基于BP神经网络的电主轴热误差补偿模型

热误差是影响高精度数控机床加工精度的主要的误差因素.文章主要论述了利用BP神经网络来建立CX8075车铣复合加工中心电主轴热误差补偿模型的建模的过程,以两组不同的数据,分别进行的训练和预测,经过在软件MATLAB中的模拟测试,通过BP神经网络建立的电主轴热误差补偿模型具备了较高的拟合和预测精度.分析结果表明,电主轴的原始热误差值与模型计算的输出结果的值非常接近,最低补偿率可达90％以上,这代表运用该BP神经网络模型能够补偿大部分的热变形误差.     

车间多机床热误差补偿技术研究

针对车间多机床热误差补偿问题,提出了一种温度分布式采集、集中式建模计算的方法。下位机终端以STM32F1为核心,实现机床敏感点温度采集、补偿值数控系统交换等;上位机服务系统采用.NET平台AForge框架开发,并基于机床特性构建相应的粒子群优化BP神经网络热误差模型,实现了异构机床的集中热误差补偿计算。通过无线路由器及WDS无线桥接功能模块,扩展无线网络空间范围,热误差补偿终端与上位机服务基于Modbus TCP协议通信。通过功能测试及性能验证,上下位机系统工作稳定,具有良好灵活性及扩展性,有效简化了车间多机床的热误差补偿过程。     

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。     

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。     

基于模拟退火遗传算法优化BP网络的数控机床温度布点优化及热误差建模

在热误差建模中,温度测点的优化选择至关重要。提出了运用相关性方法,分析测点温度与主轴热漂移之间的关系,找到相关性较高的测点位置,实现温度布点的优化选择。在此基础上采用模拟退火遗传算法（ GSA）优化BP神经网络的方法建立热误差模型,并通过实验验证。结果表明：优化的热误差模型能够跳出局部最优而达到全局最优解,得到的误差模型拟合值更加接近实测误差值;基于GSA优化的BP网络模型较传统的神经网络模型有较高的精度及更强鲁棒性。     

机床热误差补偿群控系统研究

为提高热误差补偿精度和实现热误差补偿群控,提出了一种车间机床热误差补偿群控方法,采用分布式采集、补偿控制以及集中式建模计算,有效提高了采集端的扩展性,充分利用了服务端的高性能。基于CAN总线,构建了机床状态信息采集平台,结合PSO-BP神经网络进行了热误差建模研究,开发了热误差补偿群控系统,开展了机床状态信息采集监控及误差补偿实验。实验结果表明:该系统具有较好的扩展性,适应多类型机床信息采集与交互;热误差补偿群控模型有效提高了机床定位精度,具有较好的工程应用前景。     

耳轴式回转工作台热变形误差补偿研究

针对五轴加工中心直驱回转工作台热变形导致加工误差的问题,以耳轴式回转工作台虚拟样机为对象进行热变形补偿研究。基于R型聚类分析与热误差敏感度理论对温度测点进行优化选取,在降低测点数的同时保留了温升与热变形的对应关系信息。借助MATLAB建立BP神经网络误差预测模型,通过采集工作台特定测点的温度预测台面中心点的热变形位移量,得到误差拟合曲线与补偿残差。优化网络结构,得到最佳的隐含层节点数,提高模型的预测精度。研究结果可为五轴加工中心热变形误差补偿与BP网络的优化设计提供参考。     

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。     

数控机床主轴的神经网络热评价模型研究

热误差作为影响机床加工精度的重要因素之一,严重制约着机床加工精度的提高。而主轴是数控机床的关键功能部件,对其进行热特性研究对提高机床的加工精度具有重要的意义。将同一类型、不同使用年限的机床主轴温度值和热变形值作为评价指标,建立数控机床主轴的神经网络热评价模型;针对BP神经网络易陷入局部最优值、收敛速度慢等问题,采用粒子群优化（PSO）算法优化加权朴素贝叶斯（WNB）的初始权值,获取权值全局最优解,构建了粒子群优化加权朴素贝叶斯机床主轴热评价模型,实现对机床主轴热特性的评价。MATLAB仿真结果表明：PSO-WNB模型精度为941%,收敛速度快,预测精度高,优于BP神经网络,为数控机床热特性评价提供了新思路。     

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。     

Computer-aided accuracy enhancement for multi-axis CNC machine tool

A computer-aided error compensation scheme has been developed to enhance the accuracy of multi-axis CNC machine tools by compensating for machine geometric and thermal errors in software way. Stationary geometric errors including the coupling effect of linkage errors between machine slides are calibrated off line. Dynamic thermal errors are predicted on line by an artificial neural network model. Because machine errors are variant with the cutting time and slide positions, a PC based compensation controller has been developed to upgrade commercial CNC controllers for real-time error compensation. The real-time compensation capability is achieved by digital I/0 communication between the compensation controller and CNC controller without the need of any hardware modification to the machine servo-drive loops. The compensation scheme implemented on a horizontal machining center has been proven to improve the machine accuracy by one order of magnitude using a laser interferometer and cutting test.     

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。     

机床热误差非线性组合预测模型研究

在精密及超精密加工过程中,数控机床热误差是影响加工精度的一项重要误差源,最经济和有效地减少热误差的方法是热误差补偿技术。针对热误差补偿预测模型的预测精度问题,提出一种非线性组合预测模型。该预测模型利用灰色关联度方法对单项预测模型进行筛选,对筛选出的单项预测模型基于不同优化准则进行线性组合,通过广义回归神经网络对该线性组合模型进行非线性组合,得到非线性组合预测模型。误差预测结果表明:对比典型的BP神经网络预测模型,非线性组合预测模型的预测精度更高,最大误差由4.78μm减小到0.7μm。     

机床热变形及热误差优化研究

为减少热变形对精密加工精度影响,对夏冬两季节机床主轴箱上温升和热变形及环境温度的影响进行了测试分析,并采用BP神经网络模型化的Volterra级数非线性系统实现热误差建模。分析结果表明：夏天环境温度受主轴箱散热影响而温度迅速升高;冬季机床散热较快,主轴箱上温升比较明显,环境温度几乎不变;同一台机床在夏季和冬季的热变形规律相似而变形量稍有不同。通过实验验证了该模型具有预测精度高的优点,为数控机床热误差实时补偿提供了参考。     

数控车床热误差实时补偿研究

热误差是数控加工中的主要误差源之一,对零件加工精度有非常大的影响。对数控车床热误差进行补偿可以有效地提高机床的加工精度。在数控车床的加工过程中,采用铂电阻温度传感器对数控加工中关键点的温度进行实时测量,再配合线性回归理论建立数控车床的热误差模型。最后根据热误差模型对数控车床的加工误差进行实时补偿,经验证该技术是可靠有效的。     

数控机床主轴热误差的数据驱动模型研究

当实际工况与建模工况存在差异时,传统的热误差模型往往表现出较差的鲁棒性和预测精度,主要原因在于建模数据的局限性和模型的未建模动态。为了改善上述状况,提出了一种基于数据驱动的数控机床主轴补偿模型。此模型采用无模型自适应控制算法建模,结合机床运行中生成的数据(温度数据和误差数据)对热误差模型进行实时修正,使模型能快速适应新的加工工况,从而提高模型的鲁棒性。在一台数控车床主轴上进行了试验验证,结果表明:无模型自适应控制与多元回归模型比较,其标准差、最大残差和误差平方和分别提高了41%、62%和56%,此模型的鲁棒性和预测效果好。同时,此方法为大数据在机床主轴热误差补偿中的应用奠定了基础。     

滑枕综合热补偿研究

新设计的滑枕热伸长补偿机构消除了滑枕达到热平衡之前因热变形造成的瞬态热误差。通过试验,测出机床达到热平衡后主轴的温度误差和机床对应的温度场,并利用最小二乘法拟合出该误差和温度值之间的数学模型,将数学模型输入数控系统中进行机床主轴的稳态热补偿,即温度误差补偿。这两种热补偿相结合的方式进一步提高了机床的加工精度,保证了数控龙门柔性生产线各种零件的加工精度要求。     

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.     

The improvement of thermal error modeling and compensation on machine tools by CMAC neural network

In this paper, a cerebellar model articulation controller (CMAC) neural network is proposed for thermal error modeling in machine tools. The CMAC is a systematic learning algorithm which can search for the nonlinear and interaction characteristics between the thermal errors and temperature field on the machine tools. The CMAC is investigated in terms of accuracy in prediction, robustness to sensor placement, speed of learning, and tolerance to sensor failures. Experimental measurements of the spindle drift errors for both a horizontal machining center and a CNC turning center were performed using capacitance sensors and thermal sensors. Results show that the CMAC model has better performance than other modeling methods in robustness to sensor placement and speed of learning. This makes determination of the sensor locations easier, and reduces calibration time. In addition, a sensor failure detection algorithm is developed to provide better reliability.     

神经网络PID控制的液压驱动主动升沉补偿预测控制研究

为了提高船舶在海面上作业时补偿精度,采用BP神经网络PID控制方法,并对船舶升沉运动输出误差进行仿真。建立船舶主动升沉补偿系统简图,分析船舶升沉运动工作原理,给出液压缸驱动传递函数。引用BP神经网络算法,采用梯度下降法对BP神经网络加权值进行修正,通过学习速率来补偿控制系统输出误差,从而实现PID控制器参数在线调节。在受到不同负载影响状况下,采用MATLAB软件对船舶升沉运动补偿精度进行仿真,并且与PID控制补偿精度进行对比。结果表明:采用PID控制器,船舶升沉运动输出误差较大,控制系统反应速度较慢;而采用BP神经网络PID控制器,船舶升沉运动输出误差较小,控制系统反应速度较快,同时,随着负载质量的增加,输出误差就会增大。采用BP神经网络PID控制系统,响应速度快,补偿精度高,提高了船舶在海面上作业定位精度。