自适应控制技术在CNC机床上的应用

CNC机床加工中的自适应加工控制技术CNC机床加工作为现代机械制造过程中的重要环节，其加工精度和效率对于产品质量和产能都起着关键的作用。

为了满足不同加工要求，提升加工质量和效率，自适应加工控制技术应运而生。

本文将探讨CNC机床加工中的自适应加工控制技术以及其在实际应用中的优势和挑战。

一、自适应加工控制技术概述自适应加工控制技术是指根据不同加工要求和实际情况，通过智能化的传感器和控制系统，实时监测和调整加工参数的技术。

这种技术可以根据材料的性质、机床的状况和工艺的要求，自动实现最优的加工过程，提升加工质量和效率。

二、自适应加工控制技术的应用1. 智能刀具监测和调整自适应加工控制技术可以通过刀具传感器实时监测刀具的磨损情况和切削力的变化，然后根据监测结果自动调整刀具的进给速度和切削深度，以确保刀具的性能和加工质量。

2. 自动补偿自适应加工控制技术可以通过实时监测加工过程中材料变形和机床变形等因素，自动计算出补偿值，并通过控制系统进行补偿，以实现更准确的加工结果。

3. 建模与预测自适应加工控制技术可以通过建立数学模型和统计学方法，预测加工过程中可能出现的问题，如材料变形、表面质量等，从而提前采取措施进行调整，避免加工失误和浪费。

三、自适应加工控制技术的优势1. 提高加工精度自适应加工控制技术可以根据实时监测的数据，及时调整加工参数，避免由于刀具磨损、材料变形等因素导致的加工精度下降。

2. 增加加工效率通过自动调整加工参数和补偿变形，自适应加工控制技术可以减少加工时间和次品率，提高加工效率和生产能力。

3. 降低成本自适应加工控制技术可以减少由于刀具磨损、工艺调整等因素导致的废品和次品率，降低了加工成本和资源浪费。

四、自适应加工控制技术的挑战1. 系统复杂性自适应加工控制技术需要智能化的传感器和控制系统，以及先进的算法和模型，这要求相关技术和设备的研发和应用需投入大量资源。

2. 数据采集和处理自适应加工控制技术需要实时采集和处理大量的数据，包括切削力、温度、位移等，要求相关设备和软件具备高速、高精度的数据处理能力。

CNC机床加工中的表面粗糙度评估与控制机床加工是现代制造业中的重要环节，CNC（Computer Numerical Control）机床作为一种自动化加工设备，在提高生产效率和产品质量方面具有重要作用。

而表面粗糙度是一个关键的指标，它直接影响着零件的功能性能和外观质量。

因此，在CNC机床加工中，对表面粗糙度的评估与控制显得尤为重要。

一、表面粗糙度的定义和测量方法表面粗糙度指的是物体表面的不规则程度，是表面上单个凹凸之间的高度差异。

常见的表面粗糙度测量方法有两种：检测法和量测法。

1. 检测法检测法通过肉眼或触摸来判断表面的光滑度，有一定的主观性，但对于一些外观要求较高的产品，如精密光学仪器等，这种方法依旧有其必要性。

2. 量测法量测法是使用专业的仪器设备来准确测量表面粗糙度。

常用的量测仪器有激光干涉仪、失光仪、扫描电子显微镜等。

这些仪器可以提供表面粗糙度参数，如Ra、Rz等，用于表征表面的光滑程度和不规则程度。

二、CNC机床加工中的表面粗糙度评估在CNC机床加工过程中，表面粗糙度的评估是为了确保产品质量的一项关键工作。

评估表面粗糙度的主要目的是确定加工过程中的问题和改进措施，以便提高加工效果和产品质量。

1. 加工参数的选择为了获得更好的表面粗糙度，需要合理选择加工参数，包括切削速度、进给量、切削深度等。

这些参数的合理选择将直接影响到表面粗糙度的好坏。

通常情况下，较小的切削速度、进给量和切削深度会得到更好的表面质量。

2. 加工工具的选择与刀具磨损控制不同的加工工具和刀具材料对于表面质量的影响是不同的。

合理选择加工工具和刀具材料，并且及时对刀具进行磨损检测和磨损控制，可以有效地提高加工质量和延长刀具的使用寿命。

3. 加工过程的监控与维护在CNC机床加工过程中，通过实时监控切削力、温度、振动等参数，可以及时发现加工中的问题，对加工过程进行调整和优化，以保证表面质量的要求。

此外，定期维护设备，保持设备的正常工作状态，也是确保表面粗糙度评估与控制的重要环节。

数控系统发展简史及趋势1946年诞生了世界上第一台电子计算机，这表明人类创造了可增强和部分代替脑力劳动的工具。

它与人类在农业、工业社会中创造的那些只是增强体力劳动的工具相比，起了质的飞跃，为人类进入信息社会奠定了基础。

6年后，即在1952年，计算机技术应用到了机床上，在美国诞生了第一台数控机床。

从此，传统机床产生了质的变化。

近半个世纪以来，数控系统经历了两个阶段和六代的发展。

1.1、数控（NC）阶段（1952～1970年）早期计算机的运算速度低，对当时的科学计算和数据处理影响还不大，但不能适应机床实时控制的要求。

人们不得不采用数字逻辑电路"搭"成一台机床专用计算机作为数控系统，被称为硬件连接数控（HARD-WIRED NC），简称为数控（NC）。

随着元器件的发展，这个阶段历经了三代，即1952年的第一代--电子管；1959年的第二代--晶体管；1965年的第三代--小规模集成电路。

1.2、计算机数控（CNC）阶段（1970年～现在）到1970年，通用小型计算机业已出现并成批生产。

于是将它移植过来作为数控系统的核心部件，从此进入了计算机数控（CNC）阶段（把计算机前面应有的"通用"两个字省略了）。

到1971年，美国INTEL公司在世界上第一次将计算机的两个最核心的部件--运算器和控制器，采用大规模集成电路技术集成在一块芯片上，称之为微处理器（MICROPROCESSOR），又可称为中央处理单元（简称CPU）。

到1974年微处理器被应用于数控系统。

这是因为小型计算机功能太强，控制一台机床能力有富裕（故当时曾用于控制多台机床，称之为群控），不如采用微处理器经济合理。

而且当时的小型机可靠性也不理想。

早期的微处理器速度和功能虽还不够高，但可以通过多处理器结构来解决。

由于微处理器是通用计算机的核心部件，故仍称为计算机数控。

到了1990年，PC机（个人计算机，国内习惯称微机）的性能已发展到很高的阶段，可以满足作为数控系统核心部件的要求。

CNC机床加工中的自适应控制技术在现代制造业中，CNC机床是一种非常重要的工具，它可以实现高精度、高效率的零件加工。

然而，由于不同工件的材料、形状和加工要求的差异，传统的固定控制方式已经无法完全满足生产需求。

因此，自适应控制技术的发展变得至关重要。

本文将介绍CNC机床加工中的自适应控制技术，包括其基本原理、应用场景以及未来发展趋势。

一、自适应控制技术的基本原理自适应控制技术是一种根据实时的加工情况和工件特性来调整加工参数的控制策略。

其基本原理是通过传感器和反馈系统监测加工过程中的各种参数，如切削力、温度、振动等，然后通过控制算法实时调整刀具进给速度、主轴转速等加工参数，以达到最佳的加工效果。

二、自适应控制技术的应用场景1. 复杂曲面加工：在加工复杂曲面时，传统的固定控制方式往往无法实现高质量的加工。

通过自适应控制技术，可以根据实时加工过程中的反馈信息，调整刀具进给速度和主轴转速，从而实现更加精细的加工。

2. 难加工材料加工：一些难加工材料，如钛合金、高温合金等，具有较高的硬度和切削阻力，传统的固定控制方式往往加工效率低下且容易导致刀具损伤。

通过自适应控制技术，可以根据实时的切削力和温度信息，动态调整刀具进给速度和主轴转速，从而降低切削阻力、延长刀具寿命。

3. 加工误差补偿：在加工过程中，由于材料性质不均匀、加工设备磨损等因素的影响，很难实现精确的加工。

通过自适应控制技术，可以根据实时的加工误差信息，自动调整刀具进给速度和主轴转速，从而实现加工误差的补偿，提高加工精度。

三、自适应控制技术的未来发展趋势随着科技的不断进步和应用的深入，CNC机床加工中的自适应控制技术也在不断发展。

未来，可以预见以下几个发展趋势：1. 机器学习技术的应用：通过机器学习算法，CNC机床可以自动学习并优化加工参数的选择，从而实现更精确、高效的加工。

2. 多传感器融合技术的发展：借助于多传感器融合技术，CNC机床可以实时获取各种参数信息，并通过数据融合分析，实现更准确的自适应控制。

CNC机床加工技术的未来发展趋势随着科学技术的不断进步，CNC（Numerical Control）机床加工技术在工业制造领域中扮演着至关重要的角色。

CNC机床利用计算机控制系统操作工件的加工过程，具有高效、精准和自动化等优势，被广泛应用于航空航天、汽车制造、机械加工等领域。

然而，随着新兴技术的不断涌现和市场需求的变化，CNC机床加工技术也面临着不同的挑战和发展机遇。

本文将探讨CNC机床加工技术的未来发展趋势。

一、智能化与自动化趋势未来CNC机床加工技术的发展趋势之一是智能化与自动化的推动。

随着人工智能、大数据和云计算等技术的不断成熟，CNC机床将更加智能化和自动化。

通过与人工智能系统的结合，CNC机床能够实现更高效的自适应加工，自主识别和纠正加工误差，提高加工的精度和质量。

同时，借助云计算和大数据分析，CNC机床能够实现更精准的加工控制和预测，提高生产效率和资源利用率。

二、多功能与高精度趋势未来CNC机床加工技术的发展还将朝着多功能与高精度的方向发展。

随着产品的个性化需求不断增加，CNC机床需要具备更多的加工功能。

传统的机床加工通常只能实现单一功能的加工，而未来的CNC机床则将具备多功能的加工能力，能够实现多工序、多工具和多材料的加工。

同时，随着工业制造领域对产品质量要求的提高，CNC机床加工的精度也将不断提高。

未来的CNC机床将能够实现更高精度的加工，进一步满足市场对高质量产品的需求。

三、柔性化与高效率趋势未来CNC机床加工技术的发展还将注重柔性化与高效率。

随着市场需求的日益多样化和小批量生产的增加，CNC机床需要具备更强的柔性和适应性。

未来的CNC机床将能够实现快速换型和快速调整加工工艺，以满足不同产品的加工需求。

同时，高效率的加工也是未来发展的重要趋势。

CNC机床将采用更高效的切削工具、更快速的进给速度和更智能化的加工控制系统，以提高加工效率和降低生产成本。

四、绿色与可持续发展趋势未来CNC机床加工技术的发展还将关注绿色和可持续发展。

浅谈普通机床的数控化改造摘要:本文重点介绍了普通机床数控化改造的必要性及数控化改造的内容及其优缺点,以及如何进行普通机床的数控化改造,包括数控系统的选择要素,并对数控改造中如何对主要机械部件进行改造进行了探讨,列举了普通机床数控改造的主要步骤。

最后说明了普通机床数控改造中经常遇到的问题及其解决方案。

关键词:机床数控改造集成性能调整1946年世界上第一台计算机诞生了,开创了机器部分代替“人脑”的先河,为当今信息社会的产生及数控技术的应用奠定了基础。

随着1952年计算机技术在机床上的应用,人类历史上诞生了第一台数控机床。

在数控技术发展过程中,数控技术在机加工领域的应用经历了两个阶段。

第一阶段为数控(NC)阶段—此阶段为数控技术应用的初期阶段,起源于1952年。

当时,人们仅采用数字逻辑电路搭成机床专用计算机作为数控系统,简称为数控(NC)。

第二阶段为计算机数控(CNC)阶段—此阶段起源于1970年,随着小型计算机的诞生,人们开始将其移植到机床的数控系统作为数控的核心部件。

1 普通机床的数控化过程随着计算机技术的发展和应用,数控技术在机加工领域的应用也在不断的提高和创新。

在进入20世纪70年代年以后,随着集成化电路的应用,使计算机的硬件实现了集成化和小型化。

20世纪90年代以后,随着小型计算机的发展,使得小型个人计算机(PC)作为前端机来处理人机界面、编程、联网通信等变的更加方便。

随着智能化技术的应用,数控系统的智能化水平也在不断提高。

例如,人们应用自适应控制技术来检测数控过程中的一些重要信息,并自动调整系统的有关参数,达到改进系统运行状态的目的;将加工的一般规律和特殊规律存入系统中,以工艺参数数据库为平台,建立具有人工智能的操作系统等等。

数控系统在机加工领域的应用,大大提高了机床的性能。

如何提高和改善普通机床性能,成为机床行业的一个新课题。

图1描绘了普通机床的数控化改造过程。

2 普通机床数控改造的必要性数控机床有许多优于普通机床的特性,这些特性主要来自数控系统的控制能力和计算能力。

２０２１年４月第４９卷第８期机床与液压ＭＡＣＨＩＮＥＴＯＯＬ＆ＨＹＤＲＡＵＬＩＣＳＡｐｒ．２０２１Ｖｏｌ ４９Ｎｏ ８ＤＯＩ：１０．３９６９／ｊ ｉｓｓｎ １００１－３８８１ ２０２１ ０８ ０１１本文引用格式：梁建智，邱彪，陈宇燕，等．基于数据驱动的数控机床自适应迭代学习控制［Ｊ］．机床与液压，２０２１，４９（８）：５０－５４．ＬＩＡＮＧＪｉａｎｚｈｉ，ＱＩＵＢｉａｏ，ＣＨＥＮＹｕｙａｎ，ｅｔａｌ．Ｄａｄａ⁃ｄｒｉｖｅｎａｄａｐｔｉｖｅｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌｆｏｒＣＮＣｓｙｓｔｅｍｓ［Ｊ］．Ｍａ⁃ｃｈｉｎｅＴｏｏｌ＆Ｈｙｄｒａｕｌｉｃｓ，２０２１，４９（８）：５０－５４．收稿日期：２０２０－０３－１４基金项目：２０１９年度广西高校中青年教师科研基础能力提升项目（２０１９ＫＹ１４８６）；广西电力职业技术学院高精度数字化探测技术协同创新团队研究成果作者简介：梁建智（１９８６ ），男，硕士，副教授，主要从事机电控制与自动化㊁无人机等研究㊂Ｅ－ｍａｉｌ：６４２８５１０７８＠ｑｑ ｃｏｍ㊂通信作者：邱彪（１９８５ ），博士研究生，讲师，主要从事机电系统精度设计㊁电动汽车等研究㊂Ｅ－ｍａｉｌ：ｂｅｎｋｑｉｕ＠１６３ ｃｏｍ㊂基于数据驱动的数控机床自适应迭代学习控制梁建智１，邱彪１，陈宇燕１，杨铭２，李廷彦３，秦永振４（１ 广西电力职业技术学院智能制造工程学院，广西南宁５３０００７；２ 广西电力职业技术学院电力工程学院，广西南宁５３０００７；３ 南宁市西真电子科技开发有限公司，广西南宁５３０００７；４ 广西数通电子有限公司，广西南宁５３０００７）摘要：数控机床位置伺服系统受加工环境㊁零件形状和机床机电特性等变化因素的影响，其零件加工是一个典型的非线性㊁时变和不确定动力学变化过程，因此，建立其精确机制模型很困难㊂针对相同零件批量加工过程呈现的重复运行特点，基于被控对象的等价数据模型，提出一种基于数据驱动的自适应迭代学习控制方法㊂所提控制方法采用沿迭代轴的动态线性化方法，通过最小化控制目标函数，仅利用数控机床位置伺服系统的输入输出数据，实现学习控制增益的自适应更新，克服传统Ｐ型迭代学习控制方法固定增益的问题，并经过严格理论分析保证了该方法的收敛特性㊂仿真结果表明：提出的数据驱动自适应迭代学习控制方法，相比传统Ｐ型迭代学习控制方法，平均绝对误差和最大绝对误差分别减小了４６％和５６％㊂关键词：数控机床位置伺服系统；动态线性化；Ｐ型迭代学习控制；自适应迭代学习；数据驱动控制中图分类号：ＴＰ２９Ｄａｄａ⁃ｄｒｉｖｅｎＡｄａｐｔｉｖｅＩｔｅｒａｔｉｖｅＬｅａｒｎｉｎｇＣｏｎｔｒｏｌｆｏｒＣＮＣＳｙｓｔｅｍｓＬＩＡＮＧＪｉａｎｚｈｉ１，ＱＩＵＢｉａｏ１，ＣＨＥＮＹｕｙａｎ１，ＹＡＮＧＭｉｎｇ２，ＬＩＴｉｎｇｙａｎ３，ＱＩＮＹｏｎｇｚｈｅｎ４（１ ＦａｃｕｌｔｙｏｆＩｎｔｅｌｌｉｇｅｎｔＭａｎｕｆａｃｔｕｒｉｎｇＥｎｇｉｎｅｅｒｉｎｇ，ＧｕａｎｇｘｉＥｌｅｃｔｒｉｃａｌＰｏｌｙｔｅｃｈｎｉｃＩｎｓｔｉｔｕｔｅ，ＮａｎｎｉｎｇＧｕａｎｇｘｉ５３０００７，Ｃｈｉｎａ；２ ＦａｃｕｌｔｙｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＧｕａｎｇｘｉＥｌｅｃｔｒｉｃａｌＰｏｌｙｔｅｃｈｎｉｃＩｎｓｔｉｔｕｔｅ，ＮａｎｎｉｎｇＧｕａｎｇｘｉ５３０００７，Ｃｈｉｎａ；３ ＮａｎｎｉｎｇＸｉｚｈｅｎＥｌｅｃｔｒｏｎｉｃＴｅｃｈｎｏｌｏｇｙＤｅｖｅｌｏｐｍｅｎｔＣｏ．，Ｌｔｄ．，ＮａｎｎｉｎｇＧｕａｎｇｘｉ５３０００７，Ｃｈｉｎａ；４ ＧｕａｎｇｘｉＳｈｕｔｏｎｇＥｌｅｃｔｒｏｎｉｃｓＣｏ．，Ｌｔｄ．，ＮａｎｎｉｎｇＧｕａｎｇｘｉ５３０００７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＴｈｅｍａｎｕｆａｃｔｕｒｉｎｇｐｒｏｃｅｓｓｏｆＣＮＣｍａｃｈｉｎｅｔｏｏｌｉｓａｔｙｐｉｃａｌｌｙｎｏｎｌｉｎｅａｒ，ｔｉｍｅ⁃ｖａｒｙｉｎｇａｎｄｕｎｃｅｒｔａｉｎｄｙｎａｍｉｃｓｖａｒｙｐｒｏｃｅｓｓｂｅｃａｕｓｅｉｔｓｐｏｓｉｔｉｏｎｓｅｒｖｏｓｙｓｔｅｍｉｓｉｎｆｌｕｅｎｃｅｄｂｙｖａｒｙｉｎｇｆａｃｔｏｒｓ，ｓｕｃｈａｓｍａｃｈｉｎｉｎｇｅｎｖｉｒｏｎｍｅｎｔ，ｃｏｍｐｏｎｅｎｔｓｈａｐｅａｎｄｍｅｃｈａｔｒｏｎｉｃｐｒｏｐｅｒｔｉｅｓ．Ｔｈｅｒｅｆｏｒｅ，ｉｔｉｓｃｈａｌｌｅｎｇｉｎｇｔｏｂｕｉｌｄｔｈｅｐｒｅｃｉｓｅｄｙｎａｍｉｃｓｍｏｄｅｌ．Ｂａｓｅｄｏｎｔｈｅｅｑｕｉｖａｌｅｎｔｄａｔａｍｏｄｅｌｏｆｔｈｅｃｏｎ⁃ｔｒｏｌｌｅｄｏｂｊｅｃｔ，ａｄａｔａ⁃ｄｒｉｖｅｎａｄａｐｔｉｖｅｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌａｐｐｒｏａｃｈｗａｓｐｒｏｐｏｓｅｄｂｙｕｔｉｌｉｚｉｎｇｔｈｅｒｅｐｅｔｉｔｉｖｅｏｐｅｒａｔｉｎｇｐａｔｔｅｒｎｏｆａｂａｔｃｈｏｆｓａｍｅｃｏｍｐｏｎｅｎｔｓ．Ｔｈｒｏｕｇｈｔｈｅｄｙｎａｍｉｃｌｉｎｅａｒｉｚａｔｉｏｎｍｅｔｈｏｄｏｎｔｈｅｉｔｅｒａｔｉｏｎａｘｉｓ，ｔｈｅａｕｔｏｍａｔｉｃｕｐｄａｔｉｎｇｏｆｔｈｅｌｅａｒｎｉｎｇｃｏｎ⁃ｔｒｏｌｇａｉｎｗａｓａｃｈｉｅｖｅｄｂｙｍｉｎｉｍｉｚｉｎｇｔｈｅｃｏｎｔｒｏｌｏｂｊｅｃｔｉｖｅｆｕｎｃｔｉｏｎｗｉｔｈｏｎｌｙｒｅｑｕｉｒｅｍｅｎｔｏｆｔｈｅｉｎｐｕｔａｎｄｏｕｔｐｕｔｄａｔａｏｆｔｈｅＣＮＣｓｙｓ⁃ｔｅｍ．ＴｈｅｐｒｏｐｏｓｅｄａｐｐｒｏａｃｈｏｖｅｒｃｏｍｅｔｈｅｐｒｏｂｌｅｍｏｆｆｉｘｅｄｇａｉｎｆｏｒｔｈｅｔｒａｄｉｔｉｏｎａｌＰ－ｔｙｐｅｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌ，ｉｔｓｃｏｎｖｅｒｇｅｎｃｅｗａｓｇｕａｒａｎｔｅｅｄｔｈｒｏｕｇｈａｒｉｇｏｒｏｕｓｔｈｅｏｒｅｔｉｃａｌａｎａｌｙｓｉｓ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅａｎａｂｓｏｌｕｔｅｅｒｒｏｒａｎｄｍａｘｉｍｕｍａｂｓｏｌｕｔｅｅｒｒｏｒｏｆｔｈｅｄａｔａ⁃ｄｒｉｖｅｎａｄａｐｔｉｖｅｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌｍｅｔｈｏｄｒｅｄｕｃｅｂｙ４６％ａｎｄ５６％ｔｈａｎｔｈｏｓｅｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌＰ－ｔｙｐｅｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌｍｅｔｈｏｄ．Ｋｅｙｗｏｒｄｓ：ＣＮＣｐｏｓｉｔｉｏｎｓｅｒｖｏｓｙｓｔｅｍ；Ｄｙｎａｍｉｃｌｉｎｅａｒｉｚａｔｉｏｎ；Ｐ－ｔｙｐｅｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌ；Ａｄａｐｔｉｖｅｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌ；Ｄａｔａ⁃ｄｒｉｖｅｎｃｏｎｔｒｏｌ０㊀前言伺服驱动控制系统作为数控机床的关键组成部分，是数控机床先进水平的代表，控制系统的设计精度高低直接决定了数控机床的加工精度和制造品质［１］㊂数控机床位置伺服系统受加工环境㊁零件形状和机床机电特性等变化因素的影响，其零件加工是一个典型的非线性㊁时变和不确定动力学变化过程，因此，建立其精确机制模型很困难［２］㊂即使建立了数控机床位置伺服系统的机制模型，模型构建的过程不仅费时费力，而且构建的模型也会很复杂和很难适应系统的时变环境㊂这导致相应设计的数控机床控制系统变得很复杂，而复杂的控制系统不仅给进一步分析带来挑战，同时还使得控制系统在实际应用中很难保证其稳定性，而且增加了控制系统的维护难度㊂为降低数控机床复杂模型或复杂控制系统带来的问题，一般的解决方法是进行模型约减或控制器约减，但是这又进一步带来未建模动态和非鲁棒性的问题㊂迭代学习控制方法自被首次提出以来［３］，大部分设计的学习控制器结构简单，控制器设计过程不需要精确的被控系统动力学模型，且具有对从被控系统重复运行过程中产生的历史输入输出数据进行迭代信息利用的特点，从而不断减少学习跟踪误差［４－６］㊂经过四十多年的发展，迭代学习控制已在机器人［７］㊁注塑成型［８］㊁智能交通系统［９］㊁电力系统［１０］等领域得到了大量普遍应用㊂此外，许多迭代学习控制方法从理论和应用上也获得了深入广泛的研究，比如典型的Ｐ型迭代学习控制［１１］㊁Ｄ型迭代学习控制［１２］㊁ＰＩＤ型迭代学习控制［７］㊁自适应迭代学习控制［１３］和基于模型的最优迭代学习控制［１４］等㊂此外，最近很多迭代学习控制方法在伺服系统领域也得到了很好发展㊂例如，杨亮亮等［１４］针对直线伺服系统在高速运动中产生振荡的现象，采用前馈和反馈迭代学习控制方法，并结合最优控制理论，设计了一种最优迭代学习控制方法，有效抑制了直线伺服系统的振动现象，提高了轨迹跟踪性能；文献［１５］中针对永磁同步电机伺服系统存在的高阶非线性㊁强耦合和外部扰动，设计了一种基于二阶导数的改进Ｄ型迭代学习控制方法，解决传统迭代学习控制难以实现高精度同步位置伺服的问题㊂值得一提的是，迭代学习控制方法在数控机床位置伺服系统中却很少有公开报道文献，目前国内主要研究为陈淼森［１６］和毛琳琳［１７］的工作㊂无模型自适应迭代学习控制方法是一种数据驱动控制方法，设计的学习控制器结构不仅简单，计算速度快，且通过沿迭代轴的动态线性化技术，在仅利用被控对象输入输出数据的情况下，可实现学习控制增益的自动整定［１８－１９］㊂此外，无模型自适应迭代学习控制方法已在高速铁路系统㊁城市交通系统㊁注塑成型等领域得到了一定的应用研究［１９］㊂基于以上分析，本文作者针对未知非线性时变数控机床位置伺服系统，结合传统Ｐ型迭代学习控制和无模型自适应迭代学习控制，研究数控机床控制系统的数据驱动自适应迭代学习控制问题㊂１　问题描述１ １㊀数控机床位置伺服系统及等价动态线性化数控机床位置伺服系统的控制输入信号，伺服电机电流ｉ，通过电子电路装置和机电设备转化为伺服电机扭矩输出，并通过滚珠丝杆和驱动螺母等机械传动机构，将电机旋转运动转化为直线运动，通过驱动工作台实现机床零件的加工过程㊂数控机床位置伺服系统零件加工过程中，加工工具的位移ｘ可看作系统的输出信号㊂设工具的期望位移为ｒ，则ｅ＝ｒ－ｘ的大小决定了零件加工过程的质量㊂上述数控机床位置伺服系统批量零件的加工过程可通过如下的数学模型表示：ｘｋ（ｊ＋１）＝ｇ［ｘｋ（ｊ）， ，ｘｋ（ｊ－ｏ１），ｉｋ（ｊ）， ，ｉｋ（ｊ－ｏ２）］（１）其中：ｋ＝１，２， 为数控机床零件加工的迭代次数；ｊɪ｛０，１， ，Ｔ｝为离散采样时间，Ｔ为采样终止时间；ｘｋ（ｊ）和ｉｋ（ｊ）分别为数控机床加工工具的位移和电机电流；ｏ１和ｏ２分别为数控机床位置伺服系统相对工具位移和电机电流的阶数，它们是未知的正整数；ｇ（㊃）为未知的非线性函数㊂由于伺服系统（１）是一个未知的非线性动力学过程，其动力学模型很难获取和建立，即使构建起来，也存在未建模动态和模型很难自适应环境变化等问题㊂而动态线性化方法通过建立一个动态数据模型，可实现被控对象在输入输出数据意义上的等价转化［１６］，不存在未建模动态的问题，且构建的数据模型结构简单，能自适应系统工作点变化㊂采用该动态线性化技术，上述数控机床位置伺服系统（１）可等价转化为如下形式的数据模型：Δｘｋ（ｊ＋１）＝ωｋ（ｊ）Δｉｋ（ｊ）（２）其中：Δｘｋ（ｊ＋１）＝ｘｋ（ｊ＋１）－ｘｋ－１（ｊ＋１）；Δｉｋ（ｊ）＝ｉｋ（ｊ）－ｉｋ－１（ｊ）；未知参数ωｋ（ｊ）称为伺服系统的伪偏导数，简称ＰＰＤ，满足ωｋ（ｊ）ɤρ，ρ为一个正常数㊂值得注意的是，ωｋ（ｊ）仅是一个数学定义，没有实际物理意义，它的存在性可通过严格的数学理论分析得到保证，具体细节可参考文献［１６］㊂此外，ωｋ（ｊ）满足如下假设：假设１：ωｋ（ｊ）的符号在被控对象运行过程中保持不变，即对于∀ｊɪ｛０，１， ，Ｔ｝和ｋ＝１，２， ，ωｋ（ｊ）＞０或者ωｋ（ｊ）＜０㊂假设１与传统基于模型的控制方法关于控制方向的假设是一致的，不失一般性，本文作者仅考虑ωｋ（ｊ）＞０的情形，即被控对象的控制方向是正向的㊂于是有：０＜ωｋ（ｊ）ɤρ（３）１ ２㊀迭代学习控制律文中的控制任务为：对于未知重复运行的数控机㊃１５㊃第８期梁建智等：基于数据驱动的数控机床自适应迭代学习控制㊀㊀㊀床位置伺服系统（１），设计一个学习控制律，当迭代次数ｋ趋于无穷时，对于任意采样时刻ｊɪ｛０，１， ，Ｔ｝，跟踪误差ｅｋ（ｊ）＝ｒ（ｊ）－ｘｋ（ｊ）都趋于０，即ｌｉｍｋң¥ｅｋ（ｊ）＝０㊂针对上述控制任务，一种传统的方法是采用如下简单的一阶线性学习控制律：ｉｋ（ｊ）＝ｉｋ（ｊ－１）＋γｅｋ－１（ｊ＋１）（４）其中：γ称为比例学习控制增益㊂等式（４）即为典型的Ｐ型迭代学习控制方法㊂由等式（４）可知，学习控制增益γ是一个固定的设计参数，在实际应用中，通常以试错方式经过多次迭代，完成控制器参数的确定㊂由此可知，针对结构㊁阶数和参数都时变的未知非线性数控机床位置伺服系统（１），如果学习控制增益γ没有得到精确整定，在实际应用中一个固定的学习控制增益很可能使被控系统不稳定，严重的甚至使得系统运行瘫痪㊂这种依靠人为试错的方式，既耗时和花费人工成本，同时还存在诸多不确定性因素㊂虽然传统的自适应迭代学习控制方法可避免传统Ｐ型迭代学习控制方法存在的问题，但是，传统自适应迭代学习控制方法要求已知被控系统结构，且当前已研究的大多数被控系统结构都是简单形式，当被控系统的动力学模型较复杂，相应设计的学习控制器的结构也会变得复杂，这给学习控制器的设计㊁稳定㊁分析和维护都带来挑战㊂针对上述问题，本文作者将基于被控数控机床位置伺服系统（１）的等价数据模型（２），采用优化控制的思想，实现Ｐ型学习控制律（４）中学习控制增益γ的自适应整定，且该实现过程不需要任何数控机床位置伺服系统的物理动力学模型㊂２　数控机床控制系统设计及收敛性分析２ １㊀学习控制增益自适应整定为方便区分和叙述，改写数据模型（２）和传统Ｐ型迭代学习控制律（４）分别为如下形式：ｉｋ（ｊ）＝ｉｋ（ｊ－１）＋γｋ（ｊ）ｅｋ－１（ｊ＋１）（５）ｘｋ（ｊ＋１）＝ｘｋ－１（ｊ＋１）＋ωｋ（ｊ）Δｉｋ（ｊ）（６）另外，考虑如下数控机床位置伺服系统的控制目标函数：Ｐ［γｋ（ｊ）］＝１２ｅｋ（ｊ＋１）２＋１２μΔγｋ（ｊ）２（７）其中：Δγｋ（ｊ）＝γｋ（ｊ）－γｋ－１（ｊ）；μ为权重因子，用来限制相邻迭代学习控制增益Δγｋ（ｊ）的变化㊂将等式（５）和（６）代入控制目标函数（７），并取式（７）关于学习控制增益γｋ（ｊ）的一阶偏导数为零，从而可得如下数控机床系统的学习控制增益自适应更新算法：γｋ（ｊ）＝γｋ（ｊ－１）＋ωｋ（ｊ）ｅ２ｋ－１（ｊ＋１）βｋ（ｊ）μ＋ωｋ（ｊ）ｅｋ－１（ｊ＋１）２（８）其中：βｋ（ｊ）＝１－ωｋ（ｊ）γｋ（ｊ－１）㊂为增强更新算法（８）的稳定性，给出如下γｋ（ｊ）的重置机制：γｋ（ｊ）＝σ㊀㊀γｋ（ｊ）＜σγｋ（ｊ）＝τ㊀㊀γｋ（ｊ）＞τ{（９）其中：０＜σ＜τ，σ和τ都为正常数㊂２ ２㊀ＰＰＤ更新算法值得注意的是，由于伪偏导数ωｋ（ｊ）的未知性，学习控制增益更新算法（８）在实际中并不能直接应用㊂为实现ωｋ（ｊ）的自适应更新，考虑如下关于ωｋ（ｊ）的准则函数：Ｐ［ωｋ（ｊ）］＝Δｘｋ－１（ｊ＋１）－ωｋ（ｊ）Δｉｋ－１（ｊ）２＋αΔωｋ（ｊ）２（１０）其中：α＞０是一个权重因子，Δωｋ（ｊ）＝ωｋ（ｊ）－ωｋ－１（ｊ）㊂求等式（１０）关于ωｋ（ｊ）的一阶偏导数，并令其等于０，可得：＾ωｋ（ｊ）＝＾ωｋ－１（ｊ）＋Δｉｋ－１（ｊ）ϑｋ－１（ｊ）α＋Δｉｋ－１（ｊ）２（１１）其中：ϑｋ－１（ｊ）＝Δｘｋ－１（ｊ＋１）－＾ωｋ－１（ｊ）Δｉｋ－１（ｊ）㊂根据条件（３），给出如下关于ωｋ（ｊ）的重置机制：＾ωｋ（ｊ）＝ε㊀㊀＾ωｋ（ｊ）＜ε＾ωｋ（ｊ）＝ρ㊀㊀＾ωｋ（ｊ）＞ρ{（１２）其中：ε为很小的正常数㊂２ ３㊀数控机床自适应迭代学习控制算法根据上述学习控制增益参数γｋ（ｊ）的自适应整定和伪偏导数＾ωｋ（ｊ）的自适应更新算法，可得如下数控机床位置伺服系统的数据驱动自适应迭代学习控制方案：步骤１，令ｋ＝１，并初始化数控机床位置伺服系统的输入输出数据，设置＾ωｋ（ｊ）和γｋ（ｊ）的初始值；步骤２，利用自适应更新算法（１１）和重置机制（１２）计算＾ωｋ（ｊ）；步骤３，利用自适应更新算法（８）和重置机制（９）计算学习控制增益γｋ（ｊ）；步骤４，利用学习控制律（５）获得电机电流ｉｋ（ｊ），驱动数控机床位置伺服系统，并采集加工工具位移ｘｋ（ｊ），如果ｅｋ（ｊ）未达到给定控制任务目标，令ｋ＝ｋ＋１，并返回步骤２；否则，进入下一步；步骤５，程序结束㊂上述设计的数控机床位置伺服系统的自适应迭代学习控制方案，其实现过程仅需要伺服系统的输入输出数据，没有涉及系统的结构和动力学模型信息，因此，提出的自适应迭代学习控制方法是一种数据驱动控制方法，且有效避免了传统Ｐ型迭代学习控制方法存在的问题㊂为下文叙述方便和区分传统Ｐ型迭代学习控制，称本文作者提出的改进方法为自适应Ｐ型迭代学习㊃２５㊃机床与液压第４９卷控制㊂２ ４㊀收敛性分析定理１：被控数控机床位置伺服系统（１）满足假设１，采用提出的自适应Ｐ型迭代学习控制方法驱动控制系统（１），当以下两个条件：ρτ＜φ＜２，φ＞１（１３）μ＞φ［ρ－＾ωｋ（ｊ）］＾ωｋ（ｊ）ｅ２ｋ－１（ｊ＋１）（φ－ρτ）ȡ０（１４）满足时，数控机床系统的跟踪误差沿迭代轴是单调逐点收敛的，即∀ｊɪ｛０，１， ，Ｔ｝，ｌｉｍｋң¥ｅｋ（ｊ）＝０㊂证明：将等式（５）代入等式（６），并进行整理，得：ｅｋ（ｊ＋１）＝［１－ωｋ（ｊ）γｋ（ｊ）］ｅｋ－１（ｊ＋１）（１５）不等式（９）和（１２）可进一步推出：εσɤ＾ωｋ（ｊ）γｋ（ｊ）ɤρτ（１６）将等式（８）代入等式（１５），得：ｅｋ（ｊ＋１）＝［１－ｈｋ（ｊ＋１）］ｅｋ－１（ｊ＋１）（１７）其中：ｈｋ（ｊ＋１）＝ωｋ（ｊ）［＾ωｋ（ｊ）ｅ２ｋ－１（ｊ＋１）＋μγｋ（ｊ）］μ＋＾ωｋ（ｊ）ｅｋ－１（ｊ＋１）２（１８）根据不等式（９）和（１２）以及等式（１８），可推导得：ωｋ（ｊ）［＾ωｋ（ｊ）ｅ２ｋ－１（ｊ＋１）＋μγｋ（ｊ）］－φ（μ＋＾ωｋ（ｊ）ｅｋ－１（ｊ＋１）２）ɤμωｋ（ｊ）γｋ（ｊ）－φμ＋φ［ωｋ（ｊ）－＾ωｋ（ｊ）］＾ωｋ（ｊ）ｅ２ｋ－１（ｊ＋１）ɤρτμ－φμ＋φ［ρ－＾ωｋ（ｊ）］＾ωｋ（ｊ）ｅ２ｋ－１（ｊ＋１）（１９）由条件（１３）和（１４），可推导得：ρτμ－φμ＋φ［ρ－＾ωｋ（ｊ）］＾ωｋ（ｊ）ｅ２ｋ－１（ｊ＋１）＜０（２０）结合式（１９）和（２０），进一步说明等式（１８）０＜ｈｋ（ｊ＋１）ɤφ＜２（２１）对等式（１７）两端分别取绝对值，并利用绝对值的基本性质和式（２１），可进一步推导，存在一个正常数０＜ｃ＜１，使得：ｅｋ（ｊ＋１）ɤ１－ｈｋ（ｊ＋１）ｅｋ－１（ｊ＋１）ɤｃｅｋ－１（ｊ＋１）（２２）不等式（２２）显然说明，数控机床位置伺服系统的跟踪误差沿迭代轴是单调逐点收敛的，即∀ｊɪ｛０，１， ，Ｔ｝，ｌｉｍｋң¥ｅｋ（ｊ）＝０㊂３㊀仿真结果与分析为说明提出的自适应Ｐ型迭代学习控制方法的有效性，设计如下数控机床位置伺服系统的时变期望位移：ｒ（ｊ）＝ｓｉｎπｊ１００＋０ ８ｓｉｎ２πｊ１００æèçöø÷３（ｍｍ）控制系统的采样时间间隔为０ ０１ｓ，仿真时间为１ｓ㊂对于所仿真的位置伺服系统，要求工具移动位移最大不能超过１ ６ｍｍ，设定的工具最大移动速度为１０ｍｍ／ｓ㊂控制系统迭代次数设置为３０次㊂图１为Ｐ型迭代学习控制与所提自适应Ｐ型迭代学习控制在第３０次迭代跟踪期望位移的对比曲线；图２为相应两种方法的迭代学习性能对比曲线；图３为所提自适应Ｐ型迭代学习控制方法的比例学习控制增益在０ ２８ｓ时刻沿迭代轴的变化曲线㊂图１㊀第３０次迭代轨迹跟踪性能图２㊀学习性能图１及相应局部放大图显示：经过３０次迭代后，所提自适应Ｐ型迭代学习控制方法的整体跟踪效果相比Ｐ型迭代学习控制方法得到了一定改善，其平均绝对误差分别为０ ００６ｍｍ和０ ０１３ｍｍ，即平均绝对误差减小到原来的４６％㊂而从图２则可看出，所提自适应Ｐ型迭代学习控制方法的迭代收敛速度相比Ｐ型迭代学习控制方法具有明显的提升，且从局部放大图进一步看出，经过３０次迭代后，所提自适应Ｐ型迭代学习控制方法的最大跟踪误差比Ｐ型迭代学习控制方法小，其相应图３㊀学习控制增益迭代变化的最大绝对误差分别为０ ０１９ｍｍ和０ ０３４ｍｍ，即最大绝对误差减小到原来的５６％㊂所提自适应Ｐ型迭代学习控制方法的较快收敛性得益于对学习控制增益参数的自适应寻优整定过程，而这从图３可以明显看出㊂４㊀结论针对未知数控机床位置伺服系统，在传统Ｐ型迭代学习控制方法基础上，基于沿迭代轴的动态线性㊃３５㊃第８期梁建智等：基于数据驱动的数控机床自适应迭代学习控制㊀㊀㊀化技术，提出了基于数据驱动的自适应Ｐ型迭代学习控制方法，有效解决传统Ｐ型迭代学习控制方法固定学习控制增益存在的问题㊂仿真结果表明：采用所提自适应Ｐ型迭代学习控制方法，相比传统Ｐ型迭代学习控制方法，可有效提高数控机床位置伺服系统的加工质量㊂参考文献：［１］史晓娟，杨紫艳．基于模糊滑模控制的数控机床位置伺服系统［Ｊ］．制造技术与机床，２０１７（３）：６４－６８．ＳＨＩＸＪ，ＹＡＮＧＺＹ．ＣＮＣｍａｃｈｉｎｅｔｏｏｌｐｏｓｉｔｉｏｎｓｅｒｖｏｓｙｓ⁃ｔｅｍｂａｓｅｄｏｎｆｕｚｚｙｓｌｉｄｉｎｇｍｏｄｅｃｏｎｔｒｏｌ［Ｊ］．ＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙ＆ＭａｃｈｉｎｅＴｏｏｌ，２０１７（３）：６４－６８．［２］郭亮，邓乾坤，鲁文其，等．高精度数控机床直线电机的改进型自抗扰控制研究［Ｊ］．机电工程，２０１９，３６（１２）：１３０３－１３０８．ＧＵＯＬ，ＤＥＮＧＱＫ，ＬＵＷＱ，ｅｔａｌ．ＩｍｐｒｏｖｅｄＡＤＲＣｃｏｎｔｒｏｌｓｔｒａｔｅｇｙｏｆｌｉｎｅａｒｍｏｔｏｒｆｏｒｈｉｇｈｐｒｅｃｉｓｉｏｎＮＣｍａｃｈｉｎｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１９，３６（１２）：１３０３－１３０８．［３］ＡＲＩＭＯＴＯＳ，ＫＡＷＡＭＵＲＡＳ，ＭＩＹＡＺＡＫＩＦ．Ｂｅｔｔｅｒｉｎｇｏｐ⁃ｅｒａｔｉｏｎｏｆｒｏｂｏｔｓｂｙｌｅａｒｎｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＲｏｂｏｔｉｃＳｙｓ⁃ｔｅｍｓ，１９８４，１（２）：１２３－１４０．［４］孙明轩，李芝乐．ＰＭＬＳＭ伺服系统的特征模型与自适应迭代学习控制［Ｊ］．科学技术与工程，２０１２，１２（１３）：３１２６－３１３３．ＳＵＮＭＸ，ＬＩＺＬ．Ｃｈａｒａｃｔｅｒｉｓｔｉｃｍｏｄｅｌｓａｎｄａｄａｐｔｉｖｅｉｔｅｒａ⁃ｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌｏｆＰＭＬＳＭｓｅｒｖｏ⁃ｓｙｓｔｅｍｓ［Ｊ］．ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０１２，１２（１３）：３１２６－３１３３．［５］ＣＨＩＲＨ，ＨＵＡＮＧＢ，ＨＯＵＺＳ，ｅｔａｌ．Ｄａｔａ⁃ｄｒｉｖｅｎｈｉｇｈ⁃ｏｒ⁃ｄｅｒｔｅｒｍｉｎａｌｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌｗｉｔｈａｆａｓｔｅｒｃｏｎｖｅｒ⁃ｇｅｎｃｅｓｐｅｅｄ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｏｂｕｓｔａｎｄＮｏｎ⁃ｌｉｎｅａｒＣｏｎｔｒｏｌ，２０１８，２８（１）：１０３－１１９．［６］ＬＩＮＮ，ＣＨＩＲＨ，ＨＵＡＮＧＢ，ｅｔａｌ．Ｍｕｌｔｉ⁃ｌａｇｇｅｄ⁃ｉｎｐｕｔｉｔｅｒａ⁃ｔｉｖｅｄｙｎａｍｉｃｌｉｎｅａｒｉｚａｔｉｏｎｂａｓｅｄｄａｔａ⁃ｄｒｉｖｅｎａｄａｐｔｉｖｅｉｔｅｒａ⁃ｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌ［Ｊ］．ＪｏｕｒｎａｌｏｆｔｈｅＦｒａｎｋｌｉｎＩｎｓｔｉｔｕｔｅ，２０１９，３５６（１）：４５７－４７３．［７］陈明霞，张寒，王晓文，等．基于迭代学习ＰＩＤ算法的苹果采摘机器人设计［Ｊ］．农机化研究，２０２０，４２（６）：８３－８６．ＣＨＥＮＭＸ，ＺＨＡＮＧＨ，ＷＡＮＧＸＷ，ｅｔａｌ．ＤｅｓｉｇｎｏｆａｐｐｌｅｐｉｃｋｉｎｇｒｏｂｏｔｂａｓｅｄｏｎｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇＰＩＤａｌｇｏｒｉｔｈｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＡｇｒｉｃｕｌｔｕｒａｌＭｅｃｈａｎｉｚａｔｉｏｎＲｅｓｅａｒｃｈ，２０２０，４２（６）：８３－８６．［８］闫帅可，卜旭辉．工业注塑过程的Ｈɕ迭代学习控制器设计［Ｊ］．控制工程，２０１８，２５（９）：１６１０－１６１５．ＹＡＮＳＫ，ＢＵＸＨ．ＨɕＩＬＣｄｅｓｉｇｎｆｏｒｉｎｄｕｓｔｒｉａｌｉｎｊｅｃｔｉｏｎｍｏｌｄｉｎｇｐｒｏｃｅｓｓ［Ｊ］．ＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇｏｆＣｈｉｎａ，２０１８，２５（９）：１６１０－１６１５．［９］何之煜，杨志杰，吕旌阳．受限状态下的高速列车迭代学习控制方法研究［Ｊ］．铁道标准设计，２０１９，６３（１２）：１７１－１７６．ＨＥＺＹ，ＹＡＮＧＺＪ，ＬＶＪＹ．Ｓｔａｔｅ⁃ｃｏｎｓｔｒａｉｎｅｄｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌａｌｇｏｒｉｔｈｍｆｏｒｈｉｇｈ⁃ｓｐｅｅｄｔｒａｉｎｏｐｅｒａｔｉｏｎ［Ｊ］．ＲａｉｌｗａｙＳｔａｎｄａｒｄＤｅｓｉｇｎ，２０１９，６３（１２）：１７１－１７６．［１０］孙毅，刘迪，崔晓昱，等．面向居民用户精细化需求响应的等梯度迭代学习激励策略［Ｊ］．电网技术，２０１９，４３（１０）：３５９７－３６０５．ＳＵＮＹ，ＬＩＵＤ，ＣＵＩＸＹ，ｅｔａｌ．Ｅｑｕａｌｇｒａｄｉｅｎｔｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｉｎｃｅｎｔｉｖｅｓｔｒａｔｅｇｙｆｏｒａｃｃｕｒａｔｅｄｅｍａｎｄｒｅｓｐｏｎｓｅｏｆｒｅｓｉｄｅｎｔｕｓｅｒｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１９，４３（１０）：３５９７－３６０５．［１１］ＬＵＯＤＨ，ＷＡＮＧＪＲ，ＳＨＥＮＤ．Ｌｅａｒｎｉｎｇｆｏｒｍａｔｉｏｎｃｏｎ⁃ｔｒｏｌｆｏｒｆｒａｃｔｉｏｎａｌ⁃ｏｒｄｅｒｍｕｌｔｉａｇｅｎｔｓｙｓｔｅｍｓ［Ｊ］．Ｍａｔｈｅｍａｔｉ⁃ｃａｌＭｅｔｈｏｄｓｉｎｔｈｅＡｐｐｌｉｅｄＳｃｉｅｎｃｅｓ，２０１８，４１（１３）：５００３－５０１４．［１２］ＬＩＵＪ，ＲＵＡＮＸＥ．Ｎｅｔｗｏｒｋｅｄｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌｄｅ⁃ｓｉｇｎｆｏｒｎｏｎｌｉｎｅａｒｓｙｓｔｅｍｓｗｉｔｈｓｔｏｃｈａｓｔｉｃｏｕｔｐｕｔｐａｃｋｅｔｄｒｏｐｏｕｔｓ［Ｊ］．ＡｓｉａｎＪｏｕｒｎａｌｏｆＣｏｎｔｒｏｌ，２０１８，２０（３）：１０７７－１０８７．［１３］赵云杰，曹荣敏，周惠兴．非圆车削系统的无模型自适应迭代学习控制［Ｊ］．控制工程，２０１８，２５（１０）：１９２２－１９２６．ＺＨＡＯＹＪ，ＣＡＯＲＭ，ＺＨＯＵＨＸ．Ｍｏｄｅｌ⁃ｆｒｅｅａｄａｐｔｉｖｅｉｔ⁃ｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌｆｏｒｎｏｎｃｉｒｃｕｌａｒｔｕｒｎｉｎｇｓｙｓｔｅｍ［Ｊ］．ＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇｏｆＣｈｉｎａ，２０１８，２５（１０）：１９２２－１９２６．［１４］杨亮亮，王杰，王飞，等．基于最优控制迭代学习的直线伺服系统振动抑制研究［Ｊ］．机械工程学报，２０１９，５５（１５）：２１７－２２５．ＹＡＮＧＬＬ，ＷＡＮＧＪ，ＷＡＮＧＦ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｖｉｂｒａ⁃ｔｉｏｎｓｕｐｐｒｅｓｓｉｏｎｏｆｌｉｎｅａｒｓｅｒｖｏｓｙｓｔｅｍｂａｓｅｄｏｎｏｐｔｉｍａｌｃｏｎｔｒｏｌｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉ⁃ｎｅｅｒｉｎｇ，２０１９，５５（１５）：２１７－２２５．［１５］马冬麒，林辉．永磁同步电机位置伺服系统迭代学习控制［Ｊ］．微电机，２０１８，５１（１１）：４５－４９．ＭＡＤＱ，ＬＩＮＨ．Ｐｏｓｉｔｉｏｎｓｅｒｖｏｓｙｓｔｅｍｏｆｐｅｒｍａｎｅｎｔｍａｇ⁃ｎｅｔｓｙｎｃｈｒｏｎｏｕｓｍｏｔｏｒｓｗｉｔｈｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌ［Ｊ］．Ｍｉｃｒｏｍｏｔｏｒｓ，２０１８，５１（１１）：４５－４９．［１６］陈淼森．面向数控机床的迭代学习控制器设计［Ｄ］．哈尔滨：哈尔滨工业大学，２０１７．ＣＨＥＮＭＳ．ＤｅｓｉｇｎｏｆｉｔｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌｌｅｒｆｏｒＣＮＣｍａｃｈｉｎｅｔｏｏｌｓ［Ｄ］．Ｈａｒｂｉｎ：ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，２０１７．［１７］毛琳琳．基于ＩＬＣ的典型非圆截面零件数控切削系统应用研究［Ｄ］．广州：华南理工大学，２０１２．ＭＡＯＬＬ．Ｒｅｓｅａｒｃｈｏｎａｔｙｐｉｃａｌｐａｒｔｏｆｎｏｎ⁃ｃｉｒｃｕｌａｒｃｒｏｓｓｓｅｃｔｉｏｎｆｏｒＣＮＣｃｕｔｔｉｎｇｔｏｏｌｓｅｒｖｏｓｙｓｔｅｍｂａｓｅｄｏｎｉｔｅｒａ⁃ｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌ［Ｄ］．Ｇｕａｎｇｚｈｏｕ：ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒ⁃ｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２０１２．［１８］ＢＵＸＨ，ＷＡＮＧＳ，ＨＯＵＺＳ，ｅｔａｌ．Ｍｏｄｅｌｆｒｅｅａｄａｐｔｉｖｅｉｔ⁃ｅｒａｔｉｖｅｌｅａｒｎｉｎｇｃｏｎｔｒｏｌｆｏｒａｃｌａｓｓｏｆｎｏｎｌｉｎｅａｒｓｙｓｔｅｍｓｗｉｔｈｒａｎｄｏｍｌｙｖａｒｙｉｎｇｉｔｅｒａｔｉｏｎｌｅｎｇｔｈｓ［Ｊ］．ＪｏｕｒｎａｌｏｆｔｈｅＦｒａｎｋｌｉｎＩｎｓｔｉｔｕｔｅ，２０１９，３５６（５）：２４９１－２５０４．［１９］侯忠生，金尚泰．无模型自适应控制：理论与应用［Ｍ］．北京：科学出版社，２０１３．（责任编辑：张艳君）㊃４５㊃机床与液压第４９卷。

基于自适应BP算法的CNC自动光学检测系统的研究与应用摘要:传统的检测方式,已无法应用于现代轻、薄、短、小产品且需快速精密检测的要求,本论文利用机械结构系统、自动控制系统以及视觉检测系统组成自动光学检测设备,熟悉精密测量设备特性、制作过程,进而将设计的原理与方法结合在实务当中,在利用此设备对实际工件做检测,包含了图像处理、尺寸测量、文字辨识及薄膜厚度检测。

关键词:自适应BP算法CNC自动光学检测系统近几年来国内新兴高科技产业蓬勃发展,对于精密测量系统的需求急速扩增,其中又以自动光学检测(AOI)方式为势不可挡的技术潮流。

AOI技术领域非常广泛,我国IC产业的蓬勃发展,近几年来随着上游半导体晶元厂产能扩充,使得下游的相关产业加速成长,封装材料中的导线架(Leadframe)产业也由先前几乎仰赖进口供应的状况,至目前已有相当比例由国内厂家供应,成长幅度更是惊人。

因此,利用光学方式取得导线架成品的表面状态,以图像处理来检出异物或图案异常等瑕疵,因为是非接触式检查,所以可在中间工程检查半成品。

半导体芯片和手机的线路愈做愈小,零件也比头发细,已经不可能再用肉眼去检验产品是否合格。

因此,业界必须使用一种比一般数码相机反应更快的工业用数码相机(CCD Camera)提取到黑白影像(灰阶影像),以计算机的分析取代人脑的判断,来决定产品是否合格。

在IC 及一般电子业上急需使用AOI设备,而人为因素仍然对评估有很大影响,因此自动光学检测设备是未来的趋势,可节省成本、提升正确率等优点。

1 自适应BP算法的实现模式BP网络为监督式学习中最为典型之网络模式,在其被提出后,许多研究者根据此模式发展出相关模式,而本研究采用其相同之演算机制。

BP网络系利用最小陡降法为收敛机制调整网络神经元之链接权重及其阈值,直到网络收敛在某一程度,并以二次之能量函数(Energy function)作为收敛之程度之判定如下式所示:其中：wij为两处理单元间的链接加权值；η为学习速率(learning rate),用以决定每次修正网络链接加权值的幅度,学习速率愈大,网络加权值修正量愈大,越能快速到达能量最低点,但也有可能因修正幅度太大而跳过能量最低点,而使得网络无法收敛。

数控机床的未来发展趋势目前，数控机床的发展日新月异，高速化、高精度化、复合化、智能化、开放化、并联驱动化、网络化、极端化、绿色化已成为数控机床发展的趋势和方向。

中国作为一个制造大国，主要还是依靠劳动力、价格、资源等方面的比较优势，而在产品的技术创新与自主开发方面与国外同行的差距还很大。

中国的数控产业不能安于现状，应该抓住机会不断发展，努力发展自己的先进技术，加大技术创新与人才培训力度，提高企业综合服务能力，努力缩短与发达国家之间的差距。

力争早日实现数控机床产品从低端到高端、从初级产品加工到高精尖产品制造的转变，实现从中国制造到中国创造、从制造大国到制造强国的转变。

1、高速化随着汽车、国防、航空、航天等工业的高速发展以及铝合金等新材料的应用，对数控机床加工的高速化要求越来越高。

（1）主轴转速：机床采用电主轴（内装式主轴电机），主轴最高转速达200000r/min；（2）进给率：在分辨率为0.01μm时，最大进给率达到240m/min且可获得复杂型面的精确加工；（3）运算速度：微处理器的迅速发展为数控系统向高速、高精度方向发展提供了保障，开发出CPU已发展到32位以及64位的数控系统，频率提高到几百兆赫、上千兆赫。

由于运算速度的极大提高，使得当分辨率为0.1μm、0.01μm时仍能获得高达24～240m/min的进给速度；（4）换刀速度：目前国外先进加工中心的刀具交换时间普遍已在1s左右，高的已达0.5s。

德国Chiron公司将刀库设计成篮子样式，以主轴为轴心，刀具在圆周布置，其刀到刀的换刀时间仅0.9s。

2、高精度化数控机床精度的要求现在已经不局限于静态的几何精度，机床的运动精度、热变形以及对振动的监测和补偿越来越获得重视。

（1）提高CNC系统控制精度：采用高速插补技术，以微小程序段实现连续进给，使CNC控制单位精细化，并采用高分辨率位置检测装置，提高位置检测精度（日本已开发装有106脉冲/转的内藏位置检测器的交流伺服电机，其位置检测精度可达到0.01μm/脉冲），位置伺服系统采用前馈控制与非线性控制等方法；（2）采用误差补偿技术：采用反向间隙补偿、丝杆螺距误差补偿和刀具误差补偿等技术，对设备的热变形误差和空间误差进行综合补偿。

CNC机床加工中的加工策略与路径规划CNC（Computerized Numerical Control）机床是一种采用计算机控制系统进行操作的高精密加工设备。

在CNC机床加工过程中，制定合理的加工策略和路径规划对于确保产品质量和提高加工效率至关重要。

本文将探讨CNC机床加工中的加工策略和路径规划，并提供一些有效的方法和技巧。

一、加工策略在CNC机床加工中，加工策略是为了实现加工工序的合理安排和加工质量的控制而制定的一系列操作方针。

以下是几种常见的加工策略：1. 粗加工策略：粗加工是指在工件初始形状的基础上进行去除多余材料的过程。

在粗加工中，应优先选择高进给率和快速切削速度，以提高加工效率。

在同时保证表面质量的前提下，通过适当增大切削深度和宽度，可以减少刀具交互次数，提高加工速度。

2. 精加工策略：精加工是指在工件粗加工的基础上进行更精确的修整和加工的过程。

在精加工中，应注重提高加工精度和表面质量。

采用较低的进给率和切削速度，以减少加工过程中可能产生的振动和切削力。

此外，还可以采用切削液冷却和润滑，以提高切削效果。

3. 自适应加工策略：自适应加工策略是一种根据加工过程中实时监测的切削力、温度和振动等信息，自动调整加工参数的策略。

通过实时反馈控制系统的数据采集和分析，可以及时调整切削速度、进给率和切削深度等参数，以达到最佳的加工效果。

二、路径规划路径规划是指在CNC机床加工中确定刀具轨迹和加工路径的过程。

合理的路径规划可以减少刀具的移动时间和空转时间，提高加工效率，并保证加工质量。

以下是一些常用的路径规划方法：1. 直线插补：直线插补是指沿直线路径进行切削的方法。

在制定直线插补路径时，应考虑切削速度和进给率的匹配，并避免出现切削过程中的轨迹偏差。

2. 圆弧插补：圆弧插补是指沿圆弧路径进行切削的方法。

在制定圆弧插补路径时，应根据工件的几何形状和加工要求选择合适的刀具半径和圆弧参数。

同时，还要注意圆弧插补过程中的切削速度和进给率的控制，以保证切削过程的平稳和稳定。