双转台五轴数控机床主轴热误差测量与建模

为了测量数控机床实际切削加工过程中主轴的热误差,并优化热误差模型的输出,提出利用热测试件测量机床主轴热误差的方法,并利用误差特性分离出热误差。针对机床热误差建模中温度测点优化选择的问题,提出基于K-means++算法和相关系数法相结合的方法选取温度敏感点,采用K-means++算法对所有温度测点进行聚类,相关系数法计算各个温度变量与主轴热误差之间的相关性,从而确定温度敏感点,结合分离出的热误差建立主轴热误差多元线性回归模型。在VMC-C50双转台五轴数控机床上对该方法进行试验验证,结果表明,温度测点的数量由8个减少为2个,模型的预测精度及鲁棒性得到有效提升。     

基于通信质量约束的主轴热监测无线传感器布点优化

引入信息论和图论的相关方法,采用互信息量来描述测点温度与主轴热变形的相关性.通过图论中的邻接矩阵来表示无线传感器间的通信路径,利用Warshall算法判断图的连通性,得到传感器间的通信可达性,从而保证测点选择满足通信可靠性约束条件.采用人工鱼群算法求解在该约束条件下的大规模组合优化问题,在合理的时间耗费内得到可选测点组合的优化解.在数控机床主轴热误差建模实验中,通过有、无约束条件2种情况下的建模实验验证了该传感器方法的有效性     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

基于灰色模糊聚类和LS-SVM加工中心的热误差补偿模型

为实现数控机床热误差的补偿,提出了基于灰色综合关联度的灰色-模糊聚类算法和最小二乘支持向量机（LS-SVM）对数控机床热误差元素进行优化建模的方法.该方法通过计算各温度测点和热误差数据间的灰色综合关联度,确定灰色相似矩阵,并利用最大树法,得到基于不同水平的聚类结果形成的谱系图,从而确定关键测温点,再利用最小二乘支持向量机方法构建数控机床热误差补偿模型.以MDV-55立式精密加工中心为实验对象进行建模补偿,结果表明,该方法不仅减少了温度传感器的数量,而且机床的加工精度也得到了显著改善.     

基于粗糙集与偏相关分析的机床热误差温度测点约简

为了合理减少温度测点数量并有效提高温度数据采集与分析的效率,提出了一种基于粗糙集与偏相关分析相结合的温度测点约简方法。首先,利用偏相关分析的方法建立了温度变量与主轴热误差之间的偏相关系数,并以此为依据辨识了主要的敏感温度变量。然后,在基于粗糙集理论获取的可行温度测点组合基础上,筛选出包含敏感温度变量最多及偏相关度高的温度测点组合。最后,建立了热误差线性回归模型,并在某型号数控机床上进行验证与分析。结果表明：温度传感器测点可由22个减少到6个,在很大程度上提高了热误差模型的精确性和鲁棒性。     

基于投影追踪回归的机床热误差建模技术

针对机床热误差建模温度变量多、非线性度高的问题,提出了一种基于投影追踪回归的建立数控机床热误差模型的新方法。与传统的回归建模方法相比,该方法具有模型简单、计算简便的优点。将该方法应用于一台数控车床的实验研究,建立了该车床的热误差模型。实验结果表明,新方法能够大幅提高所建模型的精度及鲁棒性,进而提高机床的加工精度。     

嵌入式数控机床热误差补偿装置设计与实现

为减少热误差对数控机床加工精度的影响,针对华中数控HNC-848型数控系统机床设计了一种嵌入式热误差补偿装置。该装置采用基于STM32+FPGA的嵌入式系统设计方法,实现机床温度数据获取、热误差建模、热误差补偿执行等功能。利用采集的前2 160组优化后机床测温点数据在STM32处理器内进行多元线性回归热误差建模,后2 160组优化后数据进行热误差预测。测试结果表明该装置热误差预测效果良好。通过在机床数控系统编写补偿子程序,利用该热误差补偿装置,实现了热误差实时补偿功能。     

基于最小二乘支持向量机的数控机床热误差预测

为实现数控机床热误差的补偿控制,提出基于最小二乘支持向量机进行数控机床热误差建模预测的方法.根据最小二乘支持向量机回归预测的原理,优化选择最小二乘支持向量机参数,对数控车床热误差进行最小二乘支持向量机建模.通过测量数控车床主轴温升值与主轴热变形量,将获得的数据进行最小二乘支持向量机建模训练,以建立机床热误差预测模型.实验结果表明,该模型能有效描述热动态误差,与最小二乘法建模进行比较,结果显示,基于最小二乘支持向量机的数控机床热误差预测模型精度高、泛化能力强;采用最小二乘支持向量机得到的预测模型可用于数控机床热误差实时补偿,以提高机床的加工精度.     

数控车床主轴热误差SHO–LSTM预测建模

在高精度加工过程中,数控机床主轴误差对加工精度的影响较为严重。数控机床热误差占总误差比例高达40%～70%,是主要的误差源之一。为了提高热误差预测的精度,本文提出一种使用海马优化算法（SHO）优化时序预测网络（LSTM）的精密车床主轴热误差预测建模方法。首先,利用羚羊优化算法（GOA）对模糊C均值聚类（FCM）的模糊矩阵常数、最大迭代次数、迭代终止条件进行优化并结合皮尔逊（Person）、斯皮尔曼（Spearman）和肯德尔（Kendall）相关分析方法优化温度测点,使用手肘法确定最优分组规模,根据DB(Davies–Bouldin)、BWP(Bregman Within–class Projection)和Silhouette(Silhouette coefficient)聚类评估指标评估温度测点聚类效果。其次,以车床主轴五点法获取的热误差数据和优化后的温度数据作为输入,使用海马优化算法（SHO）对时序预测网络（LSTM）的隐含层节点、全连接层节点、学习率、L2正则化常数进行优化,并使用S折交叉试验方法确定最优分组规模,建立主轴热误差SHO–LSTM预测模型。再次,在不同转速下对构建...     

数控车床主轴热误差SHO-LSTM预测建模

在高精度加工过程中,数控机床主轴误差对加工精度的影响较为严重。数控机床热误差占总误差比例高达40%~70%,是主要的误差源之一。为了提高热误差预测的精度,提出了一种使用海马优化算法(SHO)优化时序预测网络(LSTM)的精密车床主轴热误差预测建模方法。首先,利用羚羊优化算法(GOA)对模糊C均值聚类(FCM)的模糊矩阵常数、最大迭代次数、迭代终止条件进行优化并结合Person、Spearman和Kendall相关分析方法优化温度测点,使用手肘法确定最优分组规模。根据DB、BWP和Silhouette聚类评估指标评估温度测点聚类效果。其次,以车床主轴五点法获取的热误差数据和优化后的温度数据作为输入,使用SHO对LSTM的隐含层节点、全连接层节点、学习率、L2正则化常数进行优化,并使用S折交叉试验方法确定最优分组规模,建立主轴热误差SHO-LSTM预测模型。再次,在不同转速下对构建的热误差模型进行基于平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE的预测效果进行评估。最后在CKA6163A型车床上进行实例验证,使用五点法进行测量辨识,同时测量主轴附近的温度。实验结果表明：所提出的温度测点优化算法相比未优化的模糊C均值聚类(FCM)的DB指标降低了89%,BWP和Silhouette分别提高了59%和8.17%,对比结果表明优化后的聚类算法可有效降低温度测点间的共线性,提高预测模型的预测效率。所提出的海马优化算法(SHO)优化时序预测网络(LSTM)与未优化的时序预测网络(LSTM)相比,所提出的预测网络的均方根误差RMSE降低了42%,表明海马优化算法(SHO)可以提高时序预测网络(LSTM)的准确性;与天鹰(AO)优化卷积神经网络(CNN)相比,所提出的预测网络的均方根误差RMSE降低了3%;与反向传播神经网络(BP)相比,所提出的预测网络的均方根误差RMSE降低了57%,对比结果表明SHO-LSTM主轴热误差预测模型的鲁棒性和准确性更高。     

基于新陈代谢原理的机床热误差伪滞后建模

为了建立预测精度高、泛化性能强的热误差预测模型,提出了一种基于新陈代谢原理的热误差伪滞后预测模型.通过实验研究发现了机床的伪滞后现象,并假设热误差是前一时刻关键点的温升及热误差共同作用的结果,求解出了机床的热关键点及典型工况下的热误差平均滞后时间.并利用遗传算法优化了最小二乘支持向量机的结构参数,基于新陈代谢原理对热误差进行迭代求解,从而建立了机床的热误差伪滞后预测模型.通过对比不同预测模型的预测结果,证明了假设的正确性,并且考虑伪滞后效应的预测模型的预测精度更高、泛化性能更好,能将不同转速的热误差降低90%以上.     

精密数控机床多主轴系统热平衡试验

对现有的精密数控机床主轴系统进行常规工况实验和空运转实验,提出一种数控机床热平衡试验方法,通过该实验方法可以获得数控机床主轴系统的热敏感点、温度场数据和热位移场数据以及热平衡时间等热态特性,以校验理论仿真分析,并建立误差模型,从而实现对主轴系统热特性的快速校核与加工误差补偿.在具有3个独立磨头主轴系统的直线滚动导轨精密曲面成形数控磨床上,开展多主轴系统热平衡试验方法的具体案例研究,获得了其中两个理论上相同的立式磨头的主轴系统温升变化曲线、热变形变化曲线和热平衡时间等不同的热态特性,论证了多主轴热平衡实验对于消除多主轴机床差异性上的重要性,弥补了多轴系统热态特性分析在理论上分析的不足.通过将热平衡试验获得多主轴系统的热态特性结果用于指导热误差补偿工作,减小了机床热误差控制及补偿难度,提高了机床加工直线导轨曲面精度与工作效率.     

减小CNC机床定位误差方法的研究

提出了基于“华工2000型”数控系统CNC机床的定位误差的一软件补偿方法，该方法克服了等间距定位误差补偿的缺点，使定位误差补偿的位置可随机设定，建立了数控机床定位误差软件补偿的数学模型。在ZJK7532加工中心上进行的补偿实验表明，采用本补偿方法能使机床的定位误差减小70％以上。     

基于Matlab-GUI数控机床热误差补偿的仿真系统

为了使数控机床加工精度得以提高,对数控机床热误差补偿系统进行研究。在建立基于BP神经网络数控机床热误差补偿模型的同时,运用Matlab-GUI工具设计了具有通用性交互式数控机床热误差补偿的仿真系统,该系统可使热误差补偿更具有实时性、在线高效性和补偿系统操作可视化。     

基于球杆仪的数控机床空间误差建模与检测方法研究

为改善传统的数控机床空间误差检测方法检测时间长、成本高、操作复杂等缺点,提出一种新的基于球杆仪的空间误差分析与检测方法。沿半球螺旋线轨迹对数控机床空间误差进行检测,并利用多元回归分析理论建立空间误差的综合模型;利用所建的回归模型对不同检测点的误差进行预测和补偿。实验结果表明,该方法可将实验所用的立式加工中心几何误差减小80%左右。