数控机床热误差补偿模型稳健性比较分析

数学模型的精度特性和稳健性特性对数控机床热误差补偿技术在实际中的实施性影响不容忽视。对数控加工中心关键点的温度和主轴z向的热变形量采用多种算法建立了预测模型,对不同算法拟合精度进行分析。同时进行全年热误差跟踪试验,获得了机床在不同环境温度和不同主轴转速的试验条件下的敏感点温度和热误差值。以此为基础,对各种预测模型的预测精度进行比较验证不同模型的稳健性。结果表明,多元线性回归算法的最小一乘、最小二乘估计模型以及分布滞后模型在改变试验条件时预测精度下降,而基于支持向量回归机原理的热误差补偿模型仍能保持较好的预测精度,稳健性强。这为数控机床热误差补偿模型的选择提供了具有实用价值的参考,具有很好工程应用性。     

数控机床热误差补偿高次多阶ADL模型应用分析

综合运用模糊聚类和灰色关联度理论对机床温度监测传感器进行了优选。同时针对现行常用的多元回归模型,采用自回归分布滞后模型（ADL模型）对数控机床热误差进行了建模。在获得较高精度基础上,对ADL模型进行扩展,提出了高次多阶ADL建模技术,并对其建模方法及精度进行了分析比对,实例证明,提出的高次多阶ADL模型在数控机床热误差补偿技术中具有较高的建模精度。     

基于状态空间模型的数控机床热误差建模

为了减小机床运行参数变化导致的机床热误差变化对模型预测精度的影响,提出了状态空间建模算法,该算法可根据机床运行参数的变化而自动调整模型,从而使模型对机床运行参数的变化具有良好的自适应性。通过实验比较了模型对机床处于不同条件下的热误差预测精度,并基于状态空间模型在Leaderway V-450型数控机床上进行了平面切削的热误差补偿实验。实验结果表明：与传统热误差建模算法相比较,所提算法的预测精度提高了58.12%,稳健性也得到了有效提升,且实际热误差补偿效果显著。     

基于时间序列理论的误差预测补偿技术

分析了机械加工精度控制模型及传统的误差补偿方法的局限性,尝试把时间序列预测理论应用于数控加工系统,构成了一种新型的误差预测补偿方法。基本思想是直接用已加工出的零件型面误差统计数据建立误差预测模型,得到加工下一零件时各轴不同时刻位置补偿量的预测值,达到提高复杂型面数控加工精度的目的。     

数控机床热误差的控制措施

结合国内外的发展状况,指出热误差是影响机床加工精度的一个十分重要因素。分析了数控机床热误差产生的原因及其测量的方法,同时对各种控制热误差的常用方法进行了简要分析,并对以后的发展方向做了展望。     

基于偏最小二乘的数控机床热误差稳健建模算法

建立预测模型对热误差进行预测和补偿是解决机床热误差问题的常用方法,该方法中模型的预测精度和稳健性易受环境温度影响而明显下降,对此本文提出了基于偏最小二乘法的热误差稳健建模算法。首先使用相关系数法筛选温度敏感点,并建立热误差偏最小二乘回归预测模型。进而基于全年环境温度下的多批次热误差实验数据,分析最佳的温度敏感点个数。最后建立热误差偏最小二乘回归模型,并与普通多元线性回归模型的预测效果比对分析。结果表明本文所提算法平均预测精度为5.7μm,模型稳健性为0.56μm,相较于普通多元线性回归算法,预测精度和稳健性分别提高13.8%和49.5%。说明本文所提的热误差稳健建模算法能够在环境温度变化较大时保持高预测精度和高稳健性。     

数控机床热误差补偿最佳转速选择

为提高数控机床热误差补偿模型在实际工程应用中的补偿精度和稳健性,研究了热误差补偿建模时机床最佳转速状态的选择方法。首先,以Leaderway V-450数控加工中心主轴Z向为研究对象,控制机床主轴在空转状态下,以图谱和恒定转速两种方式进行了多批次实验。然后,采用模糊聚类结合灰色关联度选择温度敏感点并建立多元线性回归模型。最后,分析不同转速类型下模型的预测效果并对同种转速类型下模型预测效果进行相对评价,从而给出热误差补偿建模时机床最佳转速状态的选择方法。实验结果表明,根据国际标准中不同主轴转速类型建立的热误差补偿模型,对于机床热误差预测效果存在较大差异。根据实际工程应用选择的最佳转速状态建立的补偿模型有较好的预测效果。     

基于时间序列预测技术的数控机床轮廓误差实时补偿方法研究

分析了现有数控机床轮廓误差控制方法的优势与不足,提出了基于时间序列预测技术的轮廓误差实时补偿方法.基本思想是通过对伺服跟踪误差的实时检测与预报,动态控制插补过程,以有效消除由伺服跟踪误差引起的合成轨迹误差.仿真结果表明,文章提出的这种方法可以有效地减小数控机床轮廓误差.     

五轴数控机床热误差检测案例分析

对机床热误差的检测是为了解机床热误差规律、寻找数据支撑,从而进行误差补偿或减少热误差发生,提高机床精度。通过数控机床的主轴热误差检测案例,简单介绍热误差检测方法及在实际中的运用。案例表明机床不同的热误差源的性质不同,对机床精度的影响也不同,因此实现误差补偿所需建立的模型也就不同,需要热误差检测方法也将不同。机床热误差检测方法的研究为热误差补偿技术的研究提供了前提和基础。     

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。     

基于遗传算法的支持向量机时间序列预测模型优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力，因此与建立在经验风险最小原则上的神经网络模型相比，理论上更为完善。本文运用支持向量机建立时间序列预测模型，研究影响模型预测精度的相关参数，在分析参数对时间序列预测精度的影响基础上，提出用遗传算法建立支持向量机预测模型的参数自适应优化算法。最后，用算例表明了本文算法的正确性和有效性。     

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。     

Optimization of measuring points for machine tool thermal error based on grey system theory

Optimization of thermal sensors’ placement on machine tools based on grey correlation model of grey system theory is studied. After optimization, the temperature variables in the thermal error’ model are reduced from 16 to 4. It greatly reduces the time for variable searching and modelling and meanwhile it eliminates the coupling problems among temperature variables, so the robustness of the model could be increased and the predicting precision of the model is enhanced. Consequently, the real-time error compensation would be more effective and convenient.     

Temperature variable optimization for precision machine tool thermal error compensation on optimal threshold

Machine tool thermal error is an important reason for poor machining accuracy.Thermal error compensation is a primary technology in accuracy control.To build thermal error model,temperature variables are needed to be divided into several groups on an appropriate threshold.Currently,group threshold value is mainly determined by researchers experience.Few studies focus on group threshold in temperature variable grouping.Since the threshold is important in error compensation,this paper arms to find out an optimal threshold to realize temperature variable optimization in thermal error modeling.Firstly,correlation coefficient is used to express membership grade of temperature variables,and the theory of fuzzy transitive closure is applied to obtain relational matrix of temperature variables.Concepts as compact degree and separable degree are introduced.Then evaluation model of temperature variable clustering is built.The optimal threshold and the best temperature variable clustering can be obtained by setting the maximum value of evaluation model as the objective.Finally,correlation coefficients between temperature variables and thermal error are calculated in order to find out optimum temperature variables for thermal error modeling.An experiment is conducted on a precise horizontal machining center.In experiment,three displacement sensors are used to measure spindle thermal error and twenty-nine temperature sensors are utilized to detect the machining center temperature.Experimental result shows that the new method of temperature variable optimization on optimal threshold successfully worked out a best threshold value interval and chose seven temperature variables from twenty-nine temperature measuring points.The model residual of z direction is within 3 m.Obviously,the proposed new variable optimization method has simple computing process and good modeling accuracy,which is quite fit for thermal error compensation.     

考虑热误差的双转台机床工艺误差谱预测方法

五轴数控机床的几何误差和热误差是影响工件加工精度的两个重要因素,对这些误差因素进行分析可以有效提高薄壁件工件的加工精度。本文首先基于齐次坐标变换法,建立了双转台五轴数控机床的旋转轴几何误差模型;然后基于对标准球进行在机接触测量,辩识得出两旋转轴的12项几何误差,这些误差考虑了两旋转轴之间的相互影响和其热误差的影响;最后分析五轴数控机床加工空间的几何误差场,在该加工空间内几何误差从中心到外侧逐渐增加,当A轴旋转角度增加时,误差的最大值也随之增加。与其它位置误差辨识方法相比,本方法的测量精度符合加工要求,测量时间只需要30 min。     

时序分析在电主轴热误差建模中的应用

针对电主轴热误差基于三点法测量和建模中忽略径向热倾角误差的问题,采用五点法对主轴热误差进行测量,建立基于时序分析的热误差自回归滑动平均混合模型ARIMA。通过引用单位根检验算法实现对热误差序列的平稳性判定,运用自相关/偏自相关函数完成模型的高效识别;利用信息准则解决热误差模型的定阶问题,结合Yule-Walker方程实现自回归参数以及滑动平均参数的求解,从而提高了模型的预测精度及泛化能力,设定了模型的预测优度评价标准。电主轴热误差模型蕴含轴向伸长及径向热倾角,更符合实际,模型可更准确地描述主轴热误差空间位姿状态。通过电主轴热误差建模的应用实例,验证了所提测量及建模方法的有效性。     

A strategy for minimization of thermal error in headstock assembly of CNC lathe

The thermo-elastic behavior of the spindle system in a CNC lathe contributes significantly toward the undesirable displacement at the tool center point (TCP). Minimization of the thermal deformation of spindle has become progressively important for the development of ultra-precision machine tools. To serve the purpose of predicting the characteristics of the heat flow and the corresponding thermal deformation, a finite element model for the headstock assembly of CNC lathe is developed. Heat generation and heat dissipation in the components of headstock assembly of CNC lathe are estimated for free running as well as machining conditions using empirical models. The thermo-elastic behavior is investigated with the aid of numerical model validated by experimentation. The deformation of bed is found to possess a significant influence toward the spindle displacement in X-axis which results in form error in the machined component. The proposed strategy is validated effectively to have control over the heat flow between headstock and bed with the aid of a carbon/epoxy laminate that results in a near zero displacement along the X-axis of the spindle.     

基于贝叶斯神经网络的机床热误差建模

热误差严重影响着机床的加工精度,对机床关键部件进行热特性分析是开发精密机床的重要环节。通过测量包括数控机床的特殊位置温度和定位误差在内的热特性,研究了温升与定位误差之间的关系,提出了一种基于贝叶斯神经网络的热误差建模方法。通过K-means聚类和相关系数法来选择温度敏感点,可以有效地抑制温度测量点之间的多重共线性问题。结果表明:通过使用贝叶斯神经网络能提高机床88.015 9%的精度,比BP神经网络高出15.763 8%,与BP神经网络模型相比,贝叶斯神经网络具有更加优良预测性能。贝叶斯神经网络模型为降低机床热误差的影响提供了新思路。