首页 / 专利库 / 电脑编程 / 算法 / 一种基于云端智能的误差补偿系统及动态补偿方法

一种基于端智能的误差补偿系统及动态补偿方法

阅读:332发布:2021-09-18

专利汇可以提供一种基于端智能的误差补偿系统及动态补偿方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于 云 端智能的误差补偿系统及动态补偿方法,涉及误差补偿领域,包括 数据采集 单元、通信网关单元、 数据中心 单元、应用中心单元。数据采集单元部署在机械设备上;通信网关单元及数据中心单元部署在云端数据 服务器 上;应用中心单元部署在云端 应用服务器 上。本发明创造性地采用基于粒子群 算法 优化的ELM模型,将其应用到误差补偿系统,能够在复杂多变的生产环境中得到精准有效的误差补偿值,实现动态误差补偿,切实高效的解决生产加工过程中产生的误差补偿问题,极大的提高生产加工效益,保障产品 质量 。,下面是一种基于端智能的误差补偿系统及动态补偿方法专利的具体信息内容。

1.一种基于端智能的动态补偿方法,其特征在于包括如下步骤:
选取温度、位移、切削这三个影响较大的参数作为输入数据来源;
步骤一:确立误差建模所需的变量、实际测量误差值;同一时刻下的误差建模所需的变量集X=(x1,x2,…xm),X包含温度、位移、切削力,m为误差数据个数;实际测量误差值为通过高精密仪器测量计算所得的误差值O=(o1,o2,…,oq),q为测量个数;
采用粒子群算法,求解同一时间获取数据的最优解,对误差建模所需的变量集X进行优化;
步骤二:采用粒子群算法优化误差建模所需的变量集,得到训练样本XbestP和测试样本XbestT;
步骤三:ELM模型的建立;
步骤四:利用训练样本XbestP训练ELM模型,并确定误差补偿值区间;
步骤五:结果运算;
(1)将步骤二中所得出的测试样本XbestT作为步骤三构建的ELM模型的输入,计算得到测试输出集Ytest;
(2)判断输出集Ytest是否满足条件,即Ytest是否在步骤四所确定的误差补偿值区间内;如果不满足则跳转到步骤二;如果满足,则输出最优误差补偿集Ytest;
步骤六:动态补偿;
将步骤五所得的最优误差补偿集Ytest转换成补偿信号通过I/O接口传送至数控机床控制器,然后通过机床自带的坐标原点平移功能控制系统的参考原点,并加到伺服环的控制信号中以调整数控机床各轴的运行,实现误差补偿。
2.如权利要求1所述的一种基于云端智能的动态补偿方法,其特征在于,所述步骤二具体包括如下:
在一个M维的空间,空间内包含由n个粒子组成的种群,即原始变量集Xoriginal=(x1,x2,…,xn),每个粒子对应一个变量数据,即n=m;在该空间中的第i个粒子的位置,0速度和位置更新公式如下:
式中:ω为惯性因子;r1、r2是介于[0,1]的随机数;c1、c2是学习因子,c1=c2=2;Pbest表示最优个体极值;Gbest表示最优全局极值;d=M,M表示粒子群算法的空间维度;k表示迭代次数;
(1)初始化粒子群;包括群体规模n,每个粒子的位置xi和速度vi;
(2)计算粒子适应度;采用均方根误差作为适应度函数,计算粒子的适应度值Fi;
(3)个体极值和全局极值;
粒子群算法中获取粒子能使目标函数达到最大或是最小的那个时刻粒子的位置,即为粒子的个体极值;
全局极值即为粒子群中最大或是最小的那个值;
将上述计算的适应度值Fi同个体极值Pbesti和全局极值Gbesti分别进行比较:
如果Fi>Pbesti,则用适应度值Fi替换掉个体极值Pbesti;
如果Fi>Gbesti,则用适应度值Fi替换掉全局极值Gbesti;
循环比较,直到确定最优的个体极值Pbesti和全局极值Gbesti;
(4)更新粒子的速度vi和位置xi;
(5)判断结果是否满足最小误差或迭代是否达到最大次数,不满足则跳转到(2),反复迭代,直到找到全局最优粒子所在位置xi,即构造最优输入集Xbest=(x1,x2,...,xi),0(6)将最优输入集分为训练样本XbestP=(x1,x2,...,xp),和测试样本XbestT=(x1,x2,...,xt),03.如权利要求1所述的一种基于云端智能的动态补偿方法,其特征在于,所述步骤三包括以下步骤:
(1)确定隐层神经元个数c、随机设定输入层与隐含层间的连接权值w及隐含层神经元偏置b,随即设定取值区间为[-1,1];
W=(w1,w2,…,wi);
B=(b1,b2,…,bi);
其中,W为输入层与隐含层间的连接权值矩阵,B为隐含层神经元偏置矩阵,0(2)确定隐含层神经元的激活函数g,且该函数必须满足无限可微的条件,由于涉及非线性特征,因此激活函数g=R→R;然后通过计算得到隐含层输出矩阵H,公式如下:
H=g(WX+B)
式中:X为输入层权值矩阵,X=XbestP;g为激活函数;
(3)计算输出层权值,即求出最小值函数,公式如下:
minβ||HTβ-Y||
式中:β为隐含层到输出层的权值矩阵,Y为输出矩阵,T为W和B的集合形式;
根据上面公式,可进一步求出权值矩阵β,如下公式所示:
式中:H+为隐含层输出矩阵H的Moore-Penrose广义逆,求得解 的范数是唯一最小,ELM模型构建完成。
4.如权利要求1所述的一种基于云端智能的动态补偿方法,其特征在于,所述步骤四具体如下:
(1)将步骤二中所得出的训练样本XbestP作为步骤三构建的ELM模型的输入,计算得到训练输出集Ytrain=(y1,y2,…yt),0(2)将Ytrain代入进行均方根误差运算;
式中:oq为机械设备的实际测量误差值;σ反映了测量数据偏离真实值的程度,σ越小,表示预测误差值偏离程度越小,误差补偿精度越高;
(3)选取最小σmin、最大σmax,即可确定误差补偿值区间[ymin,ymax]。
5.一种基于云端智能的误差补偿系统,其特征在于:用于实现任一项权利要求1至4所述一种基于云端智能的动态补偿方法,包括数据采集单元、通信网关单元、数据中心单元、应用中心单元;数据采集单元部署在机械设备上;通信网关单元及数据中心单元部署在云端数据服务器上;应用中心单元部署在云端应用服务器上;所述的数据采集单元与通信网关单元、通信网关单元与数据中心单元、数据中心单元与应用中心单元均采用网络连接。
6.根据权利要求5所述的一种基于云端智能的误差补偿系统,其特征在于:所述的数据采集单元包括传感器主控制器模块及通讯模块,各个模块均设置在数据采集终端上;
所述的传感器模块采集机械设备运行中所产生的温度、偏移、加速度、应力信号,然后传输给主控制器模块;
所述的主控制器模块接收传感器模块传输的各类信号,并对信号进行包括放大、去噪、转换的预处理,然后传输到通讯模块;
所述的通讯模块接收主控制器模块所传输的数据信息,将其通过网络发送到通信网关单元。
7.根据权利要求5所述的一种基于云端智能的误差补偿系统,其特征在于,所述的通信网关单元包括适配器模块、报文处理模块:
所述的适配器模块,智能的为机械设备配置相匹配的通信协议、连接方式、数据通道地址、参数名称,确保数据信息的正常通信;
所述的报文处理模块,提供对报文信息的收发、解析服务。
8.根据权利要求5所述的一种基于云端智能的误差补偿系统,其特征在于,所述的数据中心单元包括:数据处理模块、数据存储模块,各个模块均部署在云端数据服务器上;
所述的数据处理模块,对所采集到的数据信息进行解析、规范、清洗,然后传输到数据存储模块;
所述的数据存储模块,将处理完的数据存储到相应的数据库中。
9.根据权利要求5所述的一种基于云端智能的误差补偿系统,其特征在于,所述的应用中心单元包括:数据建模模块、监测分析模块、误差动态补偿模块,所述的数据建模模块、监测分析模块、误差动态补偿模块均部署在云端应用服务器上;
所述的数据建模模块,从数据服务器获取实时数据信息,并对其进行数据建模;
所述的监测分析模块,将分析处理后的机械设备数据信息利用可视化技术直观、动态的展现,实时监测机械设备加工运行状态;
所述的误差动态补偿模块,为各类误差提供精准有效的动态补偿服务。

说明书全文

一种基于端智能的误差补偿系统及动态补偿方法

技术领域

[0001] 本发明涉及误差补偿领域,特别是指一种基于云端智能的误差补偿系统及动态补偿方法。

背景技术

[0002] 在实际的工业生产环境中,机械设备决定着产出品的质量,其加工精度对产品的价值起着决定性作用。
[0003] 虽然近些年来,由于底层技术的快速发展和广泛应用,制造技术发展呈迅猛态势,逐步朝着智能化的方向迈进,机械设备不断采用先进的工业制造技术,加工精度较之以往有了大幅度的提高,但随着机械设备的不断使用,其稳定性及精准度的降低无法避免,这使得加工生产环节出现误差,影响后续工艺的进行。因此,对机械设备采取误差补偿以便有效避免生产误差就显得尤为重要。
[0004] 现阶段的多数误差补偿,仅仅集中于某一种类设备的某项指标数据进行误差补偿,补偿效果有限、可复用性差。

发明内容

[0005] 本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于云端智能的误差补偿系统及动态补偿方法。
[0006] 本发明采用如下技术方案:
[0007] 一种基于云端智能的动态补偿方法,其步骤如下:
[0008] 选取温度、位移、切削这三个影响较大的参数作为输入数据来源;
[0009] 步骤一:确立误差建模所需的变量、实际测量误差值;同一时刻下的误差建模所需的变量集X=(x1,x2,…xm),X包含上述三种误差类型,m为误差数据个数;实际测量误差值为通过高精密仪器测量计算所得的误差值O=(o1,o2,…,oq),q为测量个数;
[0010] 采用粒子群算法,求解同一时间获取数据的最优解,对误差建模所需的变量集X进行优化;
[0011] 步骤二:粒子群算法优化误差建模所需的变量集;
[0012] 在一个M维的空间,空间内包含由n个粒子组成的种群,即原始变量集Xoriginal=(x1,x2,…,xn),每个粒子对应一个变量数据,即n=m;在该空间中的第i个粒子的位置,0<i≤n,可能是问题的一个潜在的最优解,可用一个M维的向量Xi=(xi1,xi2,…,xiM)T表示;设每个粒子位置为Xi,则根据目标函数可以算出对应的适应度值;第i个粒子的速度为V=(vi1,vi2,…,viM)T,其个体极值为Pi=(pi1,pi2,…,piM)T,种群的全局极值为Gbesti=(gi1,gi2,…,giM)T;速度和位置更新公式如下:
[0013]
[0014] 式中:ω为惯性因子;r1、r2是介于[0,1]的随机数;c1、c2是学习因子,通常c1=c2=2;Pbest表示最优个体极值;Gbest表示最优全局极值;d=M,M表示粒子群算法的空间维度;
k表示迭代次数;
[0015] (1)初始化粒子群;包括群体规模n,每个粒子的位置xi和速度vi;
[0016] (2)计算粒子适应度;采用均方根误差作为适应度函数,计算粒子的适应度值Fi;
[0017] (3)个体极值和全局极值;
[0018] 粒子群算法中获取粒子能使目标函数达到最大或是最小的那个时刻粒子的位置,即为粒子的个体极值;
[0019] 全局极值即为粒子群中最大或是最小的那个值;
[0020] 将上述计算的适应度值Fi同个体极值Pbesti和全局极值Gbesti分别进行比较:
[0021] 如果Fi>Pbesti,则用适应度值Fi替换掉个体极值Pbesti;
[0022] 如果Fi>Gbesti,则用适应度值Fi替换掉全局极值Gbesti;
[0023] 循环比较,直到确定最优的个体极值Pbesti和全局极值Gbesti;
[0024] (4)更新粒子的速度vi和位置xi;
[0025] (5)判断结果是否满足最小误差或迭代是否达到最大次数,不满足则跳转到(2),反复迭代,直到找到全局最优粒子所在位置xi,即构造最优输入集Xbest=(x1,x2,...,xi),0<i<m;
[0026] (6)将最优输入集分为训练样本XbestP=(x1,x2,...,xp),和测试样本XbestT=(x1,x2,...,xt),0<p,0<t,0<p+t≤i。
[0027] 步骤三:ELM模型的建立,包括以下步骤:
[0028] (1)确定隐层神经元个数c、随机设定输入层与隐含层间的连接权值w及隐含层神经元偏置b,随即设定取值区间为[-1,1];
[0029] W=(w1,w2,…,wi);
[0030] B=(b1,b2,…,bi);
[0031] 其中,W为输入层与隐含层间的连接权值矩阵,B为隐含层神经元偏置矩阵,0<i<m;
[0032] (2)确定隐含层神经元的激活函数g,且该函数必须满足无限可微的条件,由于涉及非线性特征,因此激活函数g=R→R;然后通过计算得到隐含层输出矩阵H,公式如下:
[0033] H=g(WX+B)
[0034] 式中:X为输入层权值矩阵,X=XbestP;g为激活函数;
[0035] (3)计算输出层权值,即求出最小值函数,公式如下:
[0036] minβ||HTβ-Y||
[0037] 式中:β为隐含层到输出层的权值矩阵,Y为输出矩阵,T为W和B的集合形式;
[0038] 根据上面公式,可进一步求出权值矩阵β,如下公式所示:
[0039]
[0040] 式中:H+为隐含层输出矩阵H的Moore-Penrose广义逆,求得解 的范数是唯一最小,ELM模型构建完成;
[0041] 步骤四:模型训练;
[0042] (1)将步骤二中所得出的训练样本XbestP作为步骤三构建的ELM模型的输入,计算得到训练输出集Ytrain=(y1,y2,…yt),0<t<i;
[0043] (2)将Ytrain代入进行均方根误差运算;
[0044]
[0045] 式中:oq为机械设备的实际测量误差值;σ反映了测量数据偏离真实值的程度,σ越小,表示预测误差值偏离程度越小,误差补偿精度越高;
[0046] (3)选取最小σmin、最大σmax,即可确定误差补偿值区间[ymin,ymax];
[0047] 步骤五:结果运算;
[0048] (1)将步骤二中所得出的测试样本XbestT作为步骤三构建的ELM模型的输入,计算得到测试输出集Ytest;
[0049] (2)判断输出集Ytest是否满足条件,即Ytest是否在步骤四所确定的误差补偿值区间内;如果不满足则跳转到步骤二;如果满足,则输出最优误差补偿集Ytest;
[0050] 步骤六:动态补偿;
[0051] 将步骤五所得的最优误差补偿集Ytest转换成补偿信号通过I/O接口传送至数控机床控制器,然后通过机床自带的坐标原点平移功能控制系统的参考原点,并加到伺服环的控制信号中以调整数控机床各轴的运行,实现误差补偿。
[0052] 一种基于云端智能的误差补偿系统,包括数据采集单元、通信网关单元、数据中心单元、应用中心单元。数据采集单元部署在机械设备上;通信网关单元及数据中心单元部署在云端数据服务器上;应用中心单元部署在云端应用服务器上;所述的数据采集单元与通信网关单元、通信网关单元与数据中心单元、数据中心单元与应用中心单元均采用网络连接。
[0053] 所述的数据采集单元包括传感器主控制器模块及通讯模块,各个模块均设置在数据采集终端上;
[0054] 所述的传感器模块采集机械设备运行中所产生的温度、偏移、加速度、应力等信号,然后传输给主控制器模块;
[0055] 所述的主控制器模块接收传感器模块传输的各类信号,并对信号进行放大、去噪、转换等预处理,然后传输到通讯模块;
[0056] 所述的通讯模块接收主控制器模块所传输的数据信息,将其通过Internet网络发送到通信网关单元。
[0057] 所述的通信网关单元包括适配器模块、报文处理模块:
[0058] 所述的适配器模块,智能的为机械设备配置相匹配的通信协议、连接方式、数据通道地址、参数名称,确保数据信息的正常通信;
[0059] 所述的报文处理模块,提供对报文信息的收发、解析服务。
[0060] 所述的数据中心单元包括:数据处理模块、数据存储模块,各个模块均部署在云端数据服务器上;
[0061] 所述的数据处理模块,对所采集到的数据信息进行解析、规范、清洗,然后传输到数据存储模块;
[0062] 所述的数据存储模块,将处理完的数据存储到相应的数据库中。
[0063] 所述的应用中心单元包括:数据建模模块、监测分析模块、误差动态补偿模块,所述的数据建模模块、监测分析模块、误差动态补偿模块均部署在云端应用服务器上;
[0064] 所述的数据建模模块,从数据服务器获取实时数据信息,并对其进行数据建模;
[0065] 所述的监测分析模块,将分析处理后的机械设备数据信息利用可视化技术直观、动态的展现,实时监测机械设备加工运行状态;
[0066] 所述的误差动态补偿模块,为各类误差提供精准有效的动态补偿服务。
[0067] 本发明进一步提出优化方案,所述的通信网关单元、数据中心单元、应用中心单元均采用分布式数据库,提高系统可靠性及扩展性,所用服务器均采用集群部署,并通过负载均衡技术极大的提高海量工业数据处理的平,及支持高并发的数据访问
[0068] 由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
[0069] (1)本发明创造性地采用基于粒子群算法优化的ELM模型,在确保良好的制造一致性、基础精度保持性、热特性等前提下,将其应用到误差补偿系统,能够针对性的开展包括数控机床零部件的动静热等误差检测、特征分析、建模,达到实现零件高精度加工、提高数控机床精度等级的目的。通过综合误差建模、识别、补偿等措施,结合实际的生产背景,开展机床动态误差补偿技术应用,提高数控机床的生产效率以及加工精度。
[0070] (2)本发明整个系统数据平台由数据服务器和应用功能服务器组成,这种松耦合配置方案,将数据库设置为最高安全权限,有利于数据的安全性,同时,利于系统的进一步扩展。附图说明
[0071] 图1为本发明的结构示意图;
[0072] 图2为本发明的数据采集单元结构图;
[0073] 图3为本发明的通信网关单元结构图;
[0074] 图4为本发明的数据中心单元结构图;
[0075] 图5为本发明的应用中心单元结构图;
[0076] 图6为本发明的动态补偿算法流程图
[0077] 以下结合附图和具体实施例对本发明作进一步详述。

具体实施方式

[0078] 以下通过具体实施方式对本发明作进一步的描述。
[0079] 本实施例以误差补偿系统为原型,详细描述本发明的实施方式。
[0080] 一种基于云端智能的误差补偿系统,基于国内外先进的加工误差补偿理论和科学研究研制开发而成,旨在提高机床加工精度。在确保良好的制造一致性、基础精度保持性、热特性等前提下,通过对机械加工过程中的综合误差建模、识别、补偿等措施,经济有效地提高加工精度。
[0081] 结合图1所示,一种基于云端智能的误差补偿系统,包括数据采集单元100、通信网关单元200、数据中心单元300、应用中心单元400。数据采集单元100部署在机械设备上;通信网关单元200及数据中心单元300部署在云端数据服务器上;应用中心单元400部署在云端应用服务器上;所述的数据采集单元与通信网关单元、通信网关单元与数据中心单元、数据中心单元与应用中心单元均采用网络连接。
[0082] 结合图2所示,数据采集单元包括传感器模块101、主控制器模块102及通讯模块103,各个模块均设置在数据采集终端上。
[0083] 所述的传感器模块101采集机械设备运行中所产生的温度、偏移、加速度、应力等信号,然后传输给主控制器模块102。
[0084] 所述的主控制器模块102接收传感器模块101传输的各类信号,并对信号进行放大、去噪、转换等预处理,然后传输到通讯模块。
[0085] 所述的通讯模块103接收主控制器模块102所传输的数据信息,将其通过Internet网络发送到通信网关单元200。
[0086] 结合图3所示,通信网关单元200包括适配器模块201、报文处理模块202:
[0087] 所述的适配器模块201,智能的为机械设备配置相匹配的通信协议、连接方式、数据通道地址、参数名称,确保数据信息的正常通信。
[0088] 所述的报文处理模块202,提供对报文信息的收发、解析服务。
[0089] 结合图4所示,数据中心单元300包括:数据处理模块301、数据存储模块302,各个模块均部署在云端数据服务器上。
[0090] 所述的数据处理模块301,对所采集到的数据信息进行解析、规范、清洗,然后传输到数据存储模块302。
[0091] 所述的数据存储模块302,将处理完的数据存储到相应的数据库中。
[0092] 结合图5所示,应用中心单元400包括:数据建模模块401、监测分析模块402、误差动态补偿模块403,所述的数据建模模块401、监测分析模块402、误差动态补偿模块403均部署在云端应用服务器上。
[0093] 所述的数据建模模块401,从数据服务器获取实时数据信息,并对其进行数据建模。
[0094] 所述的监测分析模块402,将分析处理后的机械设备数据信息利用可视化技术直观、动态的展现,实时监测机械设备加工运行状态。
[0095] 所述的误差动态补偿模块403,为各类误差提供精准有效的动态补偿服务。
[0096] 结合图6所示,本发明还提出一种基于云端智能的动态补偿方法,提供动态补偿服务,其步骤如下:
[0097] 选取温度、位移、切削力这三个影响较大的参数作为输入数据来源;
[0098] 步骤一:确立误差建模所需的变量、实际测量误差值;同一时刻下的误差建模所需的变量集X=(x1,x2,…xm),X包含上述三种误差类型,m为误差数据个数;实际测量误差值为通过高精密仪器测量计算所得的误差值O=(o1,o2,…,oq),q为测量个数。
[0099] 采用粒子群算法,求解同一时间获取数据的最优解,对误差建模所需的变量集X进行优化。
[0100] 步骤二:粒子群算法优化误差建模所需的变量集。
[0101] 在一个M维的空间,空间内包含由n个粒子组成的种群,即原始变量集Xoriginal=(x1,x2,…,xn),每个粒子对应一个变量数据,即n=m;在该空间中的第i个粒子的位置,0<i≤n,可能是问题的一个潜在的最优解,可用一个M维的向量Xi=(xi1,xi2,…,xiM)T表示;设每个粒子位置为Xi,则根据目标函数可以算出对应的适应度值;第i个粒子的速度为V=(vi1,vi2,…,viM)T,其个体极值为Pi=(pi1,pi2,…,piM)T,种群的全局极值为Gbesti=(gi1,gi2,…,giM)T;速度和位置更新公式如下:
[0102]
[0103] 式中:ω为惯性因子;r1、r2是介于[0,1]的随机数;c1、c2是学习因子,通常c1=c2=2;Pbest表示最优个体极值;Gbest表示最优全局极值;d=M,M表示粒子群算法的空间维度;
k表示迭代次数。
[0104] (1)初始化粒子群;包括群体规模n,每个粒子的位置xi和速度vi。
[0105] (2)计算粒子适应度;采用均方根误差作为适应度函数,计算粒子的适应度值Fi。
[0106] (3)个体极值和全局极值。
[0107] 粒子群算法中获取粒子能使目标函数达到最大或是最小的那个时刻粒子的位置,即为粒子的个体极值;
[0108] 全局极值即为粒子群中最大或是最小的那个值。
[0109] 将上述计算的适应度值Fi同个体极值Pbesti和全局极值Gbesti分别进行比较:
[0110] 如果Fi>Pbesti,则用适应度值Fi替换掉个体极值Pbesti;
[0111] 如果Fi>Gbesti,则用适应度值Fi替换掉全局极值Gbesti;
[0112] 循环比较,直到确定最优的个体极值Pbesti和全局极值Gbesti。
[0113] (4)更新粒子的速度vi和位置xi。
[0114] (5)判断结果是否满足最小误差或迭代是否达到最大次数,不满足则跳转到(2),反复迭代,直到找到全局最优粒子所在位置xi,即构造最优输入集Xbest=(x1,x2,...,xi),0<i<m。
[0115] (6)将最优输入集分为训练样本XbestP=(x1,x2,…,xp),和测试样本XbestT=(x1,x2,...,xt),0<p,0<t,0<p+t≤i。
[0116] 步骤三:ELM模型的建立,包括以下步骤:
[0117] (1)确定隐层神经元个数c、随机设定输入层与隐含层间的连接权值w及隐含层神经元偏置b,随即设定取值区间为[-1,1];
[0118] W=(w1,w2,…,wi);
[0119] B=(b1,b2,…,bi);
[0120] 其中,W为输入层与隐含层间的连接权值矩阵,B为隐含层神经元偏置矩阵,0<i<m。
[0121] (2)确定隐含层神经元的激活函数g,且该函数必须满足无限可微的条件,由于涉及非线性特征,因此激活函数g=R→R;然后通过计算得到隐含层输出矩阵H,公式如下:
[0122] H=g(WX+B)
[0123] 式中:X为输入层权值矩阵,X=XbestP;g为激活函数。
[0124] (3)计算输出层权值,即求出最小值函数,公式如下:
[0125] minβ||HTβ-Y||
[0126] 式中:β为隐含层到输出层的权值矩阵,Y为输出矩阵,T为W和B的集合形式;
[0127] 根据上面公式,可进一步求出权值矩阵β,如下公式所示:
[0128]
[0129] 式中:H+为隐含层输出矩阵H的Moore-Penrose广义逆,求得解 的范数是唯一最小,ELM模型构建完成。
[0130] 步骤四:模型训练;
[0131] (1)将步骤二中所得出的训练样本XbestP作为步骤三构建的ELM模型的输入,计算得到训练输出集Ytrain=(y1,y2,…yt),0<t<i。
[0132] (2)将Ytrain代入进行均方根误差运算;
[0133]
[0134] 式中:oq为机械设备的实际测量误差值;σ反映了测量数据偏离真实值的程度,σ越小,表示预测误差值偏离程度越小,误差补偿精度越高。
[0135] (3)选取最小σmin、最大σmax,即可确定误差补偿值区间[ymin,ymax]。
[0136] 步骤五:结果运算
[0137] (1)将步骤二中所得出的测试样本XbestT作为步骤三构建的ELM模型的输入,计算得到测试输出集Ytest。
[0138] (2)判断输出集Ytest是否满足条件,即Ytest是否在步骤四所确定的误差补偿值区间内;如果不满足则跳转到步骤二;如果满足,则输出最优误差补偿集Ytest。
[0139] 步骤六:动态补偿
[0140] 将步骤五所得的最优误差补偿集Ytest转换成补偿信号通过I/O接口传送至数控机床控制器,然后通过机床自带的坐标原点平移功能控制系统的参考原点,并加到伺服环的控制信号中以调整数控机床各轴的运行,实现误差补偿。
[0141] 所述的通信网关单元200、数据中心单元300、应用中心单元400均采用分布式数据库,提高系统可靠性及扩展性,所用服务器均采用集群部署,并通过负载均衡技术极大的提高海量工业数据处理的水平,及支持高并发的数据访问。
[0142] 上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈