基于粗集方法的机床热补偿误差的温度测点优化

机床热误差是影响机床加工精度稳定性的最大误差源,因此减小热误差对提高机床的加工精度至关重要。采用粗集理论对机床热变形建模及补偿技术中温度测点的选择进行优化,以HMC800A立式三轴加工中心温度测点的选择为例进行研究,结果表明该方法能有效地减少温度测点数量,既可以保证模型的精度,又可节省工作量。     

数控机床热误差测点优化模型预测与实时补偿的研究

数控机床加工过程中温度场的变化产生的热误差严重影响工件的加工精度,需要进行热误差的检测与补偿.通过灰色关联算法筛选出关键的温度测点作为热误差预测模型的参变量,运用多元线性回归数学模型准确高效预估热误差值,采用热误差脉冲量叠加到反馈脉冲序列的方法实现热误差的实时补偿.从而低成本地消除数控机床加工热误差,提高工件的加工精度.     

基于热模态分析的热误差温度测点优化选择

针对影响机床热误差建模的温度场分布问题,提出一种热模态分析方法,对机床热误差建模温度测点进行优化选择。以数控机床主轴温度场分析为例,利用热模态方法得到主轴各模态的时间常数、温度场及热变形模态形状,从而确定温度测点的最优位置。并通过实验验证了所建立模型的准确性与鲁棒性。     

数控机床热误差动态灰色优化建模研究

为降低热误差对加工精度的影响,以减少补偿成本、简化数据采集、提高补偿精度为目标,提出采用灰色GM(0,N)模型进行数控机床热误差建模预测;以优化数据配置、改善补偿系统动态品质、提高鲁棒性为目的,建立了GM(0,N)优化模型。采用智能温度传感器和位移传感器采集了MCH63精密卧式加工中心温度数据和主轴3个方向热位移量,并根据采集数据构建热误差模型。试验结果表明:GM(0,N)建模方法简单,数据量少,运算时间短,预测精度较高;优化模型可根据在线输入的新数据不断修正模型本身,其精度高、鲁棒性强、通用性好,适合于在线建模。     

基于FCM聚类和RBF神经网络的机床热误差补偿建模

热关健点的选择和热误差建模技术是决定热误差补偿是否有效的关键,对提高数控机床的加工精度至关重要.为了实现对数控机床热误差的补偿控制,文章利用模糊C均值(FCM)聚类方法,对机床上布置的温度测点进行优化筛选,将温度变量从20个减少到4个,然后给出了基于RBF热误差补偿建模方法.通过建模实例表明,文章提出的建模方法,在保证补偿模型精度的同时有效减少了温度测点,降低了变量耦合影响,并提高了补偿模型的鲁棒性.     

数控机床热误差的模型预报补偿

阐述了数控机床热误差补偿技术的基本概念，提出了一种基于人工神经网络的数控机床热误差模型预报补偿系统，介绍了该方法的原理，并对该系统的建立及相关技术进行了讨论。     

基于补偿模糊神经网络的数控机床热误差预报模型

文章提出了一种基于补偿模糊神经网络的数控机床热误差预报模型,讨论了该模型的详细结构、模糊规则、训练算法及相关技术问题,并给出了智能预报结果和精度评价.     

数控机床热误差补偿建模综述

热误差建模技术是决定热误差补偿能否有效进行的关键,对提高数控机床的加工精度至关重要。介绍数控机床热误差建模的国内外研究状况,阐述国内外常用的几种主要的热误差建模方法,即人工智能法、统计分析法、灰色系统法等,探讨各种方法的特点,指出目前研究存在的问题,并展望未来的发展。     

基于岭回归的数控机床温度布点优化及其热误差建模

提出一种基于岭回归分析的数控机床温度布点优化方法.数控机床热误差建模一般采用多元线性回归方法,在多元线性回归模型中,隐含着要求解释变量之间无强相关性的假定.然而在实际的建模中,各自变量与因变量之间的相互关系并不与简单相关系数所反映的情况完全吻合.通过岭迹对温度变量进行优化选择,实现了温度测点优化布置,并选用适当的岭参数k建立了数控机床热误差的多元线性回归优化模型,提高了热误差模型的精确性和鲁棒性.     

基于模拟退火遗传算法优化BP网络的数控机床温度布点优化及热误差建模

在热误差建模中,温度测点的优化选择至关重要。提出了运用相关性方法,分析测点温度与主轴热漂移之间的关系,找到相关性较高的测点位置,实现温度布点的优化选择。在此基础上采用模拟退火遗传算法（ GSA）优化BP神经网络的方法建立热误差模型,并通过实验验证。结果表明：优化的热误差模型能够跳出局部最优而达到全局最优解,得到的误差模型拟合值更加接近实测误差值;基于GSA优化的BP网络模型较传统的神经网络模型有较高的精度及更强鲁棒性。     

无限冲激响应网络在数控机床热误差建模中的应用

本文阐述了数控机床热误差补偿技术的基本概念，提出了一种基于无限冲激响应(IIR)网络的数控机床热误差预报模型，讨论了该模型的建立及相关技术问题，对智能预报补偿系统进行了研究，并给出了智能预报的结果和精度评价。     

数控机床热变形误差补偿技术

热变形误差是影响机床加工精度的重要因素之一,通过实时热变形误差补偿可以提高数控机床加工精度.本文在分析产生机床热误差的原理的基础上, 探讨了热误差的测量方法,利用多元线性回归方法建立了机床热变形与温升之间的数学模型.应用数控系统的PLC补偿功能,对XH178加工中心加工过程中的热误差进行了实时补偿.实验结果表明误差补偿量达到80%以上.     

数控机床热误差补偿模型的应用

为提高机床加工精度,研究并选择最佳模型对立式加工中心主轴热误差进行补偿。以KVC650E立式加工中心为实验对象,根据秋季数据对主轴热误差建立了多元线性回归、神经网络和支持向量机模型;将同一台机床和另一台同类型机床所测得的冬季数据分别代入3种模型计算各模型补偿精度;根据3种模型的精度变化规律比较三者的精确性、鲁棒性和通用性。实验结果表明:3种模型都有各自的优势,但支持向量机模型能在不同的环境温度和机床条件下保证较高的精度,综合性能最好。     

五轴数控机床非线性误差建模及补偿方法

针对五轴数控机床后置处理中由于平动轴和旋转轴的联动产生的非线性误差,提出一种基于误差建模的非线性误差在线预测与补偿方法.根据任意两个相邻刀位数据点产生的非线性误差,获得误差的分布特征,建立起误差分布模型;利用最小二乘法求解出非线性误差的数学表达式,经与误差许用值相比较来确定新的刀位点,从而实现非线性误差的在线预测及补偿...     

机床热变形及热误差优化研究

为减少热变形对精密加工精度影响,对夏冬两季节机床主轴箱上温升和热变形及环境温度的影响进行了测试分析,并采用BP神经网络模型化的Volterra级数非线性系统实现热误差建模。分析结果表明：夏天环境温度受主轴箱散热影响而温度迅速升高;冬季机床散热较快,主轴箱上温升比较明显,环境温度几乎不变;同一台机床在夏季和冬季的热变形规律相似而变形量稍有不同。通过实验验证了该模型具有预测精度高的优点,为数控机床热误差实时补偿提供了参考。     

机床热误差非线性组合预测模型研究

在精密及超精密加工过程中,数控机床热误差是影响加工精度的一项重要误差源,最经济和有效地减少热误差的方法是热误差补偿技术。针对热误差补偿预测模型的预测精度问题,提出一种非线性组合预测模型。该预测模型利用灰色关联度方法对单项预测模型进行筛选,对筛选出的单项预测模型基于不同优化准则进行线性组合,通过广义回归神经网络对该线性组合模型进行非线性组合,得到非线性组合预测模型。误差预测结果表明:对比典型的BP神经网络预测模型,非线性组合预测模型的预测精度更高,最大误差由4.78μm减小到0.7μm。