天津职业技术师范大学机械工程学院;辽宁省交通高等专科学校机电系;
为提高五轴数控机床在复杂加工环境下的轮廓误差预测精度，以机床实际加工数据和关键参数为基础，融合数字孪生技术和深度学习神经网络算法，构建一个具有互操作性和闭环性的高保真孪生预测模型。利用S形试件上选定参考点的法向轮廓误差数据及一系列关键参数作为历史数据进行神经网络模型训练。训练完成的模型被嵌入到机床的数字孪生体中，封装成完整的数字孪生轮廓误差预测模型，并在Unity 3D环境下实现加工过程的高度可视化。该模型不仅能够有效预测和指导五轴机床在加工过程中的轮廓误差补偿，进一步提高模型的实用性与交互性，而且还展现了数字孪生技术和深度学习算法在高精度机床控制领域的巨大潜力。实验结果表明：模型最大预测误差小于6μm，最小预测误差为0.9μm，模型能够精准预测和补偿机床的轮廓误差，验证了该方法在复杂加工场景下的有效性和优越性。
| 211 | 0 | 21 |
| 下载次数 | 被引频次 | 阅读次数 |
[1] ANDOLFATTO L,LAVERNHE S,MAYER J R R. Evaluation of servo,geometric and dynamic error sources on fiveaxis high-speed machine tool[J]. International Journal of Machine Tools and Manufacture,2011,51(10/11):787-796.
[2] HUO F,POO A N. Precision contouring control of machine tools[J]. The International Journal of Advanced Manufacturing Technology,2013,64(1):319-333.
[3]卢浩，管声启，雷鸣.一种实时轮廓误差估算方法及其预补偿仿真[J].机械科学与技术，2020,39(10):1563-1567.
[4]罗豪，余杭卓，江磊，等.侧铣表面点位轮廓误差预测方法[J].机械设计与制造，2021(1):80-83.
[5] GHAFFARI A,ULSOY A G. Dynamic contour error estimation and feedback modification for high-precision contouring[J]. ASME Transactions on Mechatronics,2016,21(3):1732-1741.
[6]黄华，赵秋舸，何再兴，等.基于LSTM与牛顿迭代的两轴系统轮廓误差控制[J].浙江大学学报（工学版），2023,57(1):10-20.
[7]耿丽荣，周凯.基于时间序列预测技术的数控机床轮廓误差实时补偿方法研究[J].制造技术与机床，2004(6):26-29.
[8]张雷，刘检华，庄存波，等.基于数字孪生的多轴数控机床轮廓误差抑制方法[J].计算机集成制造系统，2021,27(12):3391-3402.
[9]吕盾，刘青，刘沛，等.五轴机床加工零件轮廓误差预测方法[J].西安交通大学学报，2020,54(2):9-15.
[10]蒋亚坤.数控机床进给系统融合建模及轮廓误差补偿方法研究[D].武汉：华中科技大学，2021.
[11]吕盾，罗世有，王大伟，等.考虑几何误差和跟随误差的五轴联动轨迹误差预测方法[J].西安交通大学学报，2021,55(10):38-49.
[12]黄华，支晓波，李嘉然，等.基于数据-模型驱动的数控机床综合误差动态预测方法[J].计算机集成制造系统，2024,30(7):2283-2295.
[13] KIM H,AL KONTAR R,OKWUDIRE C E. Intelligent feedrate optimization using an uncertainty-aware digital twin within a model predictive control framework[J]. IEEE Access,2024,12:49947-49961.
[14] LI J G,YOU Z Y,LI Y N,et al. Five-axis contour error control based on spatial iterative learning[J]. IEEE Transactions on Automation Science and Engineering,2023,20(1):112-123.
[15]陶飞，刘蔚然，刘检华，等.数字孪生及其应用探索[J].计算机集成制造系统，2018,24(1):1-18.
[16]刘明浩，岳彩旭，夏伟，等.基于数字孪生的铣刀状态实时监控[J].计算机集成制造系统，2023,29(6):2118-2129.
[17]张俊涛.基于数字孪生的薄壁件铣削加工变形控制研究[D].哈尔滨：哈尔滨理工大学，2022.
[18]梅乐，黄华，支晓波，等.基于数字孪生模型的轮廓误差估计和预补偿方法[J/OL].计算机集成制造系统，（2024-05-31）. https：//kns.cnki.net/.
[19]LI J G,QI C G,LI Y N,et al. Prediction and compensation of contour error of CNC systems based on LSTM neural-network[J]. ASME Transactions on Mechatronics,2022,27(1):572-581.
[20]LIU K,SONG L,HAN W,et al. Time-varying error prediction and compensation for movement axis of CNC machine tool based on digital twin[J]. IEEE Transactions on Industrial Informatics,2022,18(1):109-118.
基本信息:
DOI：10.19573/j.issn2095-0926.202404001
中图分类号:TG659
引用信息:
[1]赵冠,赵巍,魏国家等.基于数字孪生的多轴数控机床轮廓误差预测研究[J].天津职业技术师范大学学报,2024,34(04):1-7.DOI:10.19573/j.issn2095-0926.202404001.
基金信息:
辽宁省教育厅2022年基本科研项目（LJKMZ20222111）