基于支持向量回归机的精密数控平台热误差建模与补偿研究

为了提高数控机床的加工精度,文章以精密四轴数控平台为研究对象,采用PT100、激光干涉仪等仪器对X、Z轴的温度、定位误差进行测量与分析,研究精密四轴数控平台定位误差与温度之间的变化规律。运用支持向量回归机建立X、Z轴的热误差模型,利用网格搜索法对支持向量回归机热误差模型进行参数寻优,确定惩罚参数c和核函数参数g的最优参数值。在热平衡状态下,根据BP神经网络、支持向量回归机热误差模型分别计算出X、Z轴定位误差的预测值与测量值对比曲线,对比曲线和数据分析表明支持向量回归机的预测精度较高,其X、Z轴拟合偏差带宽均不超过0.6μm。依据支持向量回归机热误差模型的预测数据进行补偿实验,数控平台X轴的定位误差降低了89.55%,Z轴定位误差降低了85.67%。实验结果证明支持向量回归机建模方法具有较高的预测精度、泛化能力、补偿精度和鲁棒性。     

基于GA-SVR的数控机床热误差建模

为了提高数控机床加工精度,消除数控机床热误差对加工精度的影响,文章提出了基于GA-SVR(遗传算法-支持向量回归机)的数控机床热误差建模方法.为了构建机床的热误差模型,首先采用温度传感器与位置传感器测量机床的温度与对应的机床主轴变形量.其次把获得的数据进行支持向量回归机建模训练,同时使用遗传算法寻找支持向量回归机相关参数的最优值.最后建立机床热误差模型,并验证模型的准确度.结果表明,基于GA-SVR的数控机床热误差建模方法具有精度高和鲁棒性强的特点.     

基于最小二乘支持向量机的精密数控机床热误差建模与补偿研究

为了减小热误差对数控机床加工精度的影响,以自主研制的五轴精密数控机床为研究对象,得出定位误差与温度之间的变化规律。运用最小二乘支持向量机(LS-SVM)建立Y轴的热误差模型,并对LS-SVM模型进行参数寻优。根据LS-SVM模型计算出移动轴热平衡状态下定位误差的预测值与测量值对比曲线,通过分析发现LS-SVM热误差模型性能较好,其拟合偏差带宽较窄,均方差较小。依据LS-SVM模型进行定位误差补偿实验,误差降低了87. 3%。实验结果证明最小二乘支持向量机建模方法具有较高的预测精度、补偿精度。     

基于GA-LSSVR的铣削加工变形预测

为了解决传统预测方法铣削加工变形预测精度低等问题,文章提出基于遗传算法优化最小二乘支持向量回归法( GA-LSSVR)的铣削加工变形预测方法,首先,提出了基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测原理,其中通过遗传算法优化最小二乘支持向量回归模型参数,以获取高性能的最小二乘支持向量回归模型.实验结果表明,基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测精度高于支持向量机.     

基于加权支持向量机的热轧带钢弯曲质量预测

针对带钢弯曲质量预测时因样本的误判率不平衡而导致质量预测误差较大、异常检出率较低的问题,引入了决策函数中的少数类样本支持向量所占的权重系数μ,建立了基于改进权重系数的加权支持向量机(μ+SVM)的热轧带钢弯曲质量预测分析模型。结果表明:通过比较其与随机采样+支持向量机方法、人工合成数据+支持向量机方法的预测结果,验证了μ+SVM支持向量机方法的优越性。采用支持向量机方法得到的最小误判率为0.32,标准差为0.38,更加符合实际检测需求。     

基于支持向量机钛合金铣削力预测分析

钛合金材料广泛应用于各个领域,其材料在加工过程中受铣削力影响易于产生变形而影响加工质量,为此需对铣削力进行预测分析。针对实际加工工程中铣削力函数不能显式表示的问题,提出一种基于支持向量机铣削力模型预测的方法。利用正交试验设计选取合适的设计参数样本点建立铣削力预测模型,并获得预测值与实验值的拟合曲线,试验值通过有限元建模获得,分别对预测值与试验值结果进行误差率及显著性检验分析。为验证支持向量机方法的有效性,建立BP神经网络模型对试验值预测。与BP神经网络模型预测比较,结果显示支持向量机模型预测的结果更能精确预测。     

基于支持向量机的端面磨削淬硬效果预测

提出了一种基于支持向量机(SVM)的磨削淬硬效果预测方法,利用试验测得的淬硬硬度和淬硬层深度数据建立SVM预测模型,并将预测结果和模糊神经网络法结果进行对比分析。结果表明,采用SVM方法进行磨削淬硬效果预测是可行的,与试验值相比,其预测误差均在5%以内,精度较高,且预测效果优于BP神经网络的预测效果。     

基于支持向量机的加工误差预测建模方法研究

误差补偿是提高机械加工精度的有效途径,其中误差的建模是关键.在分析现有加工误差预测技术不足的基础上,提出基于支持向量机的加工误差回归建模和预测方法,并对实际应用中的问题进行了分析和总结.通过实例验证及与其它建模方法的对比,表明该方法具有优良的预测性能,为加工误差预测提供了一种新的可行方法.     

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.     

数控机床热误差补偿模型的应用

为提高机床加工精度,研究并选择最佳模型对立式加工中心主轴热误差进行补偿。以KVC650E立式加工中心为实验对象,根据秋季数据对主轴热误差建立了多元线性回归、神经网络和支持向量机模型;将同一台机床和另一台同类型机床所测得的冬季数据分别代入3种模型计算各模型补偿精度;根据3种模型的精度变化规律比较三者的精确性、鲁棒性和通用性。实验结果表明:3种模型都有各自的优势,但支持向量机模型能在不同的环境温度和机床条件下保证较高的精度,综合性能最好。     

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。     

基于支持向量机的蠕墨铸铁表面粗糙度预测

目的准确预测蠕墨铸铁加工过程中的表面质量,指导加工参数调整,保证加工过程中加工质量的稳定,运用差分进化算法优化的SVM模型(DE-SVM)构建蠕墨铸铁表面粗糙度(Ra)预测模型和加工参数选择方法。方法采用DE-SVM提高支持向量机回归模型的预测精度,建立针对实际加工材料的表面粗糙度预测模型,基于构建的预测模型,挖掘表面粗糙度与加工参数之间的关系,从而获得较优的加工参数。结果结合蠕墨铸铁的铣削加工实验数据,对比DE-SVM与常用优化算法(粒子群优化算法(PSO)和遗传算法(GA))优化的SVM模型,DE-SVM模型获得的MAPE(0.122)和R2(0.9559)值均优于粒子群和遗传算法优化的支持向量模型获得MAPE和R2值。在给定的加工参数范围内,切削速度和进给速度对表面粗糙度的影响较大,且表面粗糙度与切削速度成正比关系,与进给速度成反比,而切削深度对表面粗糙度影响不显著。结论由实验的对比结果可知,采用DE-SVM模型建立的蠕墨铸铁表面粗糙度模型具有更高的预测精度,基于DE-SVM获得的加工参数对表面粗糙度的影响,可有效指导加工参数的选择与调整,对保持蠕墨铸铁优良的加工质量具有较好的指导意义。     

基于多体系统理论的数控机床加工精度几何误差预测模型

针对多轴联动数控机床加工精度误差补偿问题,从分析数控机床误差产生机制和建立精度误差补偿模型的角度,提出基于多体系统理论的数控机床加工精度几何误差预测模型。分析B-A摆头五轴龙门数控机床的拓扑结构关系、低序体阵列、各典型体坐标变换,推导出B-A摆头五轴龙门数控机床的精度几何误差预测函数模型。采用平动轴十二线法误差参数辨识算法,计算出B-A摆头五轴数控机床21项空间几何误差,为精度几何误差预测函数提供有效的误差参数。该精度误差参数建模方法,对不同结构和运动关系的数控机床具有通用性,为后续数控机床误差动态实时补偿提高切削加工精度提供了理论基础。     

机床稳健性温度敏感点选择及热误差建模

针对VMC1165B立式加工中心,进行机床热特性及温度场分析,基于试验数据,避免进行热机制分析和计算温度场边界条件。采用模糊聚类结合Pearson相关系数法选出4个稳健性温度敏感点建立热误差模型,验证模型预测性能,并与模糊聚类结合灰色关联度选出的非稳健性温度敏感点热误差预测模型对比。结果表明：稳健性温度敏感点热误差预测模型的机床 X 向最大残差下降了25.44%, Y 向最大残差、平均绝对误差和均方差分别下降了25%、23.03%和33.25%。     

立式加工中心空间误差验证及补偿

为提高某立式加工中心整机加工精度,借助旋量理论建立完备立式加工中心空间误差模型,在此基础上实现机床空间误差有效补偿.以旋量理论为基础推导并建立机床刀具运动链与工件运动链运动学正解,分析机床21项几何误差原理,在考虑21项几何误差的基础上建立该立式加工中心完备空间误差模型;利用九线法完成各项几何误差辨识;基于旋量运动学正解求解机床运动学逆解后得出运动轴实际运动路径,并通过体对角线实验对比补偿前后的效果.结果表明:所提补偿方法补偿效果显著,验证了机床空间误差模型的准确性,实现了提高机床加工精度的目的.     

数控机床热误差建模及预测方法分析

热误差作为制约数控机床加工精度的关键因素,在重型数控机床上表现得尤为明显。以重型落地镗铣床为例,根据热误差测量试验数据,分析重型数控机床温度场特性,并基于兼顾相关系数和欧式距离的系统聚类准则,对温度测点系统进行优化,以减小温度测点间共线性。通过优化温度测点,采用多元线性回归分析,建立重型数控机床热误差预测模型。由现场试验可知,建立的热误差预测模型可将均方根误差控制在10μm以内,有效地提高了热误差预测精度。     

基于ARIMA 和SVR 的滚动轴承状态预测方法研究

滚动轴承作为多种机械设备的关键零件,其运行状态的好坏往往影响着整机设备的运行状况,因此高精度的滚动轴承状态预测对整机设备的运行状态有着重要的意义。针对滚动轴承单一预测模型精度较差的问题,构建一种基于时间序列ARIMA和支持向量回归机SVR理论的组合预测模型。首先针对单一模型进行预测,应用误差平方和倒数法得到两种预测模型的权重结果,最终将该组合模型的预测结果分别与单一预测模型作比对分析。结果表明：该组合预测模型的预测误差均小于单一模型,具有较高的可靠性。     

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。     

A thermal error model for large machine tools that considers environmental thermal hysteresis effects

Environmental temperature has an enormous influence on large machine tools with regards to thermal deformation, which is different from the effect on ordinary-sized machine tools. The thermal deformation has hysteresis effects due to environmental temperature, and the hysteresis time fluctuates with seasonal weather. This paper focused on the hysteresis nonlinear characteristic, analyzing the thermal effect caused by external heat sources. Fourier synthesis, time series analysis and the Newton cooling law were combined to build a time-varying analytical model between environmental temperature and the corresponding thermal error for a large machine tool. A multiple linear regression model based on the least squares principle was used to model the internal heat source effects simultaneously. The two models were united to make up a synthetic thermal error prediction model called the environmental temperature consideration prediction model (ETCP model). A series of experiments were performed using a large gantry type machine tool to verify the accuracy and efficiency of the predicted model under random environments, random times and random machining conditions throughout an entire year. The proposed model showed high robustness and universality, with over 85% thermal error, with up to 0.2 mm was predicted. The mathematical model was easily integrated into the NC system and could greatly reduce the thermal error of large machine tools under ordinary workshop conditions, especially for long-period cycle machining.