压电执行器的Bouc-Wen模型在线参数辨识

现有的定参数Bouc-Wen模型由于无法表征压电执行器迟滞具有的频移和时变性,极易产生较大的模拟误差。为了精确地模拟压电执行器的迟滞特性,本文建立了压电执行器的Bouc-Wen模型,并采用递推最小二乘在线辨识方法来实时辨识Bouc-Wen模型的参数。为了避免出现数据饱和现象,使用限定记忆来限定辨识方法所使用的数据组数。为验证该辨识方法的有效性,建立了相应的实验系统对其进行实验验证。实验结果表明,限定记忆递推最小二乘在线辨识方法能使Bouc-Wen模型也呈现频移和时变特性。以100 Hz的驱动电压为例,其最大绝对模拟误差从1.38μm降为0.51μm。因此,与传统的离线参数辨识方法相比,限定记忆递推最小二乘在线辨识方法能够有效地提高Bouc-Wen模型的模拟精度。     

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。     

基于指数函数的机床主轴热误差补偿模型

在对机床主轴进行热特性分析的基础上,建立了基于指数函数的机床主轴轴向热误差补偿模型。该热误差补偿模型建模时间短、资金成本低,能够方便快捷地应用到工厂生产环境中。通过实验获得不同转速下的主轴轴向热变形数据。使用回归分析和最小二乘法建立了稳定状态下主轴轴向变形量和时间常数的估计方程,进而建立了基于指数函数的热误差补偿模型。该模型可以预测不同转速下主轴的轴向变形量。通过实验证明了该热补偿模型在机床主轴恒速运转和变速运转两种工况下均具有较高的精度。     

数控机床热误差的动态自适应加权最小二乘支持矢量机建模方法

为消除数控机床热误差对加工精度的影响,提出基于动态自适应加权最小二乘支持矢量机的数控机床热误差建模方法.为构建机床热误差模型,对一台XK713数控铣床进行建模试验,采用智能温度传感器与激光位移传感器分别获取机床温度值与主轴变形量.运用动态自适应算法,优化选择建模过程中的参数;对采样数据进行初始最小二乘支持矢量机建模,根据误差变量确定权重系数,得到基于加权最小二乘支持矢量机的数控铣床热误差模型.试验结果表明,基于动态自适应最小二乘支持矢量机的数控机床热误差建模方法精度高,泛化能力强,优于未加权最小二乘支持矢量机方法与传统最小二乘法.获得的模型可用于数控机床热误差补偿,以提高数控机床的加工精度.     

基于OE-CM算法的机床主轴热误差建模与补偿分析

针对机床热误差建模过程中,误差信息不透明、数据特性不全面等不利因素,根据机床主轴热误差实验数据,分别采用GM(1,n) 模型和最小二乘支持向量机(LS-SVM)模型建立主轴热误差预测模型并进行线性叠加,然后采用预测有效度算法调整模型加权系数,建立了最优有效度复合预测模型（OE-CM）以获取最佳预测效果。在VXC-560型三轴数控机床上进行在线实验建模,实验结果表明：OE-CM具有预测精度高、鲁棒性好等特点,整体预测效果优于灰色GM(1,n)模型和LS-SVM模型,适合在复杂工况条件下对机床主轴热误差进行预测和补偿,为提高机床热误差补偿精度建立了理论模型。为了验证该预测模型的有效性,对所研究的机床主轴进行热误差在线补偿,机床主轴Z向最大误差从23.8μm减小到8μm,减幅达到66.4%,较好地提高了机床精度,具有一定的工程化推广前景。     

挖掘臂动力学参数与液压缸摩擦力参数辨识

建立了挖掘臂单关节动力学模型及液压缸驱动力模型,将模型中的未知动力学参数及非线性摩擦力参数线性化表示。利用测量的系统压力及角度信息,分别采用带遗忘因子的递推最小二乘法及递推增广最小二乘法对系统参数进行辨识。对辨识所得的两个模型进行仿真,与实际系统对比分析结果表明,辨识模型能很好地逼近实际系统。误差对比分析结果表明:递推增广最小二乘法比带遗忘因子的递推最小二乘法误差减小约28%,对系统噪声有更好的鲁棒性。     

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。     

基于在线最小二乘支持向量机的数控机床热误差建模与补偿

为消除数控机床热误差对加工精度的影响,提出了基于在线最小二乘支持向量机的数控机床热误差建模方法。为构建机床热误差模型,进行了建模实验,采用智能温度传感器与激光位移传感器分别测量机床温度值与主轴热变形量。将获得的数据进行在线最小二乘支持向量机建模训练,构建机床热误差模型。在根据模型得出误差预测值的同时,可以不断根据在线输入的新数据修正热误差模型本身,运算时间短,适用于在线建模。实验结果表明,基于在线最小二乘支持向量机的数控机床热误差建模方法具有精度高、鲁棒性强和计算时间短的特点。在此基础上,根据在线模型进行热误差补差,可有效消除机床热误差影响,提高数控机床的加工精度。     

基于分布式最小二乘法的锂离子电池建模及参数辨识

精确的锂离子电池模型对于电池状态的准确估计以及电动汽车整车的仿真、设计与优化具有至关重要的意义。然而,传统的递推最小二乘方法应用于电池这类多时间尺度系统时,会出现模型参数辨识精度低、建模效果差等问题。为此,以锂离子电池二阶RC等效电路模型为研究对象,提出一种基于分布式最小二乘的模型辨识参数方法。此方法根据电池不同时间尺度可以分离的特性,将电池模型细分为两个子模型分别进行辨识,避免了待估参数的相互干扰,因而能够取得更好的参数估计效果。试验结果表明,相比传统的递推最小二乘辨识方法,提出的方法在UDDS和FUDS工况下能够将平均绝对误差分别降低约50.00%和28.57%,均方根误差分别减小约46.43%和29.17%,验证了所提方法的有效性和可行性。     

基于集成BP神经网络的数控机床主轴热误差建模

为了解决单一BP神经网络模型预测性能不稳定的问题,提出一种集成BP神经网络的数控机床主轴热误差建模方法。采用模糊c均值聚类法筛选温度敏感点,消除了冗余温度变量间的多重共线性。从机器学习的角度出发,分别采用平均法、中位数法和普通最小二乘法将几种具有弱预测性能的典型BP神经网络模型进行集成。以THM6380卧式加工中心为研究对象进行了主轴热误差实验,热误差预测性能分析结果表明,集成模型的预测精度和泛化能力优于单一BP神经网络模型,为机床主轴热误差建模及后续热误差补偿提供了新的思路。     

Spindle Thermal Error Optimization Modeling of a Five-axis Machine Tool

Aiming at the problem of low machining accuracy and uncontrollable thermal errors of NC machine tools, spindle thermal error measurement, modeling and compensation of a two turntable five-axis machine tool are researched. Measurement experiment of heat sources and thermal errors are carried out, and GRA(grey relational analysis) method is introduced into the selection of temperature variables used for thermal error modeling. In order to analyze the influence of different heat sources on spindle thermal errors, an ANN(artificial neural network) model is presented, and ABC(artificial bee colony) algorithm is introduced to train the link weights of ANN, a new ABCNN(Artificial bee colony-based neural network) modeling method is proposed and used in the prediction of spindle thermal errors. In order to test the prediction performance of ABC-NN model, an experiment system is developed, the prediction results of LSR(least squares regression), ANN and ABC-NN are compared with the measurement results of spindle thermal errors. Experiment results show that the prediction accuracy of ABC-NN model is higher than LSR and ANN, and the residual error is smaller than 3 lm, the new modeling method is feasible. The proposed research provides instruction to compensate thermal errors and improve machining accuracy of NC machine tools.     

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。     

变工况下基于迁移学习融合域内对齐的机床主轴热误差模型

热误差建模和补偿是提高机床加工精度的重要手段。 将得到的热误差模型应用到类似或相近任务中,对减少模型构建 和数据收集的成本具有重要意义。 本文提出了一种简易迁移学习(EasyTL)融合域内对齐的主轴热误差建模方法,以实现不同 工况下误差模型的迁移复用。 建立基于域内对齐和距离矩阵全组合择优的热误差迁移模型参数选取方法,获得最优组合。 进 一步分析不同类型的域内对齐和距离矩阵各自对模型迁移性能的影响。 最后,将迁移模型与 kNN 典型机器学习模型和卷积神 经网络深度模型进行比较验证,分别预测不同工况下主轴 Z 向和 Y 向的热误差。 此外,根据预测的主轴热误差进行工件补偿 加工实验。 该方法为热误差建模及补偿提供了一种新思路。     

Thermal error modeling of machine tool based on fuzzy c-means cluster analysis and minimal-resource allocating networks

Thermal deformation in machine tools is one of the most significant causes of machining errors. A new approach to predict the thermal error of machine tool is proposed. The temperature variables and the thermal errors are measured using the Pt-100 thermal resistances and eddy current sensors respectively. Fuzzy c-means clustering method is conducted to identify the temperatures, and the representative as an independent variable are selected meanwhile it eliminates the coupling among the variables. The learning and prediction of the thermal errors is achieved using minimal-resource allocating networks by treating the issue as functional mapping between the thermal shifts and the temperature variables. The network is made to predict the error map of a machining center. A traditional radial basis function model is introduced for comparison. The experiment result shows that the fuzzy c-means clustering method and minimal-resource allocating networks combination is a fast and accurate method for thermal error compensation in machine tools.     

数控机床全误差模型和误差补偿技术的研究

加工精度是数控机床必须保证的一项性能指标。提高机床精度是先进制造技术的重要课题，有误差避免和误差补偿两种方法。前者使机床造价大幅上升，而且精度的提高也有一定的限度。后者的精度提高几乎没有限制，对数控机床，计算机实时误差补偿技术是一种经济、有效的基本途径。基于多体系统理论，推导了多坐标数控机床，包含几何误差和热误差的全误差模型。文中介绍了坐标数控机床项误差的辨识方法(22线、14线和9线法)，还介绍了回转坐标6项误差的辨识方法。通过软件补偿，在3坐标联动和4坐标联动数控机床上实现了几何误差和热误差的补偿。实践结果表明误差模型的准确性和补偿方法的实用性。     

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。     

双转台五轴机床空间误差补偿技术研究

几何误差、热误差和切削力误差占到了机床总误差的75%,对这3项误差进行控制是提高机床加工精度的关键所在。以双转台五轴机床的空间误差作为研究对象,通过对加工位置、主要热源及电动机电流等相关因素进行分析,确定空间误差建模所需的位移变量、温度变量和切削力变量。以现有的多种误差建模方法为基础,通过对信息融合技术进行研究,提出一种机床空间误差的多模型融合预测方法,建立综合反映几何误差、热误差和切削力误差的最优空间误差模型。最后以DSP为核心,设计空间误差补偿器,实施空间误差补偿,验证补偿效果。结果显示,建立的模型预测精度较高,残差小于2μm,而实施空间误差补偿后,加工零件的轮廓误差也由15μm降到了5μm,补偿效果明显。     

基于遗传算法优化小波神经网络数控机床热误差建模

数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。     

数控机床工作台误差综合补偿方法研究

针对由几何误差与热误差引起的数控机床工作台与主轴之间相对位置变动的问题,通过试验分析其在不同温度状态下的误差数据,得到机床工作台平面度误差随热变形保持不变的规律,并提出了一种数控机床工作台平面度误差与主轴热误差的综合补偿方法。该方法通过分别建立工作台平面度误差模型和热误差模型,并运用叠加原理建立综合误差补偿模型,对传统固定单位置点建模补偿方法的原理性缺陷进行了改进。结合机床关键部件的实时温度值和刀具位置的实时坐标值,计算出了全工作台各区域各温度阶段的误差补偿值,进而实现了全工作台主轴轴向综合误差的实时补偿。检验及分析结果表明,相比于传统固定单位置点热误差建模补偿方法,该方法所建模型残余标准差减小约7μm,精度提高比例达到50%;单次最大补偿残差减小约11μm,精度提高比例达到60%,大幅度提高了机床的加工精度。     

灰色系统模型在机床热误差建模中的应用

提出了采用灰色系统模型进行机床热误差建模的基本原理及方法，以及其在机床热误差补偿建模中的应用。论述了如何利用实测的热误差序列，通过对全数据GM（1，1）模型、新信息GM（1，1）模型和新陈代谢GM（1，1）模型进行机床热误差建模和预报，得出了新陈代谢GM（1，1）模型是机床热误差补偿建模最理想模型的结论。