改进混沌粒子群优化的灰色系统模型在机床热误差建模中的应用

为减少热误差对数控机床加工精度的影响,提高灰色系统模型(Grey system Model,GM)的预测精度,尝试将改进混沌粒子群优化(Improvemen Chaotic Particle Swarm Optimization,ICPSO)算法引入到灰色系统模型中,提出一种基于改进混沌粒子群优化算法的灰色系统模型数控机床热误差建模方法。首先,建立粒子群优化(Particle Swarm Optimization,PSO)粒子与GM(1,N)系数的映射关系;其次,ICPSO中混沌理论的Logistic映射对粒子群的位置和速度进行初始化,通过优化搜索得到最优GM(1,N)系数和输入子集;最后,建立改进混沌粒子群优化的灰色系统模型(ICPSO-GM),对数控机床热误差进行预测。仿真实验表明,ICPSO-GM预测精度高于GM和人工神经网络(ANN)模型,证明了ICPSO-GM能有效地解决数控机床热误差预测问题。     

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%。     

[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%。     

基于逐步回归的机床温度测点优化及热误差建模技术

通过对机床温度测点进行优化,建立其与机床热误差之间的数学模型,对机床热误差进行实时预测与补偿控制,是提高数控机床加工精度的重要途径。为解决现有机床热误差模型预测精度低、鲁棒性差的问题,提出一种基于逐步回归的数控机床温度测点优化方法。通过偏F统计量的检验,在初步建立的回归模型中逐个引入新变量,剔除不显著的老变量,实现温度测点的优化布置,获得数控机床热误差的最优回归模型。将该方法应用于某数控机床,结果表明,基于逐步回归的机床热误差模型,所用温度变量最少,且预测精度最高。     

基于偏相关分析的数控机床温度布点优化及其热误差建模

提出了一种基于偏相关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,该方法中由于自变量之间的相互作用,各自变量与因变量之间的相互关系不再与简单相关系数所反映的情况完全吻合。使用偏相关分析对温度变量进行优化选择,实现了温度测点优化布置,并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FCM自适应模糊聚类的温度测点优化

在数控机床热误差建模中,温度测点的选择与优化是一个难点。针对传统的FCM模糊聚类方法对数控机床温度测点优化需要人为事先确定聚类数目,提出了一种FCM自适应模糊聚类测点优化方法。该方法在FCM聚类算法的基础上,建立了聚类数自适应函数,并自动给出最佳聚类数。通过对一台立式铣床进行实验验证,结果表明:FCM自适应模糊聚类方法自动将机床的温度测点由13个减少到6个。结合多元回归分析,建立了关键测温点的热误差模型,所建立的热误差模型精度较高,热误差由50μm减小到10μm以下,验证了该方法的有效性。     

重型数控机床热误差建模及预测方法的研究

重型数控机床的热误差已经成为影响其加工精度的一个关键问题。针对一台典型的重型落地铣镗床,以机床热误差测量试验为依据,分析该类机床温度场的特点;据此提出一种旨在完成高效温度测点优化的改进系统聚类方法,该方法使用一种兼顾欧氏距离和相关系数的系统聚类准则,可以有效地降低优化后温度测点之间的共线性。基于优化后的温度测点,利用多元线性回归分析,构建了机床的热误差预测模型。现场试验数据表明,该方法可以将热误差预测的均方根误差降低到10μm以下,相较于其他方法有着更高的热误差预测精度,有望在其他重型数控机床的热误差建模和预测研究中得到更大的推广应用。     

基于PSO-GPR的数控机床热误差建模及泛化性研究

数控机床在加工过程中会因发热而造成主轴热变形,为减小热变形对加工零件精度的影响,以1台数控车床为研究对象,提出一种基于粒子群算法优化的高斯过程回归(PSO-GPR)热误差建模与预测方法。通过采集测量5种不同工况下的实验数据,进行主轴轴向的热误差建模,同时与未优化的GPR建模方法进行比较,并在此基础上研究了训练数据增强对热误差模型泛化性的影响。实验结果表明:PSO-GPR模型预测热变形量的最大残差为0.49μm,均方根误差RMSE为0.11μm,优于未优化的GPR模型。经过数据增强的PSO-GPR模型在工况四、工况五为验证数据的热误差预测中最大残差分别下降35%和33.7%,表明训练数据增强可提高热误差模型的泛化能力。