專利名稱：基于“s”形檢測試件的五軸數控機床的誤差辨識方法
技術領域：
本發明屬于數控機床技術領域，尤其涉及五軸數控機床的誤差檢測的技術領域。
背景技術：
五軸聯動數控機床(簡稱五軸數控機床)在發展先進制造業中的地位和在提高軍エ、航天航空、能源等行業的整體技術水平過程中所起的作用重大。因此，對五軸聯動數控機床的加工精度、加工效率提出了更高的要求。數控機床因素可以劃分為靜態因素和動態因素兩大類，其中靜態精度是在沒有切削載荷下且機床不運動或運動速度很低的エ況下檢測的，由于高檔數控機床制造裝備技術的提升，靜態精度只能在有限層面上反映出高檔機床的加工精度，動態精度才是影響高檔數控機床加工精度的主要因素。五軸聯動數控機床的誤差辨識的思想是通過對機床加工誤差的檢測與評定來對機床的加工性能進行評價。目前比較常用的五軸數控機床的誤差辨識方法主要有以下幾種(I)基于激光干涉儀的九線辨識法九線辨識法的精髓在于只檢查機床工作臺坐標系中9條直線上的位置誤差和直線度誤差來實現對機床21項基本幾何誤差的辨識。首先選擇三個平動軸中的一個平動軸運動而另外兩個軸保持靜止，在工作臺坐標系中選擇三條直線，測量出三條直線上各點的位移誤差。而且在測量其中一條直線位移誤差的同時測量出相互垂直兩個方向的直線度誤差，在測量另一條直線位移誤差的同時測量出ー個方向的直線度誤差，基于測出來的直線度誤差和位移誤差建立起6個線性方程，求解方程組就可以得到運動軸的6項基本誤差，同理便可以求解出另外兩個平動軸的12項基本誤差。最后通過讀取激光干渉儀在測量直線度誤差時直線偏離基準的修正角便可以得到3項垂直度誤差。(2)基于球桿儀方法的誤差辨識方法球桿儀的兩端有高精度鋼球組成，一端固定，另一端連接著ー個高精度位移傳感器。兩個鋼球兩端通過三點定位的磁性吸座定位，一端吸附在主軸上，而另一端則吸附在工作臺上，如圖I所示。其主要是用于測量數控機床兩軸聯動精度的測量，分別可以測量X-Y，X-Z和Y-Z平面的兩軸聯動精度。當工作臺相對于主軸作圓周插補運動時，形成一個模擬切削的圓弧軌跡，傳感器采集兩鋼球間距離的變化并傳遞給計算機，經軟件診斷分析，得到兩軸聯動的圓度精度并分離出各種單項誤差，如反向間隙、反向躍沖、伺服不匹配、比例不匹配、直線度、垂直度、周期誤差以及橫向間隙等。(3)基于NAS 979 (美國國家航宇標準)檢測試件的誤差辨識美國NAS 979制定了“圓形-菱形-方形”形試件切削實驗標準，通過試切該檢測試件分別檢測機床沿X坐標的直線度，X、Y、Z坐標之間的垂直度，以及數控插補的直線度、圓度和X-Y平面上孔的位置精度等。因為機床各坐標軸的誤差與行程之間存在線性關系，該標準規定切削試件的相應尺寸根據機床各坐標的行程確定。這樣使得利用小尺寸試件檢測大行程的工作精度更加合理。
下面對上述幾種誤差辨識方法進行比較
基于激光干涉儀的九線辨識法僅僅是在機床單軸做直線運動的情況下對機床21項單項幾何誤差進行辨識，沒有反映出多軸聯動情況下各軸的配合精度。而且機床各運動軸是在空載慢速情況下來檢測單項幾何誤差，并不能反映出對機床加工性能具有重要影響的機床動態性能。因此對機床誤差辨識來說檢測結果并不能完全反映機床的加工性能。基于球桿儀方法的誤差辨識極大促進了數控機床動態性能的檢測，通過對特定軌跡的運動誤差分析，可以反解出機床固有的靜態幾何誤差或者多軸聯動的動態精度，這有助于檢測機床的動態運動過程。但是，基于球桿儀的檢測手段都是針對機床特定運動軌跡，且軌跡變化較為平穩的情況，對于快速變化曲面的輪廓就很難實現，而且動態檢測都是在機床不加載的エ況下進行的，這與實際切削中的運動狀態有較大差距。基于NAS 979檢測試件的誤差辨識方法，提出的由孔、圓、菱形以及3度傾斜四方形組成的NAS979試件，主要針對三軸數控機床測試，缺少反映曲面加工中機床動態特性需 求，很多難加工零件在3D邊界形貌上都有一些較高的要求。由以上誤差辨識方法可以看出，目前的數控機床誤差辨識方法并不能全面反映機床的切削加工性能，而且主要是在空載低速的情況下對機床的靜態因素進行的辨識。NAS979試件雖然同樣采用試切的方法，保證了轉速和載荷，但是由于其幾何特性簡單不能反映出機床動態性能和加工復雜曲面的性能。從而無法達到數控機床高加工精度要求。中國發明專利CN200710048269. 7及其美國同族發明專利US8061052B2公開的“綜合檢測數控銑床精度的“S，，形檢測試件及其檢測方法”是新近提出的一種校驗機床加工性能的檢測試件和方法，如圖2所示。在試件型面中融入了航空薄壁的特征，不僅能夠反映機床的靜態精度，而且重點關注了機床的動態精度。試件曲率隨表面形狀變化而變化，在拐角處具有開閉角轉換特征，通過切削“ S”形試件可以在一定程度上反映出五軸聯動數控機床加工誤差。圖2中I表示“S”形試件底座側面，側面厚度為30mm，2表示“S”形試件的加工成型面，3表示“S”形試件底座上表面，4表示加工“S”形試件過程中刀具的位置，5表示加エ“S”形試件過程中刀具的姿態。該檢測方法僅僅涉及到對機床加工精度的評判，只是從等級上對機床的加工精度進行ー個定性的評價。關于機床因素對機床加工精度的影響機理則完全沒有涉及。因此，當機床加工精度達不到要求時，該方法不能給出ー個具體的調整機床因素的方案來改善機床加工精度。
發明內容
本發明的目的是為了克服目前針對“ S ”形試件的檢測方法僅僅只對機床精度進行評判而不能給出對機床加工精度的影響機理，從而依據該影響機理給出優化機床精度的方案的缺點，提出了一種基于“S”形檢測試件的五軸數控機床的誤差辨識方法。本發明的技術方案是基于“S”形檢測試件的五軸數控機床的誤差辨識方法，包括如下步驟步驟I.切削“ S”形試件；步驟2.測量步驟I切削后的“S”形試件的法向誤差；步驟3.建立“S”形試件法向誤差與機床因素的映射關系數據庫；步驟4.溯源影響機床精度的主要因素；步驟5.運用BP神經網絡量化辨識步驟4中得到的機床因素。
本發明的有益效果是本發明通過試切“ S”形試件的方法，基于三坐標機測量得到的“ S”形試件法向誤差逆向溯源出對機床加工產生主要影響的機床因素，并且通過神經網絡的進ー步確定了主要因素對機床精度影響水平。因此，采用該方法不僅能夠對機床精度進行評判，而且當機床精度達不到要求時還能給出機床精度的優化方案，從量值上對影響機床精度的機床因素進行調整，從而達到機床高精度的要求。
圖I是基于球桿儀方法的誤差辨識方法所采用的球桿儀結構示意圖。圖2是“S”形試件的結構示意圖。圖3是本發明的主流程圖；圖4是本發明步驟2切削后的“S”形試件的法向誤差示意圖；
圖5a是本發明實施例中位置増益作用下的“ S”形試件法向誤差；圖5b是本發明實施例中加速度作用下的“ S”形試件法向誤差。
具體實施例方式下面結合附圖和具體實施例對本發明做進ー步的說明如圖3所示，基于“S”形檢測試件的五軸數控機床的誤差辨識方法，包括如下步驟步驟I.切削“S，，形試件針對某待檢測加工精度的機床進行切削“S，，形試件實驗。本實施例中某待檢測加工精度的機床的機床型號為V5-1030ABJ的某國產五軸數控銑床，“S”形試件的具體指標及其切削過程請參見中國發明專利CN200710048269. 7及其美國同族發明專利US8061052B2所公開的內容。步驟2.測量步驟I切削后的“ S”形試件的法向誤差本實施例中運用三坐標測量機測量出切削后的“ S”形試件法向誤差；由于三坐標測量機是ー種常用的測量機器和手段，因此對于三坐標測量機對“S”形試件的測量過程不再詳細描述；上述法向誤差也可采用其它測量儀器及手段獲得。本實施例的測量結果如圖4所示，圖中橫坐標表示測量點數，縱坐標表示測量點的法向誤差值，“S”形試件法向誤差值呈現出正負值分布，在第60點出出現最小值點(負值)，在第71點出現最大值點(正值)，三坐標測量機一共測量了 “S”形試件上75個點(SPn=75)的法向誤差值；步驟3.建立“S”形試件法向誤差與機床因素的映射關系數據庫基于數控機床動態誤差模型，運用數控機床的切削“S”形試件的切削程序建立起“S”形試件的法向誤差與機床因素的映射關系數據庫。本實施例中，步驟3的具體實現包括如下步驟步驟31.采用傳遞函數建立數控機床的動態誤差模型數控機床的動態誤差主要是由于切削過程中機械、控制系統的整體聯動而產生的，機床的基本運動結構以及伺服系統各軸的協調能力與性能是影響機床動態精度的主要因素；采用傳遞函數描述機床各環節動態的運動過程，包含了位置環、速度環、伺服電機環和機械環，各個基本環節可由相應的比例、積分或微分函數表示；對于單軸伺服運動來說，輸入的機床運動指令經位置環、速度環、伺服電機環，實現最終驅動的機械環，各運動聯動實現數控機床的切削運動。步驟32.利用多體系統理論建立“S”形試件法向誤差與機床因素的映射關系數據庫步驟31中的動態誤差模型產生的是各軸的運動軌跡，而刀具的實際軌跡是由實時的各軸軌跡聯動構成的，其聯動的法則就是多體運動理論。多體系統理論的精髄是用拓撲結構對多體系統進行高度概括和提煉，用低序體陣列描述多體系統拓撲結構，用特征矩陣表示多體系統中體間的相對位置和姿態。通過上述方法建立的數控機床誤差計算模型，當變動機床某一個因素時就會產生ー組與之對應的法向誤差。由此，便建立起了“ S”形試件法向誤差與機床因素映射關系數據庫Ei=(an，ai2，…，ain)其中Ei表示“S”形試件法向誤差與機床因素映射關系數據庫中第i個因素對應的誤差矩陣，η表示誤差矩陣中包含的誤差值個數，a為誤差值大小。步驟3的具體過程可以參照由國防科技大學的李圣怡所編著的《精密和超精密機床精度建模技木》ー書，本步驟作為本技術領域的公知常識因此不再詳細描述。本實施例中，將實驗中切削“ S”形試件的切削程序輸入到所建立的誤差模型中，變動機床某一因素就可以得到對應的“S”形試件法向誤差值，本實例一共考慮了 17個機床因素，每個因素考慮兩種エ況，因此映射數據庫中包含了 34組“S”形試件法向誤差，如表I所不，Uia, Ui 2分別表不第i個因素的第一エ況編號和第二エ況編號，例如表I中的Uhl, U12分別表示位置増益的第一エ況和第二エ況，其它編號的編號規則相同，采用編號的目的是為了便于從“S”形試件法向誤差與機床因素映射關系的數據庫中提取BP神經網絡的訓練樣本。表一
權利要求
1.基于“S”形檢測試件的五軸數控機床的誤差辨識方法，包括如下步驟 步驟I.切削“ S”形試件； 步驟2.測量步驟I切削后的“ S”形試件的法向誤差； 步驟3.建立“S”形試件法向誤差與機床因素的映射關系數據庫； 步驟4.溯源影響機床精度的主要因素； 步驟5.運用BP神經網絡量化辨識步驟4中得到的機床因素。
2.根據權利要求I所述的基于“S”形檢測試件的五軸數控機床的誤差辨識方法，其特征在于，步驟3的具體實現包括如下步驟 步驟31.采用傳遞函數建立數控機床的動態誤差模型； 步驟32.利用多體系統理論建立“S”形試件法向誤差與機床因素的映射關系數據庫。
3.根據權利要求I所述的基于“S”形檢測試件的五軸數控機床的誤差辨識方法，其特征在干，步驟4的具體實現包括如下步驟 步驟41.隸屬度計算針對“S”形試件誤差分布結果，選擇正態模糊隸屬函數進行計算，將實驗切削誤差(即步驟2中得到的“ S”形試件法向誤差)矩陣B=(Xl，X2, -,xn)代入公式(I)計算出對于Ei的隸屬度μ B ;所述公式(I)為
全文摘要
本發明涉及一種基于“S”形檢測試件的五軸數控機床的誤差辨識方法。包括如下步驟步驟1.切削“S”形試件；步驟2.測量步驟1切削后的“S”形試件的法向誤差；步驟3.建立“S”形試件法向誤差與機床因素的映射關系數據庫；步驟4.溯源影響機床精度的主要因素；步驟5.運用BP神經網絡量化辨識步驟4中得到的機床因素。本發明的有益效果是采用該方法不僅能夠對機床精度進行評判，而且當機床精度達不到要求時還能給出機床精度的優化方案，從量值上對影響機床精度的機床因素進行調整，從而達到機床高精度的要求。
文檔編號G05B19/401GK102699761SQ20121021395
公開日2012年10月3日 申請日期2012年6月27日 優先權日2012年6月27日
發明者崔浪浪, 杜麗, 王偉, 趙波 申請人:電子科技大學