机床热误差建模技术研究及试验验证

针对机床热误差补偿技术中预测模型建立的问题,综合多元线性回归及BP神经网络的优点,提出一种机床热误差建模新方法。由不同样本数据建立若干多元线性回归模型,依据统计学理论筛选出预测精度及鲁棒性高的回归模型,预处理后将其结果输入到BP神经网络中进行非线性拟合建模,在不断调节网络权值及对神经网络训练的基础上,最终建立热误差补偿模型。在卧式加工中心上进行试验验证,主轴Z向最大热误差从17.895μm减小到1.654μm。     

基于模拟退火耦合粒子群算法优化BP神经网络的机床主轴热误差补偿研究

为了降低机床主轴运行产生的热误差,建立混合算法优化BP神经网络预测模型,通过实验验证预测精度。分析模拟退火算法和粒子群算法的不足,采用模拟退火算法耦合粒子群算法,给出混合算法寻优步骤。引用BP神经网络结构,构造机床主轴热误差预测模型,采用混合算法优化BP神经网络预测模型。采用实验验证主轴热误差预测精度,并与优化前进行比较和分析。结果显示:采用混合算法优化后的BP神经网络预测模型,其Y轴方向产生的最大误差值从7.3μm降低到2.3μm;而Z轴方向产生的最大误差值从7.5μm降低到2.6μm。同时,机床主轴整体误差波动幅度较小。采用混合算法优化BP神经网络预测模型,用于机床主轴热误差在线补偿,提高了加工精度。     

模糊神经网络在精密卧式加工中心热误差的预测

为了提高精密数控机床的加工精度,减少精密机床的热误差,文章提出了模糊神经网络径向热误差的建模方法。以数控加工中心关键点的温度和主轴径向的热变形量的关系为基础,应用模糊神经网络建模法,采用精密卧式加工中心主轴径向热误差的数据,对机床主轴热误差进行建模与预报。从数控机床主轴建模试验结果分析表明,模糊神经网络预测模型能够较为精准的对机床主轴径向热误差的做出预测,在实际应用中有利于提高机床的补偿精度,对数控机床热误差补偿提供参照。     

精密研抛数控机床几何误差与热误差复合建模及其补偿研究

为了提高精密研抛数控机床的加工精度,对研抛数控机床的几何误差与热误差进行了研究与分析,发现随着机床相关部件温度的不断升高直至热稳态,机床的定位误差也不断增加到稳态值,验证了几何误差和热误差是精密及超精密加工误差的主要来源。综合考虑了机床复合误差的不同特点并进行误差分离,提出了基于牛顿插值算法和最小二乘法的几何与热复合误差建模方法,依据复合误差模型进行补偿实验,补偿后机床冷态下定位误差值从3.5μm降至1.2μm,误差降低了65.7%,热稳态后定位误差值从12.2μm降至1.9μm,误差降低了84.4%,实验结果证明复合误差模型计算简单、预测精度高、具有较好的鲁棒性,为提高机床的加工精度提供了理论与实践依据。     

基于BP神经网络的机床热误差建模与分析

针对机床进给系统热误差,提出了一种复合预测方法。首先使用神经网络对丝杠热变形量进行建模,然后以多项式拟合法来求得平台轴向热误差y与丝杠实际热变形量x之间的关系,建立平台轴向热误差预测模型,称作"两步法"。两步法与BP神经网络直接预测平台轴向热误差的方法(直接法)分别对实验进行预测,将两方法预测结果与实测平台轴向热误差对比。结果表明,实验过程中行程发生变化时,直接法预测得到的热误差残差在-5.4～6.6μm间波动,两步法预测得到的热误差残差在-3.1～2.2μm内波动,两步法预测精度比直接法高了约126%,有较强的工程应用价值。     

基于热传递函数的机床主轴热关键点辨识方法

针对机床热误差补偿技术中热态特性建模与热关键点辨识困难问题,提出一套较完善的主轴热态特性建模方法与热关键点快速辨识技术。考虑主轴系统温度与热变形等因素,建立主轴热态特性分析模型,结果表明:模型预测值与某精密卧式加工中心的热误差实测量值之间的误差均在20%以内,说明了所提建模方法的正确性。将模型输出结果用于主轴热关键点辨识,根据12个测点的热传递函数值筛选出6个热关键点;利用6个关键点的数据,基于BP神经网络建立一种主轴热误差预测模型;对比BP神经网络预测的输出值与热态特性模型的输出值,结果表明:最大误差为-0.060 36μm、最大相对误差为-0.200 6%,验证了所提热关键点辨识方法的有效性。     

精密加工中心直线轴复合误差建模研究北大核心

为提高精密机床加工精度,针对直线轴几何误差与热误差两类重要误差项进行分析,并提出一种复合定位误差建模方法。首先对两端固定式丝杠进给系统的热误差机制进行分析,建立正弦函数误差表达式,利用有限元法提取丝杠表面温度并作为输入量代入到热误差模型中。利用切比雪夫多项式建立静态几何误差预测模型。将两模型叠加,得到复合定位误差模型。对精密加工中心直线轴进行检测实验,实验值与预测模型对比后发现预测精度达到85%以上,验证了复合误差模型具有较高的预测精度,为直线轴定位误差补偿提供了参考。     

基于MEA-NARX神经网络主轴热误差建模

为了有效提高基于非线性时间序列的热误差预测模型精度,利用F统计检验确定模糊C均值聚类的聚类数目,结合不同量纲一化处理的灰色关联分析排序筛选出关键温度测点,建立基于NARX神经网络的热误差预测模型,通过设置输入延时阶数、输出延时阶数和隐含层神经元个数的范围,利用思维进化算法对输入、输出延时阶数和隐含层神经元个数进行寻优,与随机选取参数的NARX神经网络预测模型相比,模型预测精度提高了36.98%。     

基于BAS-BP模型的在机测量系统误差白化建模北大核心

为了提高数控机床在机测量系统的测量精度,建立精确的、多因素影响下的单项误差白化模型,分析了在机测量系统单项误差的变化特点,提出一种BAS-BP建模方法,优化神经网络的权值和阈值,以空间位置和速度两种影响因素作为输入进行建模。以X轴5项几何误差为例,进行多元回归、BP和BAS-BP神经网络预测建模效果比较。实验结果表明,应用BAS-BP神经网络的预测建模精度最高,均方误差最大仅为0.7153μm。且能实现多因素影响下的几何误差白化建模,更适用于在机测量系统误差精确建模和后续的误差补偿。     

基于模糊C均值聚类法和多元线性回归理论的铣床热误差研究

为了降低铣床主轴旋转受温度影响而产生的位移变形量,提高铣床对零件的加工精度,采用了模糊C均值聚类法和多元线性回归理论对铣床主轴的热误差进行建模,实现铣床主轴加工误差值最小化;分析了模糊C均值聚类法筛选最优值的迭代过程,对铣床上不同位置的测量温度值进行分组,筛选出每组的最优温度值;采用多元线性回归理论,对铣床热误差理论预测模型进行了推导,通过实验验证多元线性回归理论所创建的热误差预测模型。实验结果表明:补偿前,铣床主轴Y方向和Z方向受温度影响产生的热误差最大值分别为45.0μm和28.0μm;补偿后铣床主轴Y方向和Z方向受温度影响产生的热误差最大值分别为3.2μm和3.8μm,误差范围都在4μm以内。采用模糊C均值聚类法和多元线性回归理论对铣床热误差进行补偿,铣床主轴运转受温度影响所产生的误差明显降低,从而提高了主轴定位精度。     

基于SSA-BP的电主轴热误差优化建模

为解决某加工中心电主轴的热误差补偿问题，建立预测精度高、鲁棒性强的热误差补偿模型。搭建实验台，利用美国雄狮回转误差分析仪采集电主轴的温度场和热误差数据。介绍麻雀搜索算法(SSA)原理、具体优化流程。采用SSA优化BP神经网络的权值和阈值，建立SSA-BP神经网络预测模型。与之前建立的BP神经网络预测模型相比，优化后预测效果更优，为电主轴热误差建模提供新的思路。     

基于神经网络系统的滚珠丝杠热误差建模

在追求高精度加工的现代数控系统中,热误差的消除具有重要的意义.文章首先简述了神经网络系统的特性及训练方法,成功地将神经网络模型应用于对数控机床直线进给系统的热误差进行建模,并取得了预期的成果,使最大预测误差降低到2μm,为进一步的热误差补偿奠定了基础.详细阐述了实际建模流程,根据训练数据的具体特征提出了一种新的数据预处理方法,使这些数据能更有效地应用于模型训练,是论文的一个创新点.     

具有丝杠热误差补偿功能的在线检测软件的开发

文章结合丝杠热变形的非线性等特点,采用径向基函数神经网络方法建立丝杠热变形误差模型.同时基于Windows平台开发了相应的补偿软件,该软件可以同时对机床几何误差与主轴、丝杠热误差进行补偿,有效地提高了在线检测精度.软件系统在MAKINO立式加工中心上进行了实验验证,补偿效果明显.     

五轴数控机床非线性误差建模及补偿方法

针对五轴数控机床后置处理中由于平动轴和旋转轴的联动产生的非线性误差,提出一种基于误差建模的非线性误差在线预测与补偿方法.根据任意两个相邻刀位数据点产生的非线性误差,获得误差的分布特征,建立起误差分布模型;利用最小二乘法求解出非线性误差的数学表达式,经与误差许用值相比较来确定新的刀位点,从而实现非线性误差的在线预测及补偿...     

基于改进模糊聚类和最大信息系数的数控机床温度测点选取北大核心

在加工过程中,机床会因热变形而产生误差,这将严重影响加工精度。减少加工过程的热误差是提高加工精度的有效途径,而确定关键温度测点不仅能提高计算效率,还可避免温度数据间复共线性问题,提高热误差模型的预测精度。提出基于改进模糊聚类和最大信息系数(MIC)的温度测点选择方法,通过改进模糊聚类对温度测点进行分类;根据MIC方法选择每类温度数据中的关键温度测点;使用BP神经网络对热误差进行建模。结果表明:与传统温度测点选择方法相比,利用所提方法改进的热误差模型精度更高。     

基于支持向量机的机械加工误差预测与补偿模型的研究

对加工系统进行补偿是提高机械加工精度的有效手段.通过对加工系统的研究,建立误差预测模型,是进行误差补偿的必要途径.本文以镗孔加工为实验对象,提出了基于支持向量机(Suport Vector Machine,SVM)的加工系统误差预测模型,实验结果显示,支持向量机可以应用于误差预测建模,且在系统误差的预测精度上高于基于径向基(RBF)神经网络的误差预测模型.     

数控机床热变形误差超前预测研究

针对当前数控机床热变形误差实施补偿存在的预测值滞后实际补偿值问题，提出基于长短期记忆(LSTM)神经网络算法热误差超前预测解决方案，详细探讨LSTM神经网络算法的解析流程，建立基于LSTM神经网络算法热误差超前预测模型，并进行关键温测点及热变形误差超前预测实验。实验结果表明：热变形误差实际值与预测值的最大残差、平均值和均方差均在可控范围内，超前预测的准确度为86.3%，进一步论证了机床热变形误差超前预测的有效性。     

基于梯度提升树的回转体测量系统误差补偿

为提升回转体内径测量系统的测量精度,解决测量误差补偿问题,提出一种基于梯度提升树(GBDT)的回转体测量系统误差补偿方法。以自主研制的回转体内径测量机为研究对象,首先分析了其主要误差来源,然后测量标准件得到训练样本和测试样本,分别使用训练样本和测试样本对测量系统误差进行建模和补偿,最后与BP神经网络模型进行对比试验。结果表明,基于梯度提升树的测量误差补偿方法具有更好的补偿效果和稳定性,能有效提高测量的精度,使测量误差从4.7μm减小至1.2μm,误差减少了74.5%,具有工程应用价值。     

Apriori算法及神经网络在数控机床中应用研究

数控机床加工精度受到机床零部件、外部环境等因素的影响，从而需要添加适当的补偿参数确保加工精度的稳定性，另外，不同车床不同时刻的补偿参数实时变化。为此，提出一种基于关联规则及神经网络方法的智能误差补偿模型。以实际生产中产生的数据集为基础，通过Apriori算法对数据集进行筛选；对各个特征值与补偿参数进行归一化处理，以提高数据的收敛速度；利用神经网络模型为不同情形下的车床搜寻最佳补偿参数模型，从而构建起最佳的智能误差补偿模型；经过智能误差补偿后,对生产的物件进行图像识别，分析其是否符合精度要求。仿真测试结果表明:针对训练集数据和测试集数据，车床稳定性分别提高了0.695和0.713。实测结果显示:利用上述方法，对30个产品进行雕刻，精度均符合要求。因此，智能误差补偿模型能够提高车床加工稳定性，提升产品合格率。