一种基于机器学习的平面运动直线度误差补偿系统及方法

摘要

本发明公开了一种基于机器学习的平面运动直线度误差补偿系统及方法，直线电机运动控制器用于控制宏动平台沿导轨的方向滑动；驱动器控制电源用于驱动微动台驱动器，微动平台产生与导轨的方向相互垂直的微位移；检测模块用于采集运动平台在导轨上运动的特征值，并将特征值发送到上位机；上位机具有数字化模型，数字化模型为运动平台的数字孪生平台；上位机通过机器学习方法建立误差补偿模型，利用误差补偿模型预测样本补偿数据，然后误差补偿值向驱动器控制电源发出控制指令。本发明通过机器学习来建立误差补偿模型，以对运动平台的直线度误差进行预判，从而对运动平台的平面运动直线度进行补偿，以提高运动平台的平面运动精度。

权利要求

1.一种基于机器学习的平面运动直线度误差补偿方法，应用于平面运动直线度误差补偿系统，其特征在于：所述平面运动直线度误差补偿系统包括运动平台、直线电机运动控制器、检测模块、驱动器控制电源及上位机；其中，所述运动平台包括导轨、直线电机、宏动平台、微动台驱动器与微动平台；

所述直线电机运动控制器用于驱动所述直线电机，使所述宏动平台沿所述导轨的方向滑动；

所述驱动器控制电源用于驱动所述微动台驱动器，所述微动平台产生与导轨的方向相互垂直的微位移；

所述检测模块用于采集运动平台在导轨上运动的特征值，并将所述特征值发送到所述上位机；

所述上位机与所述直线电机运动控制器及所述微动台驱动器数据连接并实时通信；所述上位机通过对运动平台进行建模，形成数字化模型，所述数字化模型为所述运动平台的数字孪生平台，所述数字化模型与所述运动平台同步接受上位机的指令且同步动作；

所述上位机接收所述检测模块所发送特征值，通过机器学习方法建立误差补偿模型，上位机利用误差补偿模型预测样本补偿数据，实时获得误差补偿值，并根据误差补偿值向所述驱动器控制电源发出控制指令；

所述数字化模型与所述运动平台通过OPC协议进行通信；

上位机根据误差补偿值来控制所述驱动器控制电源，使所述微动平台产生与宏动平台平面直线度偏差值相反的微位移，以补偿宏动平台在移动时产生的直线度误差；

所述宏动平台为“回”字形结构，其内部中空，所述微动平台设置于所述宏动平台内；所述宏动平台与所述微动平台之间设置有多个柔性铰链，所述柔性铰链对称设置于所述微动平台与所述导轨相垂直的两条边上，且多个所述柔性铰链垂直于所述导轨的方向布置；所述微动平台设置有驱动器安装位，所述微动台驱动器设置于所述安装位内，所述微动台驱动器一端与所述安装位的内壁连接，另一端与所述宏动平台的内壁连接，所述微动台驱动器驱动所述微动平台相对于所述宏动平台产生垂直于所述导轨的微位移；

所述微动台驱动器为压电陶瓷；

所述平面运动直线度误差补偿方法包括以下步骤：

步骤1、在数字孪生平台中模拟运动平台的运动，采集运动平台在运动过程中各个特征的特征值，并发送到上位机；

步骤2、上位机基于各个特征及各个特征所对应的特征值，利用随机森林学习方法建立误差补偿模型；

步骤3、上位机利用误差补偿模型预测样本补偿数据，实时获得误差补偿值；

在所述步骤2中，利用随机森林学习方法建立所述误差补偿模型包括如下过程：给定数据集过程：给定训练数据集S，训练数据集S中每个样本包含多个特征及对应的特征值；

确定参数过程：确定使用到的决策树的数量t和决策树深度d，并确定终止条件；

训练过程：

对于第[1，t]棵决策树，i＝1，其中，i为决策树的序号；

步骤a、从S中有放回地抽取大小和S一样的训练集S(i)，作为根节点的样品，从根节点开始训练；

步骤b、当前节点的数据集为D，如果当前节点未达到终止条件，则将当前数据集D划分为子数据集D1和子数据集D2，同时建立当前节点的左子节点和右子节点，将数据集D1划分到左子节点，数据集D2划分到右子节点；

如果当前节点的满足终止条件，或当前节点相对于根节点的深度不小于决策树深度d，则设置当前节点为叶子节点；

步骤c、被划分到右节点的数据集D2重复执行步骤b，直到当前决策树中所有节点都被训练过或被标记为叶子节点；

步骤d、重复步骤a、步骤b和步骤c，直到所有决策树都被训练过；

步骤e、判断当前决策树的棵数是否小于弱学习器的数量t学：

若是，则返回步骤a，建立一个新的根节点；

否则结束训练；

所述误差补偿模型输出的误差补偿值为所有决策树的输出值的平均值；

在所述给定数据集过程中，还给定特征维数F；

在所述确定参数过程中，还包括确定每个节点使用到的特征数量f和阈值th；

所述终止条件为：当前节点上的节点数据样本的个数或基尼系数小于阈值th；

在所述步骤b中，如果当前节点未达到终止条件，则从F维特征中无放回的随机选取f维特征；然后分别计算f维特征中各个特征中每一个特征值对数据集D的基尼系数；选择基尼系数最小的特征A和对应的特征值a，最后根据特征A和特征值a把数据集D划分为子数据集D1和子数据集D2，其中，对于数据集D中的每一个样本，若其特征A的特征值大于a，则该样本放入子数据集D1中，否则该样本放入子数据集D2中；

所述特征维数F至少包括平面直线度、导轨摩擦力、微平台的作用力、X方向位移、Y方向位移和转角变形大小。

2.根据权利要求1所述的一种基于机器学习的平面运动直线度误差补偿方法，其特征在于：在给定数据集过程中，还包括给定训练集T，所述训练集T用于输入所述误差补偿模型，然后根据误差补偿模型的输出值与运动平台在进行平面运动时的实际直线度误差来对阈值th进行调整。

说明书

一种基于机器学习的平面运动直线度误差补偿系统及方法

技术领域

[0001] 本发明涉及机械设备技术领域，尤其涉及一种基于机器学习的平面运动直线度误差补偿系统及方法。

背景技术

[0002] 随着超精密技术的迅猛发展以及产品不断小型化，随着人们对产品高性能、高可靠性的不懈追求，先进装备制造业正在向超精密化方向发展。在现代高端科技和先进制造业中，具有纳米级定位精度的定位平台有着举足轻重的地位。定位平台的精度、承载能力、运动行程等性能指标直接决定着精密加工的精度和效率，比如超精密切削水平、超大规模集成电路生产水平以及超精密测量技术等。

[0003] 但是即使是超精密机械，在生产加工中也不可避免的存在几何误差、制造误差、安装误差等，这些误差会直接反映到工件上，影响加工工件的精度；对于平面加工过程，如何提高设备的直线度误差则是目前所要解决的问题。

发明内容

[0004] 本发明的目的在于提出一种基于机器学习的平面运动直线度误差补偿系统及方法，以解决上述问题。

[0005] 为达此目的，本发明采用以下技术方案：

[0006] 一种基于机器学习的平面运动直线度误差补偿系统，包括运动平台、直线电机运动控制器、检测模块、驱动器控制电源及上位机；其中，所述运动平台包括导轨、直线电机、宏动平台、微动台驱动器与微动平台；

[0007] 所述直线电机运动控制器用于驱动所述直线电机，使所述宏动平台沿所述导轨的方向滑动；

[0008] 所述驱动器控制电源用于驱动所述微动台驱动器，所述微动平台产生与导轨的方向相互垂直的微位移；

[0009] 所述检测模块用于采集运动平台在导轨上运动的特征值，并将所述特征值发送到所述上位机；

[0010] 所述上位机与所述直线电机运动控制器及所述微动台驱动器数据连接并实时通信；所述上位机通过对运动平台进行建模，形成数字化模型，所述数字化模型为所述运动平台的数字孪生平台，所述数字化模型与所述运动平台同步接受上位机的指令且同步动作；

[0011] 所述上位机接收所述检测模块所发送特征值，通过机器学习方法建立误差补偿模型，上位机利用误差补偿模型预测样本补偿数据，实时获得误差补偿值，并根据误差补偿值向所述驱动器控制电源发出控制指令。

[0012] 所述数字化模型与所述运动平台通过OPC协议进行通信。

[0013] 上位机根据误差补偿值来控制所述驱动器控制电源，使所述微动平台产生与宏动平台平面直线度偏差值相反的微位移，以补偿宏动平台在移动时产生的直线度误差。

[0014] 所述宏动平台为“回”字形结构，其内部中空，所述微动平台设置于所述宏动平台内；所述宏动平台与所述微动平台之间设置有多个柔性铰链，所述柔性铰链对称设置于所述微动平台与所述导轨相垂直的两条边上，且多个所述柔性铰链垂直于所述导轨的方向布置；所述微动平台设置有驱动器安装位，所述微动台驱动器设置于所述安装位内，所述微动台驱动器一端与所述安装位的内壁连接，另一端与所述宏动平台的内壁连接，所述微动台驱动器驱动所述微动平台相对于所述宏动平台产生垂直于所述导轨的微位移。

[0015] 所述微动台驱动器为压电陶瓷。

[0016] 一种基于机器学习的平面运动直线度误差补偿方法，包括以下步骤：

[0017] 步骤1、在数字孪生平台中模拟运动平台的运动，采集运动平台在运动过程中各个特征的特征值，并发送到上位机；

[0018] 步骤2、上位机基于各个特征及各个特征所对应的特征值，利用随机森林学习方法建立误差补偿模型；

[0019] 步骤3、上位机利用误差补偿模型预测样本补偿数据，实时获得误差补偿值。

[0020] 在所述步骤2中，利用随机森林学习方法建立所述误差补偿模型包括如下过程：

[0021] 给定数据集过程：给定训练数据集S，训练数据集S中每个样本包含多个特征及对应的特征值；

[0022] 确定参数过程：确定使用到的决策树的数量t和决策树深度d，并确定终止条件；

[0023] 训练过程：

[0024] 对于第[1，t]棵决策树，i＝1，其中i为决策树的序号；

[0025] 步骤a、从S中有放回地抽取大小和S一样的训练集S(i)，作为根节点的样品，从根节点开始训练；

[0026] 步骤b、当前节点的数据集为D，如果当前节点未达到终止条件，则将当前数据集D划分为子数据集D1和子数据集D2，同时建立当前节点的左子节点和右子节点，将数据集D1划分到左子节点，数据集D2划分到右子节点；

[0027] 如果当前节点的满足终止条件，或当前节点相对于根节点的深度不小于决策树深度d，则设置当前节点为叶子节点；

[0028] 步骤c、被划分到右节点的数据集D2重复执行步骤b，直到当前决策树中所有节点都被训练过或被标记为叶子节点；

[0029] 步骤d、重复步骤a、步骤b和步骤c，直到所有决策树都被训练过；

[0030] 步骤e、判断当前决策树的棵数是否小于弱学习器的数量t学：

[0031] 若是，则返回步骤a，建立一个新的根节点；

[0032] 否则结束训练；

[0033] 所述误差补偿模型输出的误差补偿值为所有决策树的输出值的平均值。

[0034] 在所述给定数据集过程中，还给定特征维数F；

[0035] 在所述确定参数过程中，还包括确定每个节点使用到的特征数量f和阈值th；

[0036] 所述终止条件为：当前节点上的节点数据样本的个数或基尼系数小于阈值th；

[0037] 在所述步骤b中，如果当前节点未达到终止条件，则从F维特征中无放回的随机选取f维特征；然后分别计算f维特征中各个特征中每一个特征值对数据集D的基尼系数；选择基尼系数最小的特征A和对应的特征值a，最后根据特征A和特征值a把数据集D划分为子数据集D1和子数据集D2，其中，对于数据集D中的每一个样本，若其特征A的特征值大于a，则该样本放入子数据集D1中，否则该样本放入子数据集D2中。

[0038] 所述特征维数F至少包括平面直线度、导轨摩擦力、微平台的作用力、X方向位移、Y方向位移和转角变形大小。

[0039] 在给定数据集过程中，还包括给定训练集T，所述训练集T用于输入所述误差补偿模型，然后根据误差补偿模型的输出值与运动平台在进行平面运动时的实际直线度误差来对阈值th进行调整。

附图说明

[0040] 附图对本发明做进一步说明，但附图中的内容不构成对本发明的任何限制。

[0041] 图1是本发明其中一个实施例的宏动平台与微动平台的结构示意图；

[0042] 图2是本发明其中一个实施例的误差补偿模型的训练流程示意图；

[0043] 附图中：1-宏动平台、2-微动平台、3-铰链、4-微动台驱动器。

具体实施方式

[0044] 下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

[0045] 本实施例的一种基于机器学习的平面运动直线度误差补偿系统，如图1所示，包括运动平台、直线电机运动控制器、检测模块、驱动器控制电源及上位机；其中，所述运动平台包括导轨、直线电机、宏动平台1、微动台驱动器4与微动平台2；

[0046] 所述直线电机运动控制器用于驱动所述直线电机，使所述宏动平台1沿所述导轨的方向滑动；

[0047] 所述驱动器控制电源用于驱动所述微动台驱动器4，所述微动平台2产生与导轨的方向相互垂直的微位移；

[0048] 所述检测模块用于采集运动平台在导轨上运动的特征值，并将所述特征值发送到所述上位机；

[0049] 所述上位机与所述直线电机运动控制器及所述微动台驱动器4数据连接并实时通信；所述上位机通过对运动平台进行建模，形成数字化模型，所述数字化模型为所述运动平台的数字孪生平台，所述数字化模型与所述运动平台同步接受上位机的指令且同步动作；

[0050] 所述上位机接收所述检测模块所发送特征值，通过机器学习方法建立误差补偿模型，上位机利用误差补偿模型预测样本补偿数据，实时获得误差补偿值，并根据误差补偿值向所述驱动器控制电源发出控制指令。

[0051] 本发明通过对运动平台进行建模，并整合数字孪生技术，将物理世界的运动平台映射到虚拟世界的数字化模型，实现了数字设备与物理设备的虚实同步，在数字设备中模拟物理的动作，在仿真平台中对设备动作进行分析与验证，并对误差补偿模型进行训练，进一步对设备动作误差进行模拟修正，从而显著提高传统导轨承载平台的平面运动直线度精度。利用数字孪生技术，实现物理设备到数字模型的映射，平台的每个物理部分都采用数字化表示，搭建精确且实时的信息网络通道，并实现数字设备下达生产指令与物理设备上传的现场信息实时同步。数字孪生平台嵌入机器学习优化算法，并作为实时在线的优化工具，通过检测模块，实时采集设备的运动和动作数据，上位机利用历史加工数据来对误差补偿模型进行训练，在加工过程中，误差补偿模型根据检测模块的实时来预测出运动平台的误差值，从而使得上位机可以输出优化后的运动平台位移输出控制函数，使微动平台2产生与误差值方向相反的微位移，从而对直线度的误差进行补偿，最终实现运动平台的精确运动控制；此外，采用机器学习的方法对误差进行预测的方式来补偿运动平台的直线度误差，相比于拟合误差曲线，然后根据误差曲线与理想直线度的偏差来确定输出函数的控制方式，本发明可以基于历史加工数据来对误差值进行在线实时预测，当导轨在长期的使用下出现磨损而使得运动平台的直线度发生变化时，如果采用误差曲线的方式来进行误差补偿，由于误差曲线无法实时更新，因此其精度相对较低；本发明的误差模型可以不断地根据历史加工数据来对误差补偿模型进行训练，使得误差补偿模型可以在线实时地对误差进行预测，从而使补偿的误差值可以更加接近实际的直线度误差，其控制的精度更高。

[0052] 所述数字化模型与所述运动平台通过OPC协议进行通信。

[0053] 数字化模型与运动平台通过OPC协议可构成实时通讯通道，实时通信通道用于所述数字化模型与所述运动平台之间进行实时交互和点位扫描查询，以同步传输生产指令与现场信息，进一步实现物理设备与数字设备虚实联动。

[0054] 上位机根据误差补偿值来控制所述驱动器控制电源，使所述微动平台2产生与宏动平台1平面直线度偏差值相反的微位移，以补偿宏动平台1在移动时产生的直线度误差。

[0055] 当宏动平台1在位移的时候直线度出现偏差时，由于宏动平台1是沿着导轨的方向滑动的，其自身是无法进行补偿的，需要通过微动平台2来对宏动平台1所产生的直线度偏差进行补偿，因此，运动平台的承载平台为微动平台2，当宏动平台1在运动过程中出现直线度偏差时，可以通过控制驱动器控制电源来使得微动平台2产生与宏动平台1的直线度偏差值大小一致，方向相反的微位移，从而实现对运动平台的平面运动直线度误差进行补偿。

[0056] 所述宏动平台1为“回”字形结构，其内部中空，所述微动平台2设置于所述宏动平台1内；所述宏动平台1与所述微动平台2之间设置有多个柔性铰链3，所述柔性铰链3对称设置于所述微动平台2与所述导轨相垂直的两条边上，且多个所述柔性铰链3垂直于所述导轨的方向布置；所述微动平台2设置有驱动器安装位，所述微动台驱动器4设置于所述安装位内，所述微动台驱动器4一端与所述安装位的内壁连接，另一端与所述宏动平台1的内壁连接，所述微动台驱动器4驱动所述微动平台2相对于所述宏动平台1产生垂直于所述导轨的微位移。

[0057] 这样将微动平台2设置于宏动平台1的内部，宏动平台1与微动平台2之间采用柔性铰链3连接，这样可以限制微动平台2的运动方向，优选地，柔性铰链3在微动平台2的两侧对称设置，当微动平台2受到微动台驱动器4的力的作用时，微动平台2在两侧的柔性铰链3的导向作用下，产生与导轨垂直的位移，由于柔性铰链3在微动平台2的两侧对称设置，因此，两侧的柔性铰链3产生等量的转角变形，因此只产生垂直于导轨的位移，不会产生与导轨方向的位移耦合，这样使得微动平台2的补偿精度更高；此外采用多个柔性铰链3对微动进行支撑，使得微动平台2具有较大的承载能力，即使微动平台2的的面积较大也可以具有较高的刚度，避免了由于受力不均或承载的重量过大而引起Z向的位移耦合的问题，从而提高了响应能力。

[0058] 所述微动台驱动器4为压电陶瓷。

[0059] 当给压电陶瓷的两端施加电压后，压电陶瓷会发生变形，利用压电陶瓷的逆压电效应可以用来驱动微动平台2，且压电陶瓷在施加电压后所产生的变形相对微小，动作精度较高，因此利用压电陶瓷来驱动微动平台2可具有较高的。

[0060] 一种基于机器学习的平面运动直线度误差补偿方法，如图1所示，包括以下步骤：

[0061] 步骤1、在数字孪生平台中模拟运动平台的运动，采集运动平台在运动过程中各个特征的特征值，并发送到上位机；

[0062] 步骤2、上位机基于各个特征及各个特征所对应的特征值，利用随机森林学习方法建立误差补偿模型；

[0063] 步骤3、上位机利用误差补偿模型预测样本补偿数据，实时获得误差补偿值。

[0064] 在数字孪生平台中模拟运动平台的运动可以对宏动平台1与微动平台2的运动过程进行分析，以输出优化后的微动平台2位移控制函数，实现微动平台2的精确运动控制，通过机器学习算法，基于孪生平台在模拟装备的运动时采集的历史加工数据，即各个特征的特征值，建立误差补偿模型，并利用历史数据对误差补偿模型进行训练，从而使得误差补偿模型可以实现在线实时预测样本的直线度误差的目的，以快速获得误差补偿值，使误差补偿的精度得到了极大的提高，解决了目前的精密加工过程中只能通过精密加工手段对导轨进行反复加工和测量来达到目标精度的问题，改善了高精度工件加工耗时较长问题，降低了误差试错的成本。

[0065] 在所述步骤2中，利用随机森林学习方法建立所述误差补偿模型包括如下过程：

[0066] 给定数据集过程：给定训练数据集S，训练数据集S中每个样本包含多个特征及对应的特征值；

[0067] 确定参数过程：确定使用到的决策树的数量t和决策树深度d，并确定终止条件；

[0068] 训练过程：

[0069] 对于第[1，t]棵决策树，i＝1，其中i为决策树的序号；

[0070] 步骤a、从S中有放回地抽取大小和S一样的训练集S(i)，作为根节点的样品，从根节点开始训练；

[0071] 步骤b、当前节点的数据集为D，如果当前节点未达到终止条件，则将当前数据集D划分为子数据集D1和子数据集D2，同时建立当前节点的左子节点和右子节点，将数据集D1划分到左子节点，数据集D2划分到右子节点；

[0072] 如果当前节点的满足终止条件，或当前节点相对于根节点的深度不小于决策树深度d，则设置当前节点为叶子节点；

[0073] 步骤c、被划分到右节点的数据集D2重复执行步骤b，直到当前决策树中所有节点都被训练过或被标记为叶子节点；

[0074] 步骤d、重复步骤a、步骤b和步骤c，直到所有决策树都被训练过；

[0075] 步骤e、判断当前决策树的棵数是否小于弱学习器的数量t学：

[0076] 若是，则返回步骤a，建立一个新的根节点；

[0077] 否则结束训练；

[0078] 所述误差补偿模型输出的误差补偿值为所有决策树的输出值的平均值。

[0079] 其中，训练数据集S中包含有多个历史加工数据，即各个特征以及各个特征所对应的特征值，通过不断对当前节点进行分裂，即将当前节点的数据集D划分到左子节点与右子节点，从而得到决策树的多个叶子节点，并建立多棵决策树；在进行加工时，误差补偿模型实时获取当前的样本数据，然后将样本数据投入到各棵决策树中，从而获取各棵决策树的输出的数据，误差补偿模型将所有的决策树的输出数据进行平均，从而得到预测的直线度误差值；上位机根据误差补偿模型的误差值对运动平台的直线度误差进行补偿，从而提高运动平台的平面运动直线度，通过实时样本数据来进行预判，其精确度更高。

[0080] 在所述给定数据集过程中，还给定特征维数F；

[0081] 在所述确定参数过程中，还包括确定每个节点使用到的特征数量f和阈值th；

[0082] 所述终止条件为：当前节点上的节点数据样本的个数或基尼系数小于阈值th；

[0083] 在所述步骤b中，如果当前节点未达到终止条件，则从F维特征中无放回的随机选取f维特征；然后分别计算f维特征中各个特征中每一个特征值对数据集D的基尼系数；选择基尼系数最小的特征A和对应的特征值a，最后根据特征A和特征值a把数据集D划分为子数据集D1和子数据集D2，其中，对于数据集D中的每一个样本，若其特征A的特征值大于a，则该样本放入子数据集D1中，否则该样本放入子数据集D2中。

[0084] 通过计算各个特征相对于数据集D的基尼系数，可以寻找到当前节点中最优的特征A及最优的特征所对应的特征值a，并且通过不断分裂来得到最优的特征与其对应的特征值，由此，当向决策树输入样本时，可以得到当前决策树的最优的特征及其对应的特征值，从而对运动平台的误差值进行预判，以使得上位机可以根据预判的误差值来对运动平台进行误差补偿，从而提高运动平台在平面运动过程中的直线度精度。

[0085] 所述特征维数F至少包括平面直线度、导轨摩擦力、微平台的作用力、X方向位移、Y方向位移和转角变形大小。

[0086] 由于运动平台的直线度受多个特征的影响，因此，特征维数F包含多个与运动平台在进行平面运动的直线度相关的特征，从而使得不论是哪个特征对运动平台在进行平面运动时的直线度产生影响，都可以通过发明的误差补偿模型来进行预判，预判的准确度更高，运动平台在经过补偿后的平面直线度更高。

[0087] 在给定数据集过程中，还包括给定训练集T，所述训练集T用于输入所述误差补偿模型，然后根据误差补偿模型的输出值与运动平台在进行平面运动时的实际直线度误差来对阈值th进行调整。

[0088] 设置训练集T可用于对误差补偿模型进行调试，通过对误差补偿模型的输出值与运动平台的实际直线度误差进行对比，不断地对阈值th进行调整，以寻找最优的阈值th，使得各个节点的分裂过程更加合理，最终使得误差补偿模型预判的误差值更加接近运动平台的实际误差值。

[0089] 以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。