目前數(shù)控機床的誤差補償方法大多是通過對誤差源測量與建模實現(xiàn)的,這種方法存在著誤差源考慮不全、模型搭建不準、模型復(fù)雜可移植性差以及成本過高等缺點。而且現(xiàn)有的很多方法都忽略了大批量生產(chǎn)問題,造成數(shù)據(jù)資源的嚴重浪費,如今是信息化、智能化、數(shù)據(jù)化的時代,對數(shù)據(jù)的有效利用將會成為增加制造行業(yè)的利潤率的關(guān)鍵。針對現(xiàn)有誤差補償方法的不足,在已有數(shù)據(jù)驅(qū)動控制算法的基礎(chǔ)上,本文給出了一種基于數(shù)據(jù)驅(qū)動的無模型自適應(yīng)迭代學(xué)習(xí)誤差補償方法。該方法僅僅利用輸入輸出數(shù)據(jù),綜合考慮了所有誤差源并且不需要對其建模,解決了傳統(tǒng)方法中的難點和局限。本文最先將無模型自適應(yīng)的迭代學(xué)習(xí)方法用在了系統(tǒng)加工軌跡的誤差補償過程中,設(shè)計了智能誤差補償模塊,編寫相應(yīng)的程序并在Simulink中搭建仿真結(jié)構(gòu)圖,通過自適應(yīng)的迭代方法將以往數(shù)據(jù)信息應(yīng)用到當前加工中,對當前加工軌跡提前做出補償,以此來提高加工精度。本文通過Matlab仿真對所給方法進行驗證,首先對傳統(tǒng)P型迭代學(xué)習(xí)誤差補償方法進行了驗證,針對該方法存在的不足,給出了一種基于模糊迭代學(xué)習(xí)的誤差補償方法,該方法可以實時調(diào)整學(xué)習(xí)量,改進了P型迭代學(xué)習(xí)補償方法因固定學(xué)習(xí)律而對干擾的補償效... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【部分圖文】：

P型迭代學(xué)習(xí)誤差補償框圖

圖 3-5 模糊迭代學(xué)習(xí)誤差補償仿真框圖首先對模糊推理系統(tǒng)編輯器進行設(shè)計，本文中采用默認的 Mandani 模糊系統(tǒng)和 Centroid 解模糊方法。本課題仿真采用的是雙輸入單輸出結(jié)構(gòu)，輸誤差 e及誤差變化率ec，輸出為com，這里的 是對誤差做了模糊處理，可以自適應(yīng)變化的學(xué)習(xí)量。輸入輸出量的論域均設(shè)置為 1,1 。隸屬度函數(shù)編輯器可以設(shè)置每個變量的論域和隸屬度函數(shù)，系統(tǒng)中自帶種的隸屬度函數(shù)選擇方案，比如三角形、高斯型等，如果自帶的選擇方案法滿足要求，還可以根據(jù)具體問題自行設(shè)定。本文在仿真時為每個變量選條隸屬度函數(shù)，均設(shè)置為三角形，每條隸屬度函數(shù)均有其對應(yīng)的參數(shù)，表角形三個頂點的橫坐標。模糊規(guī)則編輯器是一個相對簡潔的圖形用戶界面，可以特別方便的添加規(guī)則。選擇輸入變量以及對應(yīng)的輸出變量，設(shè)置輸入輸出變量關(guān)系，并且根據(jù)實際情況設(shè)置權(quán)重系數(shù)，本例中設(shè)置了 25 條規(guī)則，設(shè)置每條規(guī)則的輸出關(guān)系以及權(quán)重，依次加入。

圖 3-5 模糊迭代學(xué)習(xí)誤差補償仿真框圖糊推理系統(tǒng)編輯器進行設(shè)計，本文中采用默認的 Mntroid 解模糊方法。本課題仿真采用的是雙輸入單輸差變化率ec，輸出為com，這里的 是對誤差做應(yīng)變化的學(xué)習(xí)量。輸入輸出量的論域均設(shè)置為 1,1 數(shù)編輯器可以設(shè)置每個變量的論域和隸屬度函數(shù)，函數(shù)選擇方案，比如三角形、高斯型等，如果自帶，還可以根據(jù)具體問題自行設(shè)定。本文在仿真時為數(shù)，均設(shè)置為三角形，每條隸屬度函數(shù)均有其對應(yīng)點的橫坐標。編輯器是一個相對簡潔的圖形用戶界面，可以特別輸入變量以及對應(yīng)的輸出變量，設(shè)置輸入輸出變量況設(shè)置權(quán)重系數(shù)，本例中設(shè)置了 25 條規(guī)則，設(shè)置每權(quán)重，依次加入。

【參考文獻】：
期刊論文
[1]基于張量理論的數(shù)控機床誤差補償模型[J]. 褚寧,張為民.  農(nóng)業(yè)機械學(xué)報. 2017(10)
[2]數(shù)控割字機輪廓誤差的預(yù)測補償控制[J]. 滕福林,劉娣,許有熊.  組合機床與自動化加工技術(shù). 2017(07)
[3]基于無模型自適應(yīng)的外骨骼式上肢康復(fù)機器人主動交互訓(xùn)練控制方法[J]. 王曉峰,李醒,王建輝.  自動化學(xué)報. 2016(12)
[4]基于去偽策略的間歇過程自適應(yīng)迭代學(xué)習(xí)[J]. 王晶,王玥,王偉,曹柳林,靳其兵.  中南大學(xué)學(xué)報(自然科學(xué)版). 2015(04)
[5]基于無模型控制的風(fēng)電機組獨立變槳距控制[J]. 劉穎明,朱江生,姚興佳,馬奎超,王曉東,王士榮,郭慶鼎.  太陽能學(xué)報. 2015(01)
[6]無模型自適應(yīng)控制的現(xiàn)狀與展望[J]. 侯忠生.  控制理論與應(yīng)用. 2006(04)
[7]BP神經(jīng)網(wǎng)絡(luò)補償熱變形誤差的研究[J]. 傅龍珠,狄瑞坤,項國鋒.  機床電器. 2002(03)
[8]機床熱變形誤差的混合輸入動態(tài)模型[J]. 張奕群,李書和,張國雄.  航空精密制造技術(shù). 1998(05)

博士論文
[1]無模型學(xué)習(xí)自適應(yīng)控制的若干問題研究及其應(yīng)用[D]. 金尚泰.北京交通大學(xué) 2008
[2]無模型自適應(yīng)控制理論幾類問題的研究[D]. 王衛(wèi)紅.北京交通大學(xué) 2008

碩士論文
[1]無模型自適應(yīng)控制在無人駕駛汽車中的應(yīng)用[D]. 田濤濤.北京交通大學(xué) 2017



本文編號：3285635