基于逐步回归的机床温度测点优化及热误差建模技术

通过对机床温度测点进行优化,建立其与机床热误差之间的数学模型,对机床热误差进行实时预测与补偿控制,是提高数控机床加工精度的重要途径。为解决现有机床热误差模型预测精度低、鲁棒性差的问题,提出一种基于逐步回归的数控机床温度测点优化方法。通过偏F统计量的检验,在初步建立的回归模型中逐个引入新变量,剔除不显著的老变量,实现温度测点的优化布置,获得数控机床热误差的最优回归模型。将该方法应用于某数控机床,结果表明,基于逐步回归的机床热误差模型,所用温度变量最少,且预测精度最高。     

基于Fisher最优分割法的机床热关键点优化研究

利用温度测点建立热误差模型时,测点的选取直接影响到模型的精度.采用一种最优化分段方法——Fisher最优分割法,以试验采集到的原始数据作为分析数据,通过计算分类的直径、比较各类中的误差函数,对机床测点变量进行分类,经过对各类中温度变量与热误差之间相关系数的计算,获得用于热误差建模的热关键点,从而完成测点优化.利用多元线性回归方法对其优化出的测点建立热误差模型,与采用变量分组优化选出的温度测点建立的热误差模型进行比较,结果说明Fisher最优分割法可行、实用性强.     

基于互信息法和改进模糊聚类的机床热关键点优化研究

基于热误差模型进行机床热误差补偿是保证数控机床加工精度的一种有效方法,温度测点的布置和辨识会直接影响热误差建模的精确性和鲁棒性。本文提出一种互信息和改进模糊聚类法相结合的机床热关键点优化方法。以机床不同位置处的多个测点温度值及工件热变形作为分析数据,通过计算温度变量与热变形之间的平均互信息量,获得其综合关联度矩阵,确定二者之间的相关性后初选温度变量。根据改进模糊聚类法、F统计量和复判定系数对初选的温测点进行聚类,并结合温度变量与热变形之间的综合关联度值提取机床热关键点,从而实现测点优化。将基于该方法所得到的热误差模型与采用变量分组优化法获得的热误差模型进行比较,结果显示采用该方法进行热误差建模,机床X轴和Y轴的热变形预测精度得到显著提高,有利于改善加工精度。     

基于互信息法和改进模糊聚类的温度测点优化

基于热误差模型进行机床热误差补偿是保证数控机床加工精度的一种有效方法,温度测点的布置和辨识会直接影响热误差建模的精确性和鲁棒性。本文提出一种互信息和改进模糊聚类法相结合的机床热关键点优化方法。以机床不同位置处的多个测点温度值及工件热变形作为分析数据,通过计算温度变量与热变形之间的平均互信息量,获得其综合关联度矩阵,确定二者之间的相关性后初选温度变量。根据改进模糊聚类法、F统计量和复判定系数对初选的温测点进行聚类,并结合温度变量与热变形之间的综合关联度值提取机床热关键点,从而实现测点优化。将基于该方法所得到的热误差模型与采用变量分组优化法获得的热误差模型进行比较,结果显示采用该方法进行热误差建模,机床X轴和Y轴的热变形预测精度得到显著提高,有利于改善加工精度。     

基于灰色关联和模糊聚类的机床温度测点优化

针对机床热误差补偿技术中温度测点优化选择的问题,提出采用基于灰色关联分析和模糊聚类分析相结合的方法对机床温度测点进行优化选择。采用灰色关联分析法计算温度变量与主轴热误差之间的相关系数,并据此优选温度变量,采用模糊聚类分析法对所选择的温度变量进行聚类,确定关键温度变量,结合关键温度变量建立热误差线性回归模型。在精密卧式加工中心MCH63上对该方法进行了试验验证,结果表明,温度测点的数量由29个减少到6个,机床轴向热误差由41.3μm减小到7.6μm。     

基于粒子群优化灰色神经网络的机床主轴热误差建模

主轴热误差是影响机床精度的主要因素,建立准确的主轴热误差模型是进行机床误差补偿的关键。研究了温度测点优化和神经网络建模的方法,给出了粒子群优化灰色神经网络建模的流程。开展了主轴热误差热特性试验,得到了主轴热变形随主轴转速的变化规律。基于粒子群优化灰色神经网络建立了主轴轴向伸长和俯仰角热误差模型,并与灰色神经网络和BP网络的预测性能进行了对比,结果表明该模型可有效提高网络模型的收敛性和预测精度。     

基于有序聚类的机床热误差测点优化

温度测点的选择直接影响数控机床热误差补偿模型的性能。考虑到温度有序传递的特点,提出了有序聚类测点优化的方法。以试验数据为基础,计算类直径并比较目标误差函数;然后对温度变量分类,确定最佳分类数;通过计算热误差和温度之间的相关系数,确定最优测点。采用定位误差分解建模法结合选取的最优测点建立热误差预测模型,分别与模糊聚类和变量分组测点优化建立的模型进行比较,试验结果表明,有序聚类测点优化法精度较高,具有一定的应用前景。     

基于加权灰关联分析的加工中心热误差测点分布优化研究

基于加权灰色关联分析理论提出加工中心热误差温度测点分布的选择优化建模方法.该方法首先给出加权灰关联模型,然后根据温度测点与热误差数据建立数据序列之间的灰色关联度矩阵,对温度测点按主要部件进行分类,从每一类中选择关联度相对大的测点作为关键温度测点,测点数量由16个减至5个.应用该方法建立加工中心热误差预测模型,结果表明建立的模型能够避免温度测点之间相互耦合的影响,模型精度与鲁棒性均得到较大提高.     

基于偏相关分析的数控机床温度布点优化及其热误差建模

提出了一种基于偏相关分析的数控机床温度布点优化方法。数控机床热误差建模一般采用多元线性回归方法,该方法中由于自变量之间的相互作用,各自变量与因变量之间的相互关系不再与简单相关系数所反映的情况完全吻合。使用偏相关分析对温度变量进行优化选择,实现了温度测点优化布置,并建立了数控机床热误差的多元线性回归优化模型,提高了热误差模型的精确性和鲁棒性。     

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。     

数控机床温度敏感点变动性及其影响

数控机床热误差补偿技术中的核心问题是建立能够反映机床温升与热误差之间的数学模型,其精度和稳健性则取决于模型自变量能否准确地反映机床温度场分布特性,即温度敏感点选择结果是否准确和稳定。通过对Leaderway-V450型数控加工中心主轴Z向的多批次空转数据进行分析发现,温度敏感点存在变动性特征,导致自变量间多重共线性程度发生变化,进而对模型的预测精度和稳健性产生严重影响。由于主成分回归算法具有消除自变量共线性影响作用,故提出采用该算法进行建模,并通过实际机床进行实践检验。结果表明,采用主成分回归算法建模,显著降低了温度敏感点变动性对模型预测精度的影响,能保证模型具有很好的预测精度和稳健性。     

Application of ACO-BPN to thermal error modeling of NC machine tool

Thermal errors are the major contributor to the dimensional errors of a workpiece in precision machining. Error compensation technique is a cost-effective way to reduce thermal errors. Accurate modeling of errors is a prerequisite of error compensation. In this paper, four key temperature points of a NC machine tool were obtained based on clustering method. A thermal error model based on the four key temperature points was proposed by using ant colony algorithm-based back propagation neural network (ACO-BPN). The ACO-BPN method improves the prediction accuracy of thermal deformation in the NC machine tool. A thermal error compensation system was developed based on the proposed model, and which has been applied to the NC machine tool in daily production. The results show that the thermal drift in workpiece diameter has been reduced from 33 to 8 μm from its center of tolerance.     

数控机床热变形模型中测温点的优化选择研究

在数控机床热误差控制补偿技术中,合理选择温度变量,是建立补偿模型的关键所在。先采用模糊聚类对温度变量进行分组,然后根据温度变量与热变形的相关性在每组中选择典型的温度变量,最后根据回归分析中经过修正的相关系数选择测温点。以XH718数控机床为实验对象,结果表明,此方法既能减少测温点,又能保证模型精度。     

数控机床热误差特性分析

对数控机床在主轴空转和实切状态下的热误差特性进行了比对分析。利用模糊聚类和F统计量确定了最佳的分类及分类阈值,根据温度与热误差之间的灰色关联度确定出温度敏感点,进而建立补偿模型。对实验结果的分析表明,温度敏感点在两种状态下是动态变化的,不同状态下的补偿模型并不通用;实际生产中的热误差补偿应优选实切状态下的热误差模型。     

精密加工中心热误差检测与温度测点优化

以卧式加工中心MCH63为研究对象,首先利用研制的温度和热误差检测系统测量了加工中心的温度场和热误差。然后基于变量分组优化的基本原理,引入修正的相关系数,确立了X、Y、Z三个方向用于建模的温度变量。最后通过RBF网络模型对该温度测点选择方法进行了验证。结果表明,该方法既能减少温度测点数量,又能保证模型的预测精度。     

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。     

Application of synthetic grey correlation theory on thermal point optimization for machine tool thermal error compensation

This paper presents two new methods to optimize the selection of minimum number of thermal sensors for machine tool thermal error compensation. The two methods, namely, direct criterion method and indirect grouping method, are based on the synthetic grey correlation theory. They are applied to analyze the data of an air cutting experiment on a CNC turning center. After optimization, the number of thermal points reduced from 16 to four. Thus, for machine tool thermal error modeling, the number of temperature variables is greatly reduced while coupling problems among temperature variables can be avoided. A real cutting experiment is then conducted to verify the efficiency of the presented optimization methods under practical manufacturing conditions. The comparison of the results between the model with all 16 thermal sensors and the model with four optimized thermal sensors indicates that, after optimization, the model accuracy is greatly improved.     

龙门机床进给系统热误差模型测点优化

为了解决温度测点数量和测点间复共线性对龙门机床热误差模型精度和鲁棒性的影响,提出了一种测点综合优化方法。首先,采用模糊聚类法和相关性分析筛选出对热误差影响较大的关键点,达到优化测点数量的目的；然后采用特征提取法得到预测模型的自变量,特征提取消除了复共线性对预测模型精度和鲁棒性的影响。在一台龙门精密镗铣加工中心上实验验证,结果表明：本文提出的测点综合优化法优于自适应模糊聚类热关键点优化,采用该方法进行误差预测模型关键点优化可有效提高模型精度和鲁棒性。