基于温度传感标签的主轴热误差无线监测方法及试验

针对数控机床主轴热误差有线监测方法存在的布线困难和温度测点布置优化问题,提出一种基于热敏区域黄金分割布点和利用温度传感标签实现机床温度分布监测及信号无线传输的新方法。设计由数字式温度传感器DS18B20、微处理器MSP430、无线射频通信模块NRF905集成的温度传感标签,可通过无线射频通信将温度信号及对应标签地址信息无线传输给上位机,通信协议简单,能耗要求低;根据机床主轴有限元分析模型采用黄金分割法确定了热敏感布点区域,以解决传统经验布点存在数据冗余、可信度不强、测试条件不确定最优等问题;利用温度传感标签和激光位移传感器构建监测系统并采用正交试验法进行试验测试,数据极差分析和回归分析结果表明该系统稳定可靠、实时处理能力强,构建的回归模型也有较好的预测能力。     

基于有序聚类的机床热误差测点优化

温度测点的选择直接影响数控机床热误差补偿模型的性能。考虑到温度有序传递的特点,提出了有序聚类测点优化的方法。以试验数据为基础,计算类直径并比较目标误差函数;然后对温度变量分类,确定最佳分类数;通过计算热误差和温度之间的相关系数,确定最优测点。采用定位误差分解建模法结合选取的最优测点建立热误差预测模型,分别与模糊聚类和变量分组测点优化建立的模型进行比较,试验结果表明,有序聚类测点优化法精度较高,具有一定的应用前景。     

温度测点优化在机床主轴热误差建模中的应用

从理论和实验两个方面讨论了机床主轴温度场与热变形在动态特性上差异，证明了机床主轴上最佳温度测点的存在，并采用黄金分割法优化主轴最佳温度测点。     

基于Fisher最优分割法的机床热关键点优化研究

利用温度测点建立热误差模型时,测点的选取直接影响到模型的精度.采用一种最优化分段方法——Fisher最优分割法,以试验采集到的原始数据作为分析数据,通过计算分类的直径、比较各类中的误差函数,对机床测点变量进行分类,经过对各类中温度变量与热误差之间相关系数的计算,获得用于热误差建模的热关键点,从而完成测点优化.利用多元线性回归方法对其优化出的测点建立热误差模型,与采用变量分组优化选出的温度测点建立的热误差模型进行比较,结果说明Fisher最优分割法可行、实用性强.     

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。     

龙门机床进给系统热误差模型关键点优化

为了解决温度测点数量和测点间复共线性对龙门机床热误差模型精度和鲁棒性的影响,提出了一种测点综合优化方法。首先,采用模糊聚类法和相关性分析筛选出对热误差影响较大的关键点,达到优化测点数量的目的;然后采用特征提取法得到预测模型的自变量,特征提取消除了复共线性对预测模型精度和鲁棒性的影响。在一台龙门精密镗铣加工中心上实验验证,结果表明:所提出的测点综合优化法优于自适应模糊聚类热关键点优化,采用该方法进行误差预测模型关键点优化可有效提高模型精度和鲁棒性。     

基于灰色关联和模糊聚类的机床温度测点优化

针对机床热误差补偿技术中温度测点优化选择的问题,提出采用基于灰色关联分析和模糊聚类分析相结合的方法对机床温度测点进行优化选择。采用灰色关联分析法计算温度变量与主轴热误差之间的相关系数,并据此优选温度变量,采用模糊聚类分析法对所选择的温度变量进行聚类,确定关键温度变量,结合关键温度变量建立热误差线性回归模型。在精密卧式加工中心MCH63上对该方法进行了试验验证,结果表明,温度测点的数量由29个减少到6个,机床轴向热误差由41.3μm减小到7.6μm。     

龙门机床进给系统热误差模型测点优化

为了解决温度测点数量和测点间复共线性对龙门机床热误差模型精度和鲁棒性的影响,提出了一种测点综合优化方法。首先,采用模糊聚类法和相关性分析筛选出对热误差影响较大的关键点,达到优化测点数量的目的；然后采用特征提取法得到预测模型的自变量,特征提取消除了复共线性对预测模型精度和鲁棒性的影响。在一台龙门精密镗铣加工中心上实验验证,结果表明：本文提出的测点综合优化法优于自适应模糊聚类热关键点优化,采用该方法进行误差预测模型关键点优化可有效提高模型精度和鲁棒性。     

机床定位误差中的热误差分离与实验

提出一种从机床定位误差数据中分离出热误差的新方法.设计了由双频激光干涉仪、温度传感标签与接收器等组成的热误差测试系统,可实现热误差温度信号的无线智能检测和热变形信号的非接触高精度采集;从机床冷态开始,来回循环测量定位误差并记录热敏测点温度值;对各循环内的前后测点定位偏差做插值、相减、平均等处理,再与冷态下的平均定位误差相减分离得到热误差.在2515龙门加工中心上进行了实验,数据处理不仅可得到定位偏差、重复精度、回程误差等6个几何精度指标,还分离出测量范围内各个测点的热误差,其最大值为9.67μm;最小二乘法建模结果表明热误差的建模精度在[-2.60μm-2.28μm]之间,建模精度平均值为0.73μm.     

机床丝杠进给系统热误差测点优化及实验

针对丝杠进给系统热误差监测点多,且测点之间存在复共线性影响热误差建模精度的问题,提出了一种综合测点优化的方法。首先利用Pearson相关性分析筛选出相关性较高的点,其次利用灰色关联法求出各温度变量间的灰色关联度并由此建立模糊相似矩阵,再采用模糊聚类和F分布统计确定最优测点组合后,由偏相关性分析剔除弱相关变量并建立热误差线性回归模型。在某龙门加工中心进行实验验证,结果表明温度测点由12个减小到3个,丝杠热误差由13μm减小到10μm。     

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。     

基于互信息法和改进模糊聚类的机床热关键点优化研究

基于热误差模型进行机床热误差补偿是保证数控机床加工精度的一种有效方法,温度测点的布置和辨识会直接影响热误差建模的精确性和鲁棒性。本文提出一种互信息和改进模糊聚类法相结合的机床热关键点优化方法。以机床不同位置处的多个测点温度值及工件热变形作为分析数据,通过计算温度变量与热变形之间的平均互信息量,获得其综合关联度矩阵,确定二者之间的相关性后初选温度变量。根据改进模糊聚类法、F统计量和复判定系数对初选的温测点进行聚类,并结合温度变量与热变形之间的综合关联度值提取机床热关键点,从而实现测点优化。将基于该方法所得到的热误差模型与采用变量分组优化法获得的热误差模型进行比较,结果显示采用该方法进行热误差建模,机床X轴和Y轴的热变形预测精度得到显著提高,有利于改善加工精度。     

机床主轴温度场的数字化检测

利用数字温度传感器具有单总线的特点，结合单片机组成传感器网络，实现了对机床主轴温度场多点温度检测系统的硬件设计和软件设计。这种检测系统对于恶劣环境、干扰源多等情况的现场温度检测具有特长。从理论和实验2个方面对机床主轴温度场和热变形动态特性之间的差异进行分析，证明了机床主轴上最佳温度测点的存在，并采用黄金分割法优化主轴最佳温度测点，简化了测量过程。     

基于互信息法和改进模糊聚类的温度测点优化

基于热误差模型进行机床热误差补偿是保证数控机床加工精度的一种有效方法,温度测点的布置和辨识会直接影响热误差建模的精确性和鲁棒性。本文提出一种互信息和改进模糊聚类法相结合的机床热关键点优化方法。以机床不同位置处的多个测点温度值及工件热变形作为分析数据,通过计算温度变量与热变形之间的平均互信息量,获得其综合关联度矩阵,确定二者之间的相关性后初选温度变量。根据改进模糊聚类法、F统计量和复判定系数对初选的温测点进行聚类,并结合温度变量与热变形之间的综合关联度值提取机床热关键点,从而实现测点优化。将基于该方法所得到的热误差模型与采用变量分组优化法获得的热误差模型进行比较,结果显示采用该方法进行热误差建模,机床X轴和Y轴的热变形预测精度得到显著提高,有利于改善加工精度。     

机床温度测点布置技术与优化方法的研究

机床的热误差严重影响机床的加工精度,通过热误差补偿技术来减小热误差,从而提高机床的加工精度至关重要。温度测点的选择与优化是热误差补偿技术研究中的难点,本文综述了温度测点布置策略和优化方法,阐述了各方法的优缺点,并对温度测点优化技术的发展趋势进行了展望。     

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。     

基于加权灰关联分析的加工中心热误差测点分布优化研究

基于加权灰色关联分析理论提出加工中心热误差温度测点分布的选择优化建模方法.该方法首先给出加权灰关联模型,然后根据温度测点与热误差数据建立数据序列之间的灰色关联度矩阵,对温度测点按主要部件进行分类,从每一类中选择关联度相对大的测点作为关键温度测点,测点数量由16个减至5个.应用该方法建立加工中心热误差预测模型,结果表明建立的模型能够避免温度测点之间相互耦合的影响,模型精度与鲁棒性均得到较大提高.     

机床主轴温度测点的K-means优化及试验

针对机床热误差补偿技术中温度测点的优化选择,提出一种基于K-means算法和Pearson相关系数相结合的方法。通过K-means算法将不同位置测点的温度进行聚类,用Pearson相关系数计算温度与主轴热误差之间的相关性,从每一类别中选出一个最优测点组成最优测点组合,并对最优测点处的结果进行热误差建模。在立式加工中心VMC850E上对该方法进行了试验验证,将温度测点的数量由8个减少至2个。经方差分析和F检验,验证了最优测点处的温度与热变形之间显著线性,模型可靠。     

数控机床进给系统误差综合补偿

数控机床进给系统的几何误差和热误差是影响零件加工精度的主要因素,为了有效地改善加工精度,提出了一种几何误差和热误差综合预测模型。通过分析进给系统的热误差曲线特征,对机床的几何误差及热误差进行分离。采用最小二乘法对几何误差进行一元四次拟合得到几何误差模型;利用模糊聚类和相关分析对温度测点进行优化,建立热误差模型;将上述几何及热误差模型线性叠加形成综合模型。在一台数控车床上,对机床初始运行、升温及热平衡三个典型阶段进行实验验证,结果表明:进给系统误差综合补偿模型具有良好的鲁棒性,能较大幅度地改善机床的加工精度。     

改进FCM模糊聚类算法对主轴箱温度测点优化分析

轮槽铣床主轴箱热变形数据样本量繁杂,利用传统的FCM模糊聚类算法对主轴箱温度测点进行分析时,需根据情况自行设置分类数,由于经验不足会使分析结果出现偏差,导致分析失效。基于以上情况,提出采用改进的FCM模糊聚类算法对主轴箱测点进行优化分析,其原理为依据主轴箱温度及热变形量,增设聚类数c的自适应目标函数,并建立了改进的FCM模糊聚类算法可靠性分析模型,基于该模型分析得到了多元回归关键测点热误差分析数据。结果显示:采用FCM聚类算法对轮槽铣床主轴箱预先布置的温度测点进行分组优化,使主轴箱的关键测温点由21个缩减至6个,且分析结果准确度较高。该方法为机床温度测点优化分析提出了新的思维路径,具有较好的应用前景。