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。     

基于LIBSVM的数控机床热误差建模研究

通过建立数控机床热误差补偿的数学模型是实现机床热误差修正和提高机床精度的有效措施.本文以CL-20A数控车床主轴热变形为实验对象,在大量实验数据的基础上,利用逐步回归分析法找出机床温度敏感点,并采用基于MATLAB平台的支持向量机算法来建立车床主轴热误差数学模型.实验结果表明,所建立的模型能精确把握机床主轴热变形的规律和趋势,对于预测机床主轴热变形,实现实时热补偿具有实用价值.     

基于PSOPPR的数控机床热误差建模

针对数控机床热误差受多因素影响,变化复杂,常用模型难以精确模拟的特点,提出一种基于粒子群优化算法的投影寻踪回归模型(PSOPPR)。该投影寻踪回归模型将数控机床多处温度作为自变量,热误差作为因变量,通过一个投影方向将多处温度投影到一个方向上,然后与热误差进行正交Her-mite多项式回归拟合,同时使用一种利用随机排序法处理约束问题的粒子群优化算法用于寻找最佳投影。以某数控车床为例,同粒子群优化的BP网络相比较,该方法可以获得更高模拟精度,是一种有效的建模方法。     

机床主轴热误差建模

在测量机床关键部件温度和主轴热误差的基础上,用逐步回归方法建立了多元线性回归模型,并介绍了温度变量的选择。为机床的设计与制造提供了参考依据,也为机床的误差补偿提供了模型。     

基于BP神经网络数控机床热误差建模的研究

热误差是影响数控机床加工的最大误差因素。采用变惯性因子粒子群算法优化BP神经网络的权值和阈值的方法对数控机床进行热误差建模,不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且精度相对较高,可以很好的提高BP网络的学习能力与泛化能力。仿真实验表明,变惯性因子PSOBP优化模型性能优于BP网络和标准PSOBP算法优化模型。     

数控机床主轴热误差及优化策略研究

数控机床具有非常高的加工精度与加工效率,是机械制造行业不可或缺的重要设施。数控机床在运行过程中,主轴位置会产生大量的热量,导致数控机床加工精度降低,为此,必须要尽可能消除主轴热误差。主轴热能主要来源于外部环境以及机床本身热能,其中电动机发热与轴承发热产生的热能难以有效去除,需要分析发热缘由并计算热量大小。为了有效控制主轴热误差,可以从改进结构并增强温度控制水平、额外增加热源与自身热能相平衡、构建热误差-温升模型三个方面进行。     

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。     

数控机床主轴热误差及其改善措施

数控机床精度受热误差影响较大,要想提高数控机床的加工精度,就必须严格控制热误差。数控机床中,电主轴是主要的热源,其热变形所导致的热误差将直接影响整个机床的性能发挥。现代生产中,数控机床主轴的热误差改善,是现代精密工程研究中的热点和重点问题。本文对数控机床主轴热误差进行了相关探讨,提出了几点改善措施,希望能够对相关工作人员有所助益。     

数控机床热误差建模及补偿研究

数控机床的热误差是影响机床精度的关键因素,因此需要对其进行预测和补偿。首先通过多工况下的定位误差测量和进给轴测量点的温度监测,分析了进给轴温度场和热误差的分布变化特征;利用多元线性回归表征温度变化与进给轴膨胀率的定量关系从而完成热误差的预测建模,针对三轴数控立式铣床进行了热误差补偿。实验结果显示:基于修正的最小二乘法的热误差参考点预测模型更符合实际工况,与补偿前相比机床进给轴的精度提升了47.5%。     

国内数控机床热误差建模研究现状

数控机床的热误差是机床加工中最重要的影响因素,建立热误差数学模型可以有效控制热误差。近10年来热误差建模研究在我国发展很快,对这一领域的国内研究现状进行总结。主要介绍了基于最小二乘法(LS)的拟合建模、基于人工神经网络(ANN)模型建模、基于灰色系统理论建模和回归模型法;全面分析了各种建模方法的优缺点,并对今后的发展方向进行了展望。     

基于动态自适应LS-SVM的数控机床热误差建模研究

热误差是造成切削加工工件精度低的重要因素,研究机床热误差是提高加工精度的有效措施。为此,综合考虑最小二乘法(LS)、支持向量机(SVM)和动态自适应算法的优势情况下,提出了一种基于动态自适应LS-SVM的数控机床热误差建模方法。为构建热误差模型,以数控机床XK713进行试验,通过温度和位移传感器分别获取机床温度值与主轴变形量,同时通过动态自适应算法,参数能够被优化,以及对所采集的数据进行最小二乘支持向量机建模,从而可得该数控铣床热误差模型。通过与LS热误差建模方法进行对比分析,结果表明:所提出的热误差模型的精度远优于LS模型。该方法为机床热误差建模的研究和应用奠定了基础。     

精密数控车床主轴热误差建模

开展了精密数控车床主轴系统热误差补偿的实验与建模方法的研究。建立了精密数控车床主轴系统轴向与径向偏转热误差补偿模型以增强其误差补偿能力,并提高机床加工精度。构建了主轴系统热误差测试平台,应用五点法测试主轴系统热误差,使用热电偶与红外热像仪测量主轴系统温升关键点温度变化数据,应用灰色综合关联分析法实现温度敏感测点辨识。构建了基于粒子滤波重采样粒子群算法的热误差预测模型,对模型预测效果进行评价。结果表明:基于粒子滤波重采样粒子群热误差补偿模型得到的轴向热误差预测残差为-1.29μm~1.55μm,建模精度为95.04%;y向热偏转误差预测残差为-4.68×10~(-6°)~9.66×10~(-6°),建模精度为91.26%;z向热偏转误差预测残差为-5.83×10~(-6°)~8.59×10~(-6°),建模精度为93.24%。实验结果证明该热误差补偿模型具有较高的预测精度,具有较强的工程应用价值。     

基于改进LSSVM算法的数控机床热误差建模研究

为了提高数控机床热误差的预测精度,提出了基于改进最小二乘支持向量机和预测误差校正相结合的方法。首先引入提升小波分解原始数据克服数控机床误差的耦合性;然后采用最小二乘支持向量机对分解后的信号做预测,接着用误差校正方式修正预测结果;最后通过实验数据对比分析得到,基于提升小波的最小二乘支持向量机(LWT-LSSVM)法比最小二乘支持向量机(LSSVM)法的建模预测精度高8.51%,证明此建模方法有效可行。     

数控机床热误差建模与补偿

数控机床热变形误差对零件加工精度有重大影响。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要点有三:其一是数据采样,用不同传感器测量机床关键点的温度与机床主轴变形量。其二是数据训练,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。其三是数据建模,建立机床热误差模型,并验证模型的准确度。仿真及实验结果表明,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。并依此算法建立了以DSP和A/D为核心的热误差补差补偿器。     

数控机床热误差补偿建模方法

通过ＮＣ系统用软件方法补偿热误差是抵消热变形的有效方法,多输入多输出模型可以用于建立机床热行为数学模型。文章介绍了神经网络和多元线性回归方法,可用来建立大型数控铣床的热变形数学模型。试验和计算表明,这两种多变量模型能够预报大部分的热变形误差。     

基于模糊RBF神经网络的数控机床热误差建模

将模糊技术与RBF神经网络相结合并应用于机床热误差建模中,构建了基于模糊RBF神经网络的数控机床热误差模型;以某龙门导轨磨床主轴箱系统为实例,将模糊RBF神经网络建模方法运用到主轴箱系统热误差建模当中。通过与BP神经网络建模方法进行对比,验证了模糊RBF神经网络建模方法无论是在建模效率、建模鲁棒性还是模型的补偿效果方面均优于传统的BP神经网络建模方法,该方法对提高数控机床加工精度具有重要的意义。     

基于神经模糊控制理论的数控机床热误差建模

将基于神经模糊控制理论的建模方法--模糊神经网络建模法应用到数控机床热误差建模当中,讨论了热误差模糊神经网络的结构及建模原理;对大型数控龙门导轨磨床主轴箱系统进行建模试验,采用非接触式红外温度测量仪和千分表分别测量主轴箱系统温度值与主轴热误差,得到两组独立的试验数据,一组用来建立主轴箱系统热误差模糊神经网络预报模型,另一组用来对模型进行验证。试验结果表明,模糊神经网络模型预测精度高,泛化能力强;将模糊神经网络建模方法与径向基函数神经网络建模方法进行综合对比,分析结果表明,模糊神经网络建模方法具有更好的建模效率、建模鲁棒性及预测性能。     

基于统一框架的数控机床热误差建模方法

为了克服独立筛选关键温度点再进行热误差建模破坏其内在联系从而降低热误差模型预测性能的问题,提出了一种统一框架下同时筛选关键温度点和热误差建模的方法。采用最小二乘支持向量机作为基本热误差模型,将温度点的选择状态和模型超参数作为优化变量,采用二进制鲸鱼优化算法进行寻优,并综合考虑最大化预测精度和最小化关键温度点个数设计损失函数。以一台卧式加工中心为例,进行热误差实验,利用所提方法在10折交叉验证模式下筛选出了最优关键温度点,将其个数从20减少到了3,并同时获得了模型最优超参数。最后,与传统独立方式进行了对比分析,结果表明利用所提建模方法热误差预测精度最高提高约62.8%,验证了其有效性和优越性,为后续热误差补偿实施提供了参考。     

主轴热误差的数值建模分析

数控机床逐渐向高精度、高速度、精密化、智能化方向发展。机床的精度直接影响了工件的加工精度。以测量加工中心主轴系统的温度场和热误差数据为基础,采用五点法测量了加工中心主轴系统的温度场和热误差数据,用偏最小二乘回归方法建立了两者的多元线性回归模型,并对各个测温点的温度变化与主轴热误差之间的量化关系进行了定性研究。经研究分析,该模型具有较强的预测能力和较为理想的精度,可以满足加工中心热误差实时补偿的需要,也可作为机床设计和制造的参考依据。