文献

J-GLOBAL ID：202202261533927433   整理番号：22A0312920

深層学習と強化学習に基づくCNC機械加工の輪郭誤差モデリングと補償【JST・京大機械翻訳】

Contour error modeling and compensation of CNC machining based on deep learning and reinforcement learning

著者 (6件)： Jiang Yakun (National Numerical Control System Engineering Research Center, School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China) ,  Chen Jihong (National Numerical Control System Engineering Research Center, School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China) ,  Zhou Huicheng (National Numerical Control System Engineering Research Center, School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China) ,  Yang Jianzhong (National Numerical Control System Engineering Research Center, School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China) ,  Hu Pengcheng (National Numerical Control System Engineering Research Center, School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China) ,  Wang Junxiang (National Numerical Control System Engineering Research Center, School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China)
資料名： International Journal of Advanced Manufacturing Technology  (International Journal of Advanced Manufacturing Technology)
巻： 118  号： 1-2  ページ： 551-570  発行年： 2022年 
JST資料番号： T0397A  ISSN： 0268-3768  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： コンピュータ数値制御(CNC)工作機械の輪郭誤差補償は,加工精度と品質を改善できる重要な技術である。この目標を達成するために,輪郭誤差を巡回する支配的な問題である供給軸の追跡誤差を最初にモデル化して,次に適切な補償戦略を決定するべきである。しかし,正確な追跡誤差予測モデルの構築は,バックラッシのような非線形問題と供給軸に含まれる摩擦のため,挑戦的なタスクである。また,最適補償パラメータは,加工工具経路に敏感であるので,決定することが困難である。本論文では,輪郭誤差予測と補償のための一連の新しいアプローチを,深層学習と強化学習の技術に基づいて提示した。CNCシステムの内部データを利用することによって,供給軸の追跡誤差を,供給軸のすべての非線形問題を考慮して,非線形自己回帰Long-Short-Termメモリ(NAR-LSTM)ネットワークとしてモデル化した。各フィーディング軸の予測追跡誤差に基づいて計算した輪郭誤差を考慮して,補償戦略を,本研究で設計した時間-セリース深Q-ネットワーク(TS-DQN)によって効率的に同定されたパラメータによって提示した。提案アプローチの実現可能性と利点を検証するために,広範囲な実験を行い,著者らのアプローチが,非常に良好な精度(それぞれ約99%と90%以上)で追跡誤差と輪郭誤差を予測でき,予測結果に基づいて補償された輪郭誤差と,著者らの補償戦略が,加工品質が劇的に改善された(約60Ω≦85%低減),加工品質が劇的に改善された(約50%減少)ことを示した。Copyright The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  *誤差 ,  ネットワーク ,  *補償 ,  *モデリング ,  作業工具 ,  バックラッシ ,  工作精度 ,  *輪郭 ,  非線形問題 ,  *CNC工作機械 ,  *強化学習 ,  予測モデル
準シソーラス用語： 誤差補償 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 輪郭誤差予測と補償 ,  NAR-LSTMネットワーク ,  TS-DQN ,  CNC加工

分類 (1件)： 切削一般  (QC02010V)

タイトルに関連する用語 (7件)： 深層学習 ,  強化学習 ,  CNC機械加工 ,  輪郭 ,  誤差 ,  モデリング ,  補償