几何误差补偿的动态实现基于神经网络的逼近.doc

几何误差补偿的动态实现基于神经网络的逼近 电气与计算机工程系，新加坡国立大学，4工程驱动3，新加坡117576，新加坡机电集团，新加坡的制造技术，新加坡研究院，新加坡电气与计算机工程系，新加坡国立大学，4工程驱动3，新加坡117576，新加坡@ 2003 Elsevier公司保留所有权利。 其中 （C）计算输出层的输出，X21 其中X21是神经网络的输出端。 （D）从隐藏到输出层的权值更新，W根据 的Xd21是 所需的输出（或输出样本），X21是NN的输出。 （E）更新的权重，从输入到隐藏 层，W1j 其中 （F）更新的权重，W1为输入层， 其中。 （G）更新阈值， 其中是增益因子。 培训过程中的终止条件为公式表示为： 式中，l表示的样本数。迭代的权重调谐过程终止时，误差收敛在一个指定的阈值之内。因此，最佳的权重W可以得到。培训通常是在适合的质量和迭代时间的权衡。由于训练过程中可以做到的脱线，更强调可以导出更适合在可接受的牺牲招致微调时间较长。 在此应用中，竞争人工神经网络的训练的设置为原始数据被收集，使用激光干涉。在一般情况下，从双向运行的平均值计算任何随机的影响所产生的影响减到最小。要应用的算法，所有的错误，如线性，角度，平直度和垂直度误差，都必须在近似表明单独使用竞争人工神经网络和随后使用整体由（1）和（2）所示，在给定的误差模型合并图3。这些错误的原因组件的详细讨论可以参考[6]。 2.3 履行 在实施所需的输出（或输出采样）和X建议NN方法的主要考虑因素是使最终用户可以简单的过程。为此目的，最好是成单一的S-，用户可以轻松地将在控制系统中，并可能使用和重复使用的块没有任何编码必要的功能块来构建整个神经网络模型和相关的权重。的功能块的结构将结合的基于神经网络的误差补偿，如在图3所示的相同的结构。 图.3 基于神经网络的误差补偿结构 为了进一步便于实现，一个自动生成该S-函数是最可取的。这不是一个简单的任务，因为机的几何误差特性差异非常显着的地从一台计算机到另一台，而S-函数的设计必须动态地适应特定的校准数据从机器下的考虑。两阶段的程序（图4）是亲和发展的问题，以允许自动基因口粮的动态的S-功能块。 ? 第1期（神经网络训练）：只到所需的水平的近似精度有关的用户以最小的规格从训练的神经网络; ? 第2阶段（S-函数的设计）：执行的神经网络模型中的S-功能块的形式，它可以使用在MATLAB / SIMULINK控制环境。 图.4。两相，S-函数生成过程 2.3.1 第1阶段：神经网络训练 一个M-文件实现的用户界面的开发有关的错误类型，原始数据的文件名（从激光干涉仪），和训练持续时间，如在图5所示）接收用户输入。神经网络训练，然后进行由绘制NN近似叠合上的原始校准数据的错误，可以以图形方式显示的建模准确度。如果达到的建模准确度是不够的，用户可以重新运行的训练的逼近误差与一组新的规格，直到收敛到一个可接受的阈值内。这个迭代过程的流程图表示在图6中。为了说明，图7显示了1000次调用时，训练时间的逼近精度。当重新运行与一个训练持续时间为106，精度提高显著，如图 8。当近似值的精度是足够的，可以接受的，神经网络的权重保存在MAT文件，该文件将被用于在接下来的阶段中的设计的S-函数。 应当指出，具有足够丰富的数据用于训练神经网络的设置通常的问题是不适用于这个特定的应用程序。的训练数据不能随意产生的，而是获得精确的激光测量。神经网络预计将提供一个连续的和可重复的几何误差，近似的标称位置测量编码器。 图5 用户接口，为NN培训 图6 软件流程图 图7 逼近精度，训练次数= 1000 图8 逼近精度与训练数= 106 2.3.2 第2阶段：S-函数的设计 一旦NNS培训，“定制”S-功能块的设计可以开始了。竞争人工神经网络和整体模型，如在图3所示的S-函数将被组成。一个M-文件也被创建的自动生成的S-函数块使用训练神经网络的权重的所说如图6。涉及以下步骤： ? S-函数的标准头文件，包括输入输出的数目，采样时间和状态变量中使用的S-函数; ? 竞争人工神经网络的权重，由此训练的加载，这将可在这个阶段; ? NNS S-函数的结构制定; ? 总体误差模型（1），（2）个人的神经网络模型的基础上制定的; ? 关闭并完成S-函数的标准页脚增强。 将得到的S-函数块可以集成到控制系统中的适当的，所以，可以做到的误差补偿。 评价试验 XY工作台被用作测试平台的研究。连接到该表的工具，可在X或Y方向移动。X和Y轴行程跨越100X100毫米2D空间。数字编码器的分辨率是4倍的电子插值关系，这也对应于最小步长的2.5毫米后。电机使用螺纹