基于人工神经网络代理模型与最优测量规划的五轴机床位置无关几何误差辨识

《Machines》:Identification of Position-Independent Geometric Error in Five-Axis Machine Tools Using ANN Surrogate and Optimal Measurement Planning Seth Osei, Wei Wang, Qicheng Ding and Debora Nkhata

【字体: 大 中 小 】 时间:2026年04月13日 来源:Machines 2.5

编辑推荐:

  位置无关几何误差(Position-Independent Geometric Errors, PIGEs)对五轴机床的精度具有关键影响,但其辨识仍面临计算复杂性、测量位姿选择不当以及热漂移和残余未补偿误差干扰等挑战。现有方法通常依赖线性化运动学模型、启发式测

  
位置无关几何误差(Position-Independent Geometric Errors, PIGEs)对五轴机床的精度具有关键影响,但其辨识仍面临计算复杂性、测量位姿选择不当以及热漂移和残余未补偿误差干扰等挑战。现有方法通常依赖线性化运动学模型、启发式测量位姿采样或计算昂贵的全局优化程序,这些因素共同限制了其在工业环境中的有效性。本研究提出了一种统一的辨识框架以克服上述局限:引入三维偏移参数以增强真实几何误差与非PIGEs的解耦,采用基于可观测性的测量位姿选择策略以最大化参数灵敏度,并构建人工神经网络(Artificial Neural Network, ANN)代理模型以加速高维全局优化。研究人员利用遗传算法(Genetic Algorithm, GA)基于机床的可观测性指数优化测量点。ANN代理模型通过精确的运动学模型、全局探索和最终精化,提升了误差参数(11项PIGEs + 3项偏移)的辨识精度。在一台五轴机床上的实验验证表明,补偿后体积误差降低了88.615%,均方根误差(Root Mean Square Error, RMSE)降至0.4337 μm。灵敏度分析揭示PIGEs贡献了高达75.26%的总误差,而偏移参数捕获了24.74%来自热效应和非PIGE源头的误差。结果证实了该方法在辨识精度、效率和鲁棒性方面优于其他技术,为制造业高精度应用提供了实用解决方案。
五轴机床因其精度和灵活性成为制造行业中高精度复杂几何零件加工的核心装备,然而几何误差——即受机床几何形状影响的变异性——严重损害其加工精度。几何误差分为位置无关几何误差(PIGEs)和位置相关几何误差(Position-Dependent Geometric Errors, PDGEs)。PIGEs由制造公差、热效应和机械磨损等固有理化因素引起,在整个工作空间内呈系统性分布,可使加工零件质量降低40%至70%,其实时辨识与补偿对实现现代工业所需的微米级公差至关重要。

当前PIGE辨识方法存在三方面突出问题。第一,基于微分运动矩阵和最小二乘算法等传统参数辨识方法忽略高阶项,在强非线性运动链中面临建模不准确性;局部优化方法如Levenberg-Marquardt算法易收敛至次优解。第二,全局元启发式算法虽能缓解此问题,但评估高保真误差模型时产生高昂计算成本。第三,现有研究忽视测量点选择的基础性作用,网格采样、均匀选择或启发式布点等技术无法充分激励所有误差参数,导致病态辨识和泛化能力差。此外,现有PIGE模型常假设理想几何条件,未能考虑热漂移、机械磨损和PDGE残余误差等非几何扰动的影响。

针对上述局限,Seth Osei、Wei Wang、Qicheng Ding和Debora Nkhata在《Machines》期刊发表了题为《Identification of Position-Independent Geometric Error in Five-Axis Machine Tools Using ANN Surrogate and Optimal Measurement Planning》的研究论文,提出了一种融合可观测性优化点选择与ANN加速全局优化的统一辨识框架。该研究旨在通过在运动链中显式捕获扰动、解耦真实PIGEs与瞬态误差,并引入ANN加速全局搜索框架,实现无需高昂计算成本的全局最优PIGE辨识,同时通过可观测性驱动的测量位姿选择策略优化测量点分布以增强误差参数灵敏度。

该研究采用的关键技术方法包括三个核心模块。第一,基于可观测性指数的测量位姿优化:采用Hammersley序列在机床各轴极限范围内生成初始点集,以E-最优性(O3)作为可观测性指数指标,通过遗传算法迭代选择具有高可观测性的位姿,并运用k-means聚类确保位姿在配置空间中的多样性覆盖。第二,ANN代理模型加速全局优化:构建具有双隐藏层(128和64神经元)的前馈神经网络,以正切双曲函数(tanh)为激活函数,基于Latin Hypercube Sampling生成的5000组参数样本进行训练,采用Levenberg-Marquardt反传算法及早期停止和L2正则化防止过拟合。第三,三阶段混合优化策略:第一阶段以ANN代理模型替代昂贵运动学模型评估进行遗传算法全局探索;第二阶段以模式搜索进行局部精化;第三阶段以真实运动学模型进行Levenberg-Marquardt最终精化,实现微米级精度。

研究结果显示,仿真验证中预测误差与测量误差在各方向呈现完美相关性(R2=1, r=1),线性误差RMSE低至[0.001, 0.046] μm,角度误差RMSE低至[0.002, 0.008]度;Sobol灵敏度分析揭示Szx、Sza、σya、σza、σxc和σyc等参数的一阶Sobol指数超过0.8,主导体积误差敏感性。实验验证中,在一台配备西门子840D SL控制器的沈阳机床集团VMC 6056五轴机床上,采用IBS Rotary Inspector设备在50个GA优化位姿进行测量,补偿后体积误差降低88.615%,RMSE降至0.4337 μm;计算效率方面,ANN辅助框架将约125,000次模型评估(1875秒)缩减至约200次评估(220秒),实现约8.5倍加速;灵敏度分析确认PIGEs贡献75.26%的体积误差,偏移参数捕获24.74%的非PIGE源误差。

讨论与结论部分指出,该方法通过三维偏移参数成功实现真实几何误差与非几何扰动的解耦,可观测性驱动的位姿选择有效克服了传统测量策略对耦合PIGE参数的局限性,ANN代理模型降低了局部极小值风险。该研究的理论创新、计算效率与实验验证的成功整合,为提升五轴机床PIGE辨识精度提供了有价值工具,对产品品质、制造经济性和精密工程技术进步具有潜在影响。未来研究方向包括集成实时监测动态更新补偿参数,将方法拓展至PDGEs及其与PIGEs的交互作用,以及探索自适应采样或物理信息神经网络以进一步提升ANN代理模型的可靠性。研究结论明确表示,该综合框架成功解决了现有方法在计算复杂性、测量位姿选择和非几何扰动处理方面的关键局限,实验确认的88.615%误差降低率显著超越了常规补偿方法40%至75%的典型水平,为五轴机床位置无关几何误差辨识建立了新基准。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号