基于遗传算法优化灰色神经网络的机床主轴热误差建模研究

针对机床主轴热性能对加工精度产生影响的问题,对机床主轴热误差建模方向进行了试验研究。以数控磨床主轴为研究对象,通过热特性试验获得了阶梯转速下的温度变化数据和热误差数据,对温度数据进行了模糊聚类分组,并采用相关系数法选出了温度敏感测点;通过对灰色神经网络初始参数进行优化,建立了遗传算法(GA)优化的灰色神经网络热误差预测模型;在该模型中,以灰色神经网络的预测输出和实际值的绝对误差作为遗传算法适应度函数,以平均相对误差作为预测模型的评价标准,并与灰色神经网络、BP神经网络预测结果进行了对比。研究结果表明:该预测模型具有更高的预测精度,通过GA对灰色神经网络的初始参数进行优化,可有效地提高网络的预测精度,更好地用于热误差补偿系统。     

基于粒子群优化灰色神经网络的机床主轴热误差建模

主轴热误差是影响机床精度的主要因素,建立准确的主轴热误差模型是进行机床误差补偿的关键。研究了温度测点优化和神经网络建模的方法,给出了粒子群优化灰色神经网络建模的流程。开展了主轴热误差热特性试验,得到了主轴热变形随主轴转速的变化规律。基于粒子群优化灰色神经网络建立了主轴轴向伸长和俯仰角热误差模型,并与灰色神经网络和BP网络的预测性能进行了对比,结果表明该模型可有效提高网络模型的收敛性和预测精度。     

基于GA-BP神经网络系统的滚珠丝杠热误差建模

滚珠丝杠是数控机床进给系统的关键部件,其热变形影响机床的定位误差。为提高数控机床的精度,提出一种基于GA-BP神经网络的热误差预测方法。以TX1600G镗铣加工中心进给系统的滚珠丝杠为研究对象,运用有限元法对丝杠进行热特性分析,并据此获得其温度和热误差数据。针对BP神经网络模型训练时间长,容易陷入局部极值等缺点,运用遗传算法优化BP神经网络的阈值和权值,并建立滚珠丝杠的热误差预测模型。通过MATLAB完成仿真实验,结果证明,GA-BP神经网络模型比BP神经网络模型拟合性能更好,预测能力更强。     

基于GA-BP网络的多轴机床热误差建模

为最大限度减少热误差对多轴联动机床加工精度的影响,综合遗传算法全局收敛性和人工神经网络局部搜索快速性的优点,提出一种基于遗传算法优化BP网络隐层节点数及初始值的机床热误差建模方法。运用Matlab-GUI工具开发了具有通用性的交互式多轴机床热误差建模仿真系统,通过与传统的BP神经网络进行对比分析及试验论证,证明该模型预测精度更高、通用性强。     

基于Kohonen自组织竞争网络的机床温度测点辨识研究

提出一种基于Kohonen神经网络的温度测点辨识优化算法,用机床进给系统上不同位置处的温度测点变化值及定位误差作为输入样本来训练神经网络。利用该网络的自组织竞争将胜出的结果输出到相应的分类模式中,根据各类分类模式中温度变量与热误差之间的相关系数,确定出机床热关键点。通过多元线性回归理论建立了热误差模型,与基于变量分组优化方法的热误差模型比较发现,该方法具有更好的可行性和有效性。     

基于遗传算法优化小波神经网络数控机床热误差建模

数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。     

基于混合粒子群算法优化BP神经网络的机床热误差建模

为了降低机床热误差对主轴加工精度的影响,采用了混合粒子群算法优化BP神经网络结构,并对优化结果进行实验验证.引用了粒子群算法耦合遗传算法,给出BP神经网络结构简图,通过混合粒子群算法优化BP神经网络结构.构造机床热误差优化目标函数,采用混合粒子群算法优化目标函数,给出了混合粒子群算法优化BP神经网络流程图.建立BP神经网络热误差预测模型和BP神经网络热误差优化模型,采用三轴立式铣床对两种预测结果进行实验验证.实验结果表明:采用BP神经网络热误差预测模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为6.9μm和6.7μm;采用BP神经网络热误差优化模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为3.3μm和3.5μm.采用混合粒子群算法优化BP神经网络结构,能够提高机床热误差预测精度.     

数控机床热误差灰色神经网络补偿应用研究

针对数控机床热误差建模补偿的问题,提出了灰色神经网络建模补偿的新方法。首先利用机床的温度值建立了机床热误差的灰色系统预测模型,再由灰色模型预测值得到的残差建立神经网络预测模型。结合灰色系统和神经网络的优点,建立了一种新的灰色系统和BP神经网络组合热误差预测模型。最后以实测数据建模说明了灰色神经网络模型预测效果明显优于各单项模型,方法优异的预测性能对于具有复杂成分的动态数据序列的机床热误差建模也适用。     

基于模糊RBF神经网络的数控机床热误差建模

将模糊技术与RBF神经网络相结合并应用于机床热误差建模中,构建了基于模糊RBF神经网络的数控机床热误差模型;以某龙门导轨磨床主轴箱系统为实例,将模糊RBF神经网络建模方法运用到主轴箱系统热误差建模当中。通过与BP神经网络建模方法进行对比,验证了模糊RBF神经网络建模方法无论是在建模效率、建模鲁棒性还是模型的补偿效果方面均优于传统的BP神经网络建模方法,该方法对提高数控机床加工精度具有重要的意义。     

考虑电控数据的LSTM神经网络进给轴热误差建模

针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性.     

BP网络在进给系统定位误差预测中的运用

针对机床进给伺服系统定位精度预测的难点,分析了进给伺服系统机械传动系统定位误差增长的原因,提出了一种定位误差预测的方法。在Adams中建立进给伺服系统动力学仿真模型,得到不同初始状态下的定位误差值,基于BP神经网络建立工作台与螺母座间隙、滚珠丝杠倾斜度、工件负载与定位误差之间的映射模型,根据映射模型提出对定位误差预测的方法。利用所建立的精密运动可靠性试验平台进行验证,证明了该方法的正确性和有效性。     

Automated measurement and compensation of thermally induced error maps in machine tools

In this paper, a direct method of machine tool calibration is adopted to model and predict thermally induced errors in machine tools. This method uses a laser ball bar (LBB) as the calibration instrument and is implemented on a two-axis computerized numerical control turning center (CNC). Rather than individually measuring the parametric errors to build the error model of the machine, the total positioning errors at the cutting tool and spindle thermal drifts are rapidly measured using the LBB within the same experimental setup. Unlike conventional approaches, the spindle thermal drifts are derived from the true spindle position and orientation measured by the LBB. A neural network is used to build a machine model in an incremental fashion by correlating the measured errors with temperature gradients of the various heat sources during a regular thermal duty cycle. The machine model developed by the neural network is further tested using random thermal duty cycles. The performance of the system is also evaluated through cutting tests under various thermal conditions. A substantial improvement in the overall accuracy was obtained.     

基于IA-PSO-BP模型的电主轴热误差预测方法

针对电主轴在运作时因为温升而产生热误差的问题，提出一种基于免疫粒子群优化BP神经网络（IA-PSO-BP）的电主轴热误差预测模型。通过测量电主轴在工作过程中的温升以及热位移,获取建立预测模型所需的数据，使用IA-PSO-BP模型在MATLAB中建立热误差预测模型，并与未经过优化的BP神经网络所建立的模型进行测试对比。结果显示，经过优化的BP神经网络对热误差的补偿能力高达98.4%，和当前工程常用的BP神经网络相比，平均预测误差下降了62.6%，预测误差的均方差下降了66.4%，可见其预测精度得到了显著提升。     

基于动态反馈神经网络模型的数控机床热误差实时预报补偿

分析了数控机床热误差对制造加工精度的影响及影响数控机床热误差的关键因素,对采用神经网络模型预报数控机床热误差进行了深入分析,提出了具有反馈输入环节的动态神经网络模型.讨论了建立模型的关键技术问题,并对基于该模型的数控机床热误差的智能预报进行了计算机仿真分析.     

基于灰色系统理论的GM2000A数控机床热误差的智能补偿方式及应用

众所周知对于超精密机床而言,热误差是影响数控机床加工精度的重要因素之一,可达机床加工精度总误差的70%。因此减少热误差对数控机床的影响至关重要。要提高加工精度,减少热误差,就必须对其进行有效的补偿。以GM2000A龙门加工中心为对象介绍了热误差的测量方法,采用灰色系统理论中的灰色关联分析法建立测温点和热误差之间的相关程度达到优化测温点的目的,使输入数据更趋于合理。最后用BP神经网络建立温升和机床热误差之间的数学模型,MATLAB仿真实验结果表明了补偿效果的可行性。     

基于 CNN-GRU 组合神经网络的数控机床进给系统热误差研究

热变形引起的误差是影响数控机床精度的主要因素之一。 为了减小热误差对数控机床精度的影响,提出一种基于 CNN-GRU 组合神经网络的热误差预测方法。 通过热误差实验,采集螺旋曲面专用数控机床直线进给系统的温升数据和热误差数据;利 用模糊 C 均值聚类和灰色关联度分析筛选进给系统温度敏感点;以温度敏感点的温升数据和进给系统热误差为数据样本,建立 CNN-GRU 热误差预测模型。 为验证模型的准确性和实用性,与基于 CNN-LSTM 和基于 LSTM 的传统热误差预测模型进行预测对 比分析,结果表明 CNN-GRU 模型预测结果的平均绝对误差、均方根误差和决定系数均优于 CNN-LSTM 模型和 LSTM 模型,具有较 高的预测精度和鲁棒性。 提供的热误差模型可为后续误差补偿奠定基础,为数控机床的热误差预测提供思路。     

基于BP神经网络数控机床热误差建模的研究

热误差是影响数控机床加工的最大误差因素。采用变惯性因子粒子群算法优化BP神经网络的权值和阈值的方法对数控机床进行热误差建模,不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且精度相对较高,可以很好的提高BP网络的学习能力与泛化能力。仿真实验表明,变惯性因子PSOBP优化模型性能优于BP网络和标准PSOBP算法优化模型。     

基于神经模糊控制理论的数控机床热误差建模

将基于神经模糊控制理论的建模方法--模糊神经网络建模法应用到数控机床热误差建模当中,讨论了热误差模糊神经网络的结构及建模原理;对大型数控龙门导轨磨床主轴箱系统进行建模试验,采用非接触式红外温度测量仪和千分表分别测量主轴箱系统温度值与主轴热误差,得到两组独立的试验数据,一组用来建立主轴箱系统热误差模糊神经网络预报模型,另一组用来对模型进行验证。试验结果表明,模糊神经网络模型预测精度高,泛化能力强;将模糊神经网络建模方法与径向基函数神经网络建模方法进行综合对比,分析结果表明,模糊神经网络建模方法具有更好的建模效率、建模鲁棒性及预测性能。     

Measurement and compensation for volumetric positioning errors of CNC machine tools considering thermal effect

The measurement and compensation of volumetric positioning errors can be used to significantly improve the accuracy of machine tools. In this paper, a sequential step diagonal measurement is introduced to measure nine volumetric positioning errors in a short time. Measurements under various thermal conditions are preformed to understand the relationship between the volumetric positioning errors and the machine temperature field and variations. A radial basis function neural network is used to predict the volumetric positioning errors at all positions based on the temperature distribution of the machine. Compensation experiment is carried out to validate the performance of the measurement and the prediction method. The experimental results show that the volumetric accuracy of the machine tool is significantly improved by the error compensation.