【技术实现步骤摘要】
本专利技术属于数控技术相关，更具体地，涉及一种基于智能优化算法的ssv模型参数辨识方法及设备与应用。
技术介绍
1、数控机床作为智能化“工业母机”是智能制造装备的重要基础，高端数控机床更是高端装备制造业智能制造的工作核心。高精度数控系统具有非线性和不确定性，其中系统中的摩擦环节更是会引起黏滑运动、极限环振荡以及跟踪误差等不利因素。摩擦存在于相互运动的接触面之间，是两个接触表面间产生的切向作用力。摩擦与许多因素有关，如相对滑动速度、加速度、位移、润滑情况和接触表面的状况等。摩擦现象在机械系统中的作用日益突出，合理地解决机械系统中摩擦环节尤其是非线性摩擦环节的制约问题已成为当前研究的重点。
2、由于摩擦的复杂性，很难从机理上获得其准确唯一的数学模型，迄今己提出的摩擦模型已有数十种。一个准确的摩擦模型不仅有助于正确理解摩擦产生的机理和有效的预测摩擦行为，而且在含摩擦的机械系统的设计、分析、控制和补偿中都起到了积极关键的作用。因此对于摩擦模型的参数进行辨识、获得准确的摩擦模型就显得极为重要。精确辨识摩擦模型参数可以提高系统动力学模型的准确性，进而更加真实地反映机床进给系统的动态特性。
3、基于bouc-wen的单状态变量摩擦(简称ssv)模型在描述预滑动及摩擦过冲方面较其他摩擦力模型更加灵活有效。模型结构简单，易于辨识，计算效率高，适用于控制等相关应用领域。ssv模型预测的摩擦力计算公式如下：
4、
5、其中fsc(k)为表征stribeck特性部分的摩擦力，fbw(k)为表征摩擦滞回部分
6、由于存在微分方程，并且不存在解析解，ssv模型只能采用离散模型进行辨识。ssv模型所需辨识的参数如表1所示：
7、表1ssv模型需辨识的参数
8、
9、现有的对摩擦模型参数的辨识方法大多采用整体辨识方法，通常是对速度摩擦力数据进行滤波降噪处理后，采用非线性最小二乘法进行参数辨识，但这样的辨识结果往往不准确，辨识精度不高。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于智能优化算法的ssv模型参数辨识方法及设备与应用，其旨在解决现有参数辨识的准确性较低的问题。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种基于智能优化算法的ssv模型参数辨识方法，该方法包括以下步骤：
3、(1)向数控系统输入类正弦速度激励信号，以驱动进给轴运行，并采集进给轴的电机编码器及电流传感器的数据，通过数据处理得到速度摩擦力数据；
4、(2)截取速度摩擦力数据中的高速段的数据，并基于高速段的速度摩擦力数据采用最小二乘法来辨识正向库伦摩擦力fc及正向粘滞摩擦系数b；
5、(3)基于辨识得到的正向库伦摩擦力fc及正向粘滞摩擦系数b来确定正向最大静摩擦力fs、控制滞回曲线形状参数σ、控制滞回曲线形状参数n的取值范围；
6、(4)截取速度摩擦力数据中的低速段的数据，进而基于已辨识到的参数的取值范围，使用智能优化算法辨识剩余的ssv模型需辨识的参数。
7、进一步地，高速段是速度值大于0.01m/s即600mm/min的速度段；低速段是指速度值小于0.004m/s即240mm/min的速度段。
8、进一步地，使用pso算法辨识剩余的ssv模型需辨识的参数。
9、进一步地，依据机床工况设计不同幅值vmax、频率f的类正弦速度激励信号v(t)，对应的公式为：
10、
11、进一步地，速度数据vact(t)由电机编码器采集的位置数据sact(t)微分得到，实际摩擦力数据ffact(t)由电流传感器采集的电流数据i(t)转换后去除惯性力矩得到，最终获得不同时刻下不同速度对应的摩擦力数据。
12、进一步地，速度数据vact(t)、电机的角加速度aact及实际摩擦力数据ffact(t)的计算公式分别为：
13、
14、ffact(t)＝kti(t)-jaact(t) (5)
15、其中δt为数据采集的周期，kt为力矩常数，j为负载惯量。
16、进一步地，fs的取值范围为1.1fc～2fc，σ的取值范围为0～1，n代表预滑动的光滑程度，其取值范围与粘滞阻尼系数类似，取0.1～2；
17、将ssv摩擦模型预测的摩擦力ffpred与实际采集的摩擦力ffact求得的误差作为pso算法的损失函数，对应的公式为：
18、loss＝(ffpred-ffact)2 (6)。
19、本专利技术还提供了一种基于智能优化算法的ssv模型参数辨识系统，所述系统包括存储器及处理器，所述存储器储存有计算机程序，所述处理器执行所述计算机程序时执行如上所述的基于智能优化算法的ssv模型参数辨识方法。
20、本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现如上所述的基于智能优化算法的ssv模型参数辨识方法。
21、本专利技术还提供了一种如上所述的基于智能优化算法的ssv模型参数辨识方法在数控系统控制中的应用。
22、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，本专利技术提供的基于智能优化算法的ssv模型参数辨识方法及设备与应用主要具有以下有益效果：
23、1.本专利技术采用平滑过渡的类正弦速度激励信号，采集数据、反向段平滑过渡，更好的反映了反向段的摩擦特性，增加了辨识方法对动态摩擦参数辨识的准确性。
24、2.本专利技术采用分步辨识的策略，先利用最小二乘法拟合静态摩擦参数，根据静态摩擦参数来确定动态摩擦模型参数的取值范围，对其他机械模型的参数辨识也有指导意义。
25、3.本专利技术的参数范围通过物理规律确定，不需要手动调节。
26、4.本专利技术选择ssv摩擦模型作为参数辨识的模型，相较于传统的stribeck摩擦模型，能体现预滑动特性，建模精度更高。
本文档来自技高网...【技术保护点】
1.一种基于智能优化算法的SSV模型参数辨识方法，其特征在于：该方法包括以下步骤：
2.如权利要求1所述的基于智能优化算法的SSV模型参数辨识方法，其特征在于：高速段是速度值大于0.01m/s即600mm/min的速度段；低速段是指速度值小于0.004m/s即240mm/min的速度段。
3.如权利要求1所述的基于智能优化算法的SSV模型参数辨识方法，其特征在于：使用PSO算法辨识剩余的SSV模型需辨识的参数。
4.如权利要求1所述的基于智能优化算法的SSV模型参数辨识方法，其特征在于：依据机床工况设计不同幅值vmax、频率f的类正弦速度激励信号v(t)，对应的公式为：
5.如权利要求1所述的基于智能优化算法的SSV模型参数辨识方法，其特征在于：速度数据vact(t)由电机编码器采集的位置数据Sact(t)微分得到，实际摩擦力数据Ffact(t)由电流传感器采集的电流数据I(t)转换后去除惯性力矩得到，最终获得不同时刻下不同速度对应的摩擦力数据。
6.如权利要求5所述的基于智能优化算法的SSV模型参数辨识方法，其特征在于
7.如权利要求1所述的基于智能优化算法的SSV模型参数辨识方法，其特征在于：Fs的取值范围为1.1Fc～2Fc，σ的取值范围为0～1，n代表预滑动的光滑程度，其取值范围与粘滞阻尼系数类似，取0.1～2；
8.一种基于智能优化算法的SSV模型参数辨识系统，其特征在于：所述系统包括存储器及处理器，所述存储器储存有计算机程序，所述处理器执行所述计算机程序时执行权利要求1-7任一项所述的基于智能优化算法的SSV模型参数辨识方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-7任一项所述的基于智能优化算法的SSV模型参数辨识方法。
10.一种权利要求1-7任一项所述的基于智能优化算法的SSV模型参数辨识方法在数控系统控制中的应用。
...【技术特征摘要】
1.一种基于智能优化算法的ssv模型参数辨识方法，其特征在于：该方法包括以下步骤：
2.如权利要求1所述的基于智能优化算法的ssv模型参数辨识方法，其特征在于：高速段是速度值大于0.01m/s即600mm/min的速度段；低速段是指速度值小于0.004m/s即240mm/min的速度段。
3.如权利要求1所述的基于智能优化算法的ssv模型参数辨识方法，其特征在于：使用pso算法辨识剩余的ssv模型需辨识的参数。
4.如权利要求1所述的基于智能优化算法的ssv模型参数辨识方法，其特征在于：依据机床工况设计不同幅值vmax、频率f的类正弦速度激励信号v(t)，对应的公式为：
5.如权利要求1所述的基于智能优化算法的ssv模型参数辨识方法，其特征在于：速度数据vact(t)由电机编码器采集的位置数据sact(t)微分得到，实际摩擦力数据ffact(t)由电流传感器采集的电流数据i(t)转换后去除惯性力矩得到，最终获得不同时刻下不同速度对应的摩擦力数据。
6.如权利要求5所述的基于智能...
【专利技术属性】
技术研发人员：杨建中，许光达，黄德海，刘杰，周会成，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。