考虑温度变化的数控机床体积误差模型与检测

为提高不同温度下数控机床体积误差检测及建模精度，提出一种基于温升可重复的数控机床全温度范围体积热误差高精度检测方法，有效避免温度不匹配因素对分步体对角线测量体积热误差的影响；与常规热误差测量方法比较，基于温升可重复的分步体对角线测量方法可大幅提高体积热误差检测精度。阐明综合考虑刀具及主轴热变形的体积热误差综合数学模型建模机理，为误差检测、建模及补偿奠定基础。设计开发基于P89V51RD2单片机的误差检测及补偿平台，实验结果表明，补偿后体积热误差减小82.3%,大幅提高数控机床体积热误差检测及补偿精度。     

基于迁移学习的异工况下机床热误差建模方法

机床热误差预测模型在不同工况下难以保持高预测精度是导致热误差实际补偿效果差的重要原因，对此本文提出一种基于迁移学习的异工况下机床热误差建模方法。首先利用核均值匹配算法获取不同工况下机床温度数据间的迁移权重，从而提出基于迁移学习的热误差建模方法；对不同工况下热误差数据进行差异显著性检验，并利用本文所提方法建立热误差预测模型，分析建模效果；然后比对分析本文所提建模方法与常用建模方法的实际预测效果，最后进行补偿验证实验以证明本文所提方法的有效性。结果表明，本文所提基于迁移学习的建模方法能够有效提升建模效果，其中迁移学习结合LASSO算法针对不同工况下热误差数据的预测精度和稳健性分别达到3.73和1.14μm,补偿后机床X/Y/Z 3个方向热误差分别保持在-2.3～3.1μm、-3.4～3.9μm和-3.3～4.6μm范围内。     

[误差建模及精度保证方法]一种五轴数控机床热误差建模方法

针对五轴数控机床多个发热源叠加导致的较为复杂的热误差测控难题，提出了一种五轴数控机床热误差建模方法，采用狮群优化算法优化最小二乘支持向量机（LSO-LSSVM）方法对热误差模型的重要参数进行求解，从而有效提高热误差预测模型的效率和精度。使用偏相关分析对大量温度传感器位置进行初步筛选，选取关联性较大的温度变量，根据选取的实测温度数据，分别采用多元线性回归、粒子群优化最小二乘支持向量机与LSO-LSSVM建模方法进行热误差建模，同时对各热误差模型的预测能力进行对比分析，结果表明：使用LSO-LSSVM建立的热误差预测模型的精度和鲁棒性都有很大的提高。对五轴数控机床主要部位实施热误差补偿测试，测试结果表明，采用LSO-LSSVM建模方法可使试件在X、Y、Z三个方向的误差分别减小35.3%、32.2%和43.9%。     

数控车床热误差鲁棒性建模的研究现状

在数控机床热误差补偿技术的应用中,热误差模型的鲁棒性、准确性和热关键点的合理性决定了热误差补偿的精度和有效性,因此热误差建模和热关键点的辨识至关重要。本文介绍了国内外数控车床热误差建模的研究现状,评述了几种主要的热误差建模方法和热关键点辨识方法及其优缺点,最后分析了存在的问题并展望了今后的发展。     

基于信息融合的五轴机床热误差建模技术

五轴机床能对复杂的自由曲面进行加工。对五轴机床热误差进行控制,是提高其加工精度的关键所在。针对现有热误差建模方法预测精度较低、通用性和鲁棒性较差的问题,提出一种基于信息融合的五轴机床热误差建模方法。与传统建模方法相比,通过实时调整模型参数,该融合预测方法能够用于不同类型、不同操作条件的机床。将该方法应用于一台双转台五轴机床的实验研究,建立了该机床热误差的融合预测模型。实验结果表明,该方法能够提高热误差模型的预测精度及鲁棒性,从而提高五轴机床加工精度。     

基于在线最小二乘支持向量机的数控机床热误差建模与补偿

为消除数控机床热误差对加工精度的影响,提出了基于在线最小二乘支持向量机的数控机床热误差建模方法。为构建机床热误差模型,进行了建模实验,采用智能温度传感器与激光位移传感器分别测量机床温度值与主轴热变形量。将获得的数据进行在线最小二乘支持向量机建模训练,构建机床热误差模型。在根据模型得出误差预测值的同时,可以不断根据在线输入的新数据修正热误差模型本身,运算时间短,适用于在线建模。实验结果表明,基于在线最小二乘支持向量机的数控机床热误差建模方法具有精度高、鲁棒性强和计算时间短的特点。在此基础上,根据在线模型进行热误差补差,可有效消除机床热误差影响,提高数控机床的加工精度。     

基于动态自适应LS-SVM的数控机床热误差建模研究

热误差是造成切削加工工件精度低的重要因素,研究机床热误差是提高加工精度的有效措施。为此,综合考虑最小二乘法(LS)、支持向量机(SVM)和动态自适应算法的优势情况下,提出了一种基于动态自适应LS-SVM的数控机床热误差建模方法。为构建热误差模型,以数控机床XK713进行试验,通过温度和位移传感器分别获取机床温度值与主轴变形量,同时通过动态自适应算法,参数能够被优化,以及对所采集的数据进行最小二乘支持向量机建模,从而可得该数控铣床热误差模型。通过与LS热误差建模方法进行对比分析,结果表明:所提出的热误差模型的精度远优于LS模型。该方法为机床热误差建模的研究和应用奠定了基础。     

一种五轴数控机床热误差建模方法

针对五轴数控机床多个发热源叠加导致的较为复杂的热误差测控难题,提出了一种五轴数控机床热误差建模方法,采用狮群优化算法优化最小二乘支持向量机(LSO-LSSVM)方法对热误差模型的重要参数进行求解,从而有效提高热误差预测模型的效率和精度。使用偏相关分析对大量温度传感器位置进行初步筛选,选取关联性较大的温度变量,根据选取的实测温度数据,分别采用多元线性回归、粒子群优化最小二乘支持向量机与LSO-LSSVM建模方法进行热误差建模,同时对各热误差模型的预测能力进行对比分析,结果表明:使用LSO-LSSVM建立的热误差预测模型的精度和鲁棒性都有很大的提高。对五轴数控机床主要部位实施热误差补偿测试,测试结果表明,采用LSO-LSSVM建模方法可使试件在X、Y、Z三个方向的误差分别减小35.3%、32.2%和43.9%。     

精密卧式车床热误差溯源、建模与实时补偿

精密卧式车床的关键部件会在内外热源的综合影响下发生热变形,进而严重影响加工精度。数据驱动的热误差建模方法为解决此问题提供了有效手段,而厘清车床的关键热误差元素及其传导机理可进一步提高车床热误差的建模效率、精度和鲁棒性。文章针对车床X轴丝杠摩擦热、主轴发热、Z轴鞍座发热以及液压刀塔和拖板发热4个关键热误差元素开展了溯源测试,并根据溯源结果建立了热误差模型并开发了热误差实时补偿系统。车削验证实验结果表明,补偿后车床的加工误差在反复的加工和冷机过程中均稳定降低了75%以上,文章所提的热误差溯源和补偿方法有效提高了车床的加工精度和稳定性。     

基于正则化的机床热误差自适应稳健建模算法

通过建立预测模型对机床热误差进行补偿,是有效解决热误差造成机床精度下降问题的常用方法。本文提出一种基于正则化的数控机床热误差自适应稳健建模算法,能够在建模过程中自适应选择温度敏感点(TSPs),并具有高预测精度和稳健性。首先基于结构风险最小化原则对热误差建模稳健性机理进行分析,进而利用正则化算法中LASSO解的稀疏性实现自适应TSP选择。然后基于不同实验条件的热误差数据,分析所提建模算法的预测效果,并与常用的多元线性回归、BP神经网络和岭回归算法进行比对分析。结果表明,本文所提建模算法具有最高的预测精度和稳健性,分别为5.22和1.69μm。最后,利用所建立的预测模型进行热误差补偿实验,以验证本文所提建模算法的实际补偿效果。