数控机床温度敏感点变动性及其影响

数控机床热误差补偿技术中的核心问题是建立能够反映机床温升与热误差之间的数学模型,其精度和稳健性则取决于模型自变量能否准确地反映机床温度场分布特性,即温度敏感点选择结果是否准确和稳定。通过对Leaderway-V450型数控加工中心主轴Z向的多批次空转数据进行分析发现,温度敏感点存在变动性特征,导致自变量间多重共线性程度发生变化,进而对模型的预测精度和稳健性产生严重影响。由于主成分回归算法具有消除自变量共线性影响作用,故提出采用该算法进行建模,并通过实际机床进行实践检验。结果表明,采用主成分回归算法建模,显著降低了温度敏感点变动性对模型预测精度的影响,能保证模型具有很好的预测精度和稳健性。     

数控机床热误差时间序列模型预测稳健性的提升

针对数控机床热误差建模应用的时间序列算法受严重多重共线性的影响存在预测稳健性不足的问题,提出一种提升时间序列预测稳健性的方法。该方法将时间序列算法与能够抑制多重共线性的建模算法相结合,从而既可通过在模型中加入温度滞后值来提供更全面的温度信息,又可对温度滞后值引入的更为严重的多重共线性进行处理。文中以时间序列算法中的分布滞后(DL)算法、共线性抑制算法中的主成分回归(PCR)算法为例,采用主成分分布滞后(PCDL)算法建立了机床热误差补偿模型,并将其与DL算法的预测精度和稳健性进行了比较。结果显示,PCDL算法因为抑制了多重共线性的影响,其模型预测精度和稳健性远优于DL模型,预测精度提升了约9μm。本文所述方法可为时间序列数据建模在不同领域内的应用提供参考。     

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。     

基于温度特征提取的数控机床热误差建模

在数控机床的热误差补偿技术中,机床温度信息的提取对改善机床的加工精度至关重要。首先对广泛使用的模糊聚类多元线性回归模型在变工况下的性能进行了试验,结果证明:试验工况变化后,该模型预测值失准。通过方差膨胀因子判断,这种现象是由模型自变量的复共线性引起。为了改进上述模型,提出了一种温度特征提取的建模方法,通过特征提取算法,提取模糊聚类优化测点的综合特征,从而得到综合特征自变量,最后利用综合自变量进行回归建模。试验表明,该方法有效消除了复共线性对模型预测精度和鲁棒性的影响,优化后的回归模型均方根误差在4μm以内,可有效预测76%以上误差,相较于其他方法表现出优良的预测性能,易于在其他机床热误差补偿中推广使用。     

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。     

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。     

磁流变阻尼器冲击载荷下动态响应峰值建模与分析

运用基于核函数变换的多元累加模型和偏最小二乘回归方法,建立了磁流变阻尼器在冲击载荷下的冲击力和冲击加速度的峰值关于冲击质量、冲击速度和输入电流三个影响因素的线性模型。模型的回归数据和预测数据与实验数据的比较结果证明,该动态模型不仅有较高的回归精度,而且有较好的稳健性。     

支持向量机在机床热误差建模补偿中的机理研究

针对数控机床热误差预测补偿功能,以Leaderway-V450数控机床为试验对象,通过跨季度的5批次数据,比对分析支持向量机(ε-SVR)和多元回归(MLR)两种建模方法的拟合和预测精度。研究得出,环境温度会对数控机床热误差预测模型产生干扰,模型拟合精度和预测精度在这种干扰下不具备等同性。线性ε-支持向量机在试验条件相近、环境温度接近的情况下鲁棒性较好,拟合精度、预测精度要高于多元回归算法,但当环境温度变化较大时,其预测精度较差。将跨季度环境温度条件下的数据进行综合建模,两种模型的预测精度均有所提高,但拟合精度优越的支持向量机算法建立的模型鲁棒性则低于传统的多元回归算法模型。     

生产计划与调度中的次年产量预测方法

针对生产计划与调度中次年产量预测误差较大的问题,提出一种基于动态改进多元线性回归模型的次年产量预测方法.多元线性回归模型将生产管理过程中的制造资源、人力投入、制造工艺、产品报废等生产全周期的影响因素作为建模变量,即将影响次年产量的相关因素尽可能多地包含在预测模型中,从而使模型的预测结果更接近实际产量.运用后推法,将建立的初始多元线性回归模型进行显著性辨别,剔除了对次年产量影响不显著的变量,建立了产量预测的改进多元线性回归模型,在此基础上进一步建立了动态改进多元线性回归模型.将该方法运用到某航空制造企业的次年产量预测中,通过对比模型预测产量和实际产量,证明了该模型在次年产量预测方面的实用性.     

一种分段在线支持向量回归算法

针对在线支持向量回归算法在提高时间序列预测执行效率的同时,其预测精度会有所下降的问题,提出一种分段在线支持向量回归的时间序列预测方法,通过缩减在线建模数据长度实现快速训练,并对在线支持向量回归模型进行分段存储,根据预测数据与子分段模型的匹配度,选取最优子分段模型预测输出,从而提高在线算法预测精度。通过对黑龙江移动通信话务量时间序列数据的实验结果表明,该算法既很好地保持了在线预测方法的运行效率,又通过分段使预测精度提高了5%～10%。     

Thermal Error Modeling Method with the Jamming of Temperature-Sensitive Points’ Volatility on CNC Machine Tools

Aiming at the deficiency of the robustness of thermal error compensation models of CNC machine tools, the mechanism of improving the models’ robustness is studied by regarding the Leaderway-V450 machining center as the object. Through the analysis of actual spindle air cutting experimental data on Leaderway-V450 machine, it is found that the temperature-sensitive points used for modeling is volatility, and this volatility directly leads to large changes on the collinear degree among modeling independent variables. Thus, the forecasting accuracy of multivariate regression model is severely affected, and the forecasting robustness becomes poor too. To overcome this effect, a modeling method of establishing thermal error models by using single temperature variable under the jamming of temperature-sensitive points’ volatility is put forward. According to the actual data of thermal error measured in different seasons, it is proved that the single temperature variable model can reduce the loss of forecasting accuracy resulted from the volatility of temperature-sensitive points, especially for the prediction of cross quarter data, the improvement of forecasting accuracy is about 5 μm or more. The purpose that improving the robustness of the thermal error models is realized, which can provide a reference for selecting the modeling independent variable in the application of thermal error compensation of CNC machine tools.     

Robustness of thermal error compensation modeling models of CNC machine tools

In order to achieve effective control of thermal error compensation of computer numerical control (CNC) machine tools, the prediction accuracy and robustness of the compensation model is particularly important. In this paper, the temperature of sensitive points and thermal error of the spindle in Z direction are measured. Using a combination of fuzzy clustering analysis and gray correlation method to select temperature-sensitive points and then using multiple linear regression of least squares and least absolute estimation methods, distributed lag model, and support vector regression machine to establish prediction models of the relationship between temperature of sensitive points and the thermal error. Also, the temperature values of sensitive points and the thermal error in the experimental conditions of different ambient temperatures and different spindle speeds are measured. By comparing the prediction accuracy of various prediction models under different experimental conditions verify the robustness of the models. Experimental results show that when the modeling data are less, the prediction accuracy of multiple linear regression of least squares and least absolute estimation methods and distributed lag model is declined, and their robustness are poor, while support vector regression model has good prediction accuracy and its robustness remains strong when changing the experimental conditions. However, when modeling data are rich, the prediction accuracy of various algorithms is improved, but the robustness of support vector regression model is volatile. The robustness analysis of different models provides a useful reference for the thermal error compensation model, selection of CNC machine tools, and has good engineering applications.     

基于LM-BP神经网络的非线性轮廓图优化方法研究

将正交试验设计理论与BP神经网络模型和Levenberg-Marquard算法相结合,提出了一种基于LM-BP神经网络模型的针对输出为非线性轮廓图响应的离线设计优化方法。并结合实例与传统的统计回归建模方法得出的优化结果进行了比较。结果表明基于LM-BP神经网络建模可以避免由于实验误差和试验设计方案所造成的模型系数估计误差,而与标准的BP算法比较,克服了标准BP算法性能不稳定、收敛速度慢、收敛精度低、存在局部最小值等缺点,具有极高的精确性,优化结果令人满意。     

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。     

用基于二值化规范梯度的跟踪学习检测算法高效跟踪目标

为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度,提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高了跟踪器准确度和鲁棒性;用BING算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,减少了检测器的检测范围,提高了检测的处理速度;将训练样本权重整合到在线学习过程中,改进级联分类器的分类准确度,解决了目标漂移问题。对不同的图片序列实验结果表明:本算法的跟踪正确率达85%,帧率达19.79frame/s。与原始TLD算法及其他主流跟踪算法相比较,该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。     

基于VMD和MRVM变负荷工况下的滚动轴承故障诊断

为了能够对变负荷工况下的轴承早期故障及损伤程度进行准确有效的诊断,提出了基于改进混沌果蝇优化算法的变分模态分解(variable mode decomposition,简称VMD)和基于嵌套一对一算法的多分类相关向量机(multi-class relevance vector machine,简称MRVM)的智能诊断模型。首先,使用改进混沌果蝇优化算法(improved chaotic fruit fly optimization algorithm,简称ICFOA)对VMD的本征模态函数(intrinsic mode function,简称IMF)个数和惩罚参数进行优化,搜索两个参数的最优组合值;其次,使用最优组合参数值对VMD算法的关键参数进行设定,并对已知的故障信号进行分解获得相应的IMF分量;然后,使用嵌套一对一算法构造高精度的多分类RVM学习模型,将IMF分量的二维边际谱熵值作为MRVM的输入特征向量;最后,使用不同载荷下的实验数据进行验证。实验结果表明,所提出的方法能够准确地对变载荷工况下的轴承故障进行诊断,其中轴承故障类型的诊断精度为100%,轴承故障程度的诊断精度为91.87%,诊断精度较高,鲁棒性强。     

四轮驱动电动汽车质心侧偏角与轮胎侧向力非线性鲁棒融合估计

针对四轮驱动电动汽车质心侧偏角和轮胎侧向力难以直接测量的问题,考虑系统未建模的动态特性、模型参数摄动、系统过程噪声及测量噪声等因素,提出了一种基于遗忘因子递归最小二乘法(FFRLS)与鲁棒容积卡尔曼滤波(RCKF)的联合估计方法。基于FFRLS法对整车质量进行实时估计,并将极大值背景下的估计误差最小化嵌入标准容积卡尔曼滤波(CKF)以实现RCKF,提出了联合估计算法的改进策略,有效提高了复杂工况下滤波对模型参数摄动以及未建模噪声的抗干扰能力,可以实现质心侧偏角与轮胎侧向力的精准估计。在CarSim/Simulink联合仿真环境下,采用不同工况验证了算法的准确性、鲁棒性和抗干扰性。在四轮驱动电动汽车实车平台上分析了算法的有效性。研究结果表明,所提方法比RCKF和CKF精度更高,解决了复合工况下四驱电动汽车质心侧偏角和轮胎侧向力的联合估计问题。