共查询到10条相似文献,搜索用时 15 毫秒
1.
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。 相似文献
2.
《中国机械工程》2020,(13)
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%。 相似文献
3.
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%。 相似文献
4.
5.
6.
7.
8.
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。 相似文献
9.
重型数控机床热误差建模及预测方法的研究 总被引:5,自引:0,他引:5
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。 相似文献
10.
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。 相似文献