FANUC 0、0C、0D、0J；SIMENS 810、820、840C、840D、880、FAGOR 8030、8050；中华I型、中华Ⅱ型；蓝天I型、蓝天Ⅱ型等系统的定量检测，对每一种系统都可进行多坐标轴的同时检测，限于这里仅讨论数控圆的检测，故只以X、Y坐标为例加以分析。图1为测试原理框图，图中的被测系统可以是任意的数控系统。测试系统只需要对电机的反馈信号采样即可。当被测系统改变后，可通过软件进行接口的切换处理，它具有极强的综合测试能力，对于测试装置的软、硬件研究将另文说明，这里只讨论数控圆的数据处理问题。
2、基于神经网络的数控圆误差处理
近年来人们之所以在人工神经网络（ANN）方面的研究有了快速的发展，是由于它具有一些传统的数据处理和控制辨识方法所不具备的优点：在信息处理方面，采用分布式并行处理，可以进行快速大量运算，当采用了足够多的样本对ANN进行训练之后，ANN就可以正确快速地处理那些在训练中未遇到过的其他信息，同时，它还有极强的容错性和鲁棒性。基于这种考虑，对于CNC系统数控圆的误差分析，采用ANN来进行处理应该是一种比较好的方法。
图1中，当CNC运行圆插补程序时，测试装置可分别采集到X轴、Y轴的运动信息，这两组数据构成了CNC系统所运行的实际数控圆，实际数控圆与数控插补编程的理论圆之间存在着一定差异，此差异表现在实际数控圆的两种误差上：一种是实际数控圆的位置误差，即实际数控圆的圆心与理论圆的圆心的差异，另一种是实际数控圆的形状误差，即实际数控圆的几何尺寸形状误差（也称圆度误差）。根据测试到的X、Y两组数据可利用一神经元来搜索实际数控圆的圆心，一旦搜索到了实际数控圆的圆心，上述两种误差就很容易分析出来了：将数控圆的圆心与理论圆的圆心（这可由数控圆的插补编程中获得）相比较，就可得到位置误差；已知实际数控圆的圆心及各测试点的坐标值X、Y，就不难分析出其形状误差，下面进行详细讨论。
根据检测到的X和Y两组数据建立如图2所示的X-Y平面坐标系。
3、实验和结论
基于上面的分析，用自行研制的“数控系统运行状态测试仪”对上海开通公司的MIC-2M系统进行了大量的测试研究，其中数控圆的测试进行了大量的测试研究，其中数控圆的测试进行了ø1- ø300之间较密集测试，对于每一种直径的数控圆又进行了从低速（1mm/min）到高速（6 000 mm/min）的较密集的测试，然后把实测值作为训练样本，按本文介绍的方法确定神经元的权值，这样就得到了一系列数控圆的误差圆及误差分布图，这里仅选其中一个数控圆加以说明。图4放大地显示了数控圆的形状误差，图中每相邻圆的半径相差1µm，这样可清楚地看出误差变化的幅值及所处的位置，通常在4个象限交界处误差较大。图中也显示了理论圆的位置，表明了在不同转速下实际数控圆偏离理论圆的情况。图5表示了在所有测试点的总数中不同误差值所占的百分比，从图中可看出误差值在±2µm之内的占90%左右，这样的结合是符合实际情况的。这种数据处理方法也被成功地用于其他插补轨迹的精度分析。
作者：西部车床，如若转载，请注明出处：https://www.lathe.cc/2022/10/4756.html