伯特利数控 加工中心 钻攻中心
前言：
复杂参数曲面的高精度cnc加工技术是机械加工领域的重要研究方向[1]，高性能精密cnc加工中心扮演着极其重要的角色；然而，由于加工中心热变形导致加工精度衰减，因此对多轴cnc加工中心进行综合误差检测和热误差补偿一直是国内外研究者重要研究方向[2]。
cnc加工中心在制造、装配、控制及运动过程中受到热变形、摩擦、振动和惯性等各种不利因素的影响，加上移动轴与偏摆轴运动耦合，使加工中心精度严重衰减，对零件的精密加工造成了极大影响。为降低并消除多轴cnc加工中心的几何误差、主轴热漂移误差，以及提高工件表面质量，研究者们基于多体系统运动学[3]、神经网络[4_5]、灰色理论[6]、蚁群算法[7]等理论方法，提出了各种误差补偿方法。文献[8]提出一种基于fuzzy推理获取误差修正值的模糊自学习误差补偿方法。文献[9-10]各自根据多体系统运动学理论，从加工中心运动学方程中先解耦计算出转动轴误差后计算出线性轴误差。文献[11]基于分层递阶思想，对cnc加工中心几何误差中可补偿误差成分进行了建模和补偿。文献[12-14]为测量和辨识五轴cnc加工中心旋转轴部件的关联误差，研制了3d探测球联动误差测量装置和球面路径测量方法，依据多体系统运动学理论和齐次坐标变换方法，实现了五轴cnc加工中心定位精度的显著提高。文献[15〗应用线性插值和牛顿插值对cnc加工中心几何和热复合误差进行了综合建模。上述这些方法各具特点，且都对数控加工中心的误差补偿起到一定作用，但由于受到各种各样工程因素制约在工程实践应用中相对较少。就神经网络在cnc加工中心误差补偿方面的应用来说；文献[6]提出了把灰色模型和神经网络相结合的误差预测模型，降低了对样本数据的要求。文献[16]采用聚类分析和逐步回归方法得到热误差建模测温点，采用粒子群优化算法对二阶差分模型参数进行实时辨识。文献[17]基于前馈神经网络的自适应矢量量化(avq)网络聚类法，将18个温度测点减少到3个，建立了反馈elman(oif-elman)神经网络非线性热误差预测模型。这些方法都以神经网络为主体计算方法，同时又与其他算法相融合，均使其在cnc加工中心误差补偿方面具有一定成效。
虽己有的建模方法精度较髙且在误差补偿中起到了一定作用，但在实际应用中还存在如下问题；如模型理论的局限性、建模方法复杂、时间较长、模型鲁棒性不高以及不适用于误差实时补偿等。为此，基于bp神经网络强大的非线性映射能力，本文提出了——bp神经网络优化的cnc加工中心综合误差补偿方法，并开发了cnc加工中心综合误差补偿系统。针对运用bp神经网络进行cnc加工中心误差量预测时，数据量巨大且彼此相关性低，神经元误差曲面容易陷入平坦区域，导致训练效率降低的问题，通过在正向数据计算中引入陡度因子和在反向误差调整中引入放大因子，提高收敛和拟合精度。把bp神经网络改进算法预测的误差值作为cnc加工中心误差补偿量，通过修改cnc加工中心的刀位数据文件实现误差补偿，提高加工精度。通过在大型a/b双摆角龙门cnc加工中心上加工零件的验证实验，表明该方法具有较局的误差补偿率。
1 bp神经网络原理
1.1基于bp神经网路的综合误差预测模型
由于造成a/b双摆角龙门cnc加工中心加工精度衰减的因素较多，主轴的热漂移误差以及各运动轴的热变形误差占加工中心总误差的40°/^70%[ls]，除加工中心自身内外发热源之外，还有各运动部件受磨损后的运动误差，各轴伺服系统的跟随误差，以及工艺系统各部件的振动误差等，因此建立精确的影响因素和误差参数模型难度极大[2，19]。bp神经网络(backpropagation network)是 rumelhart 和 mccelland 于1986年提出的多层前馈型神经网络，且是目前使用泛的人工神经网络算法。bp神经网络算法具有*的非线性映射和自学习能力[21_22],有利于实现这种多输入单输出的cnc加工中心误差预测模型；在其后的误差补偿阶段，当向网络添加未曾见过的样本数据时，网络也能完成由输入空间向输出空间的正确映射。结合前文所述误差产生原因，建立如下的数学模型