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。     

变负载对数控机床直线电机控制系统影响的研究

介绍了基于直线电机的数控机床进给系统的特点,通过理论推导分析了负载大范围变化时直线电机作为进给系统的误差机理,并利用专用实验设备模拟数控机床实际加工工况进行实验,结果验证了在负载大范围变化时单一模型控制下的直线电机进给系统的运动精度和定位精度较差。     

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。     

基于改进松鼠搜索算法优化神经网络的数控机床进给系统热误差预测

为探究数控机床进给系统中各因素对热误差的影响规律,建立精准的热误差预测模型。 在进给速度为 10 m/ min、环境 温度 20℃的条件下进行进给系统热误差测量实验,获得进给系统关键点的温升及热误差。 为提高预测精度,采用 Tent 混沌改 进松鼠搜索算法,并利用改进的算法对神经网络进行优化,建立热误差预测模型。 利用热误差测量实验获得的数据进行验证, 结果表明改进前的神经网络预测误差为 12. 23% ,改进后的模型预测误差为 8. 92% ,精度有较大提升。 利用预测模型针对不同 进给速度下相同位置处热误差进行分析,结果表明,进给系统中关键测温点的温度和丝杠各点的热误差随着进给速度的增加而 增加。 因此提出的预测模型可实现进给系统热误差的准确预测,为误差补偿提供理论依据。     

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。     

直线电机驱动进给轴热动态伪滞后建模与补偿方法研究

分析热动态伪滞后效应对直接进给轴驱动精度的影响,对进给轴具有的热伪动态特性进行建模和误差补偿研究。依据一维热传导和一维热膨胀理论,推导直线电机驱动进给轴热动态过程的温度分布模型和热变形误差动态模型,通过有限元分析方法和试验相结合,构建基于关键温度点的直接进给轴热伪滞后变形动态识别模型。应用激光干涉仪测量直接进给轴的热变形量,采用温度传感器和红外测温仪测量直接进给轴关键点的温度,构建进给轴动态热变形补偿系统,依据实时温度对应的热变形数据,发送热变形预测值给运动控制卡,进而向伺服控制器发送控制补偿指令,通过对直接进给轴的运动叠加控制,实现对直接进给轴的热变形补偿。在自构建的直接进给轴试验台上进行试验研究,结果表明：动态识别模型能有效的预测动态热行为,通过构建热变形补偿系统,可使直接进给轴进给精度提高75%。     

机床热误差测温点优化及建模方法研究

为了减小热误差对数控机床精度的影响,提出了基于DBSCAN聚类算法的温度传感器测点优化方法和基于BP神经网络的数控机床建模方法。通过DBSCAN对特征数据进行聚类分析消除部分线性相关传感器数据。求解聚类后的每个类别中的传感器数据与主轴误差值的皮尔森相关系数,将类别内相关系数按从大至小进行排序,选取类别内相关系数最大的作为优化后的传感器数据,以此将温度测量点从16个减少到5个。添加动态随机数完成数据增强,提高模型泛化性。建立了温度和主轴位移的BP神经网络模型,其准确度可达0.94,为机床热误差补偿提供了重要的理论依据。     

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。     

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。     

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LS-SVM与遗传算法的数控机床热误差辨识温度传感器优化策略

提出一种在数控机床热误差辨识建模过程中,利用最小二乘支持向量机结合遗传算法对温度传感器进行筛选与优化的新方法。对布置在一台数控车床上的温度传感器进行了优化,首先根据热模态理论,对传感器进行分组,利用最小二乘支持向量机方法构建数控机床热误差辨识模型,再根据遗传算法对其进行传感器优化布置。结果表明,遗传算法与最小二乘支持向量机方法的结合,不但很好地避免温度测点的相互影响,保证模型精度,而且节约了硬件成本,提高了辨识建模速度。     

基于模糊聚类及相关性分析的温度测点布置优化方法研究

热误差严重影响机床的加工精度,通过热误差补偿技术提高机床加工精度是一个非常有效的途径。温度测点的选择与优化是热误差补偿技术研究中的难点。为了合理地减少温度测点数量,通过实验检测不同工况下进给系统各部件的温度分布,利用模糊聚类分析方法按温度变化规律对温度测点进行分类,通过对主轴温度场分布情况的分析,利用相关性分析方法,从24个温度测点中选取5个温度特征点,用于加工中心的热误差补偿,很大程度上提高了热误差建模的效率。结合以上两种方法,优化温度传感器测点的布置位置,减少了温度测点数量,提高了热误差补偿的精度。     

应用潜变量回归在线补偿双直接进给轴热误差

为了提高直线电机驱动的双直接进给轴的运动精度,对该类进给轴的热误差进行了建模并研究了误差补偿方法。分析了双直接进给轴进给过程中热误差产生的原因及其补偿的复杂性,给出一种基于潜变量回归的双直接进给轴热误差在线补偿方法。该方法应用激光干涉仪测量进给轴的热变形量,使用热电偶和红外测温仪测量进给轴关键点的温度变化;通过时间匹配变形和温度数据得到统计样本并建立基于潜变量回归的热误差识别模型。以模型的在线计算确定误差补偿量,给出了与数控系统兼容的补偿控制输出策略及补偿系统构建方案。在自构建的龙门双直线电机驱动进给轴平台上进行了在线补偿实验。结果表明:应用潜变量回归方法对双直接进给轴进行热误差补偿可使双直接进给轴的热误差减小75%。     

适应性FCM聚类分析对导轨温度特征的改进研究

为能够准确地分析导轨的温度特征,采用适应性FCM聚类分析法对导轨温度测点进行合理改进研究,其改进依据为导轨温度及热变形量,通过设置聚类数C的适应性目标分析函数,建立适应性FCM聚类算法可靠性仿真模型,得到温度测点收敛性与鲁棒性较好的多元回归关键测点热误差样本。研究表明,采用对机床导轨预先布置温度测点,通过适应性FCM聚类分析法对温度测点进行合理优化,可将测点数由5个缩减至3个,同时提高了模型预测的准确性与鲁棒性。     

数控机床主轴系统热误差温度测量点的最优化设计方法

基于信息论与机床热误差有限元分析方法,提出了一种对数控机床温度测量点的位置进行优化的计算方法,这些测点包含机床热变形误差互信息量最大点。将该方法应用于一台数控螺纹磨床主轴系统的热误差温度测点位置的最优化设计选择,并通过主轴热误差测量实验验证了所提出方法的有效性。     

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.