基于蝙蝠算法优化的小波神经网络车床主轴热误差建模

为提高数控车床主轴热误差的预测精度,以某型号数控车床主轴为研究对象,提出基于小波神经网络(WNN)的主轴热误差建模方法。利用K-means++聚类结合相关性分析理论,将温度测点从10个减小到2个。针对小波神经网络对初始值敏感的问题,采用蝙蝠算法(BA)将预测输出值与实验测量值之差的绝对值作为个体适应度函数,将蝙蝠个体的位置向量映射为小波神经网络的初始连接权值、尺度因子及平移因子,实现对小波神经网络初始值的优化。利用优化后的小波神经网络建立车床主轴热误差预测模型,与未优化的小波神经网络和BP神经网络预测模型对比。结果表明:BA-WNN对主轴轴向热误差的预测精度较高、残差较小、预测能力更强。     

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。     

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.     

基于优化模糊神经网络的高速数控机床热误差建模方法

针对高速数控机床的热特性,提出了一种基于优化模糊神经网络(GA-BP-FNN)热误差建模及预测方法。利用遗传算法和反向传播算法对模糊神经网络进行优化,改善了因隶属度函数取值随机性导致热误差模型的鲁棒性降低的现象。以一台超高速随动曲轴数控磨床为研究对象,进行了主轴Z向热误差建模试验,同时与BP神经网络建模方法进行比较,实验结果表明:GA-BP-FNN建模方法优于BP神经网络建模方法,GA-BP-FNN模型的均方根误差为4.801μm,绝对百分比误差为1.36%。     

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。     

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。     

MEA优化BP神经网络的电主轴热误差分析研究

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出一种基于思维进化算法(MEA)优化BP神经网络建立磨齿机电主轴热误差预测模型的方法。通过测量磨齿机电主轴在加工过程中的温升与位移情况,利用思维进化算法优化BP神经网络算法在MATLAB软件中建立预测模型,并与未经过算法优化的BP神经网络建立的模型进行了对比。在电主轴X向热误差预测实验中,未经过算法优化的BP模型最低补偿率为84.85%,而经过思维进化算法优化BP模型最低补偿率为95.29%。结果表明:经过思维进化算法优化BP神经网络建立的热误差模型,在拟合和预测精度上要优于未经过算法优化的BP神经网络热误差模型。     

基于改进PSO优化BP的数控机床热误差预测研究北大核心

热误差是影响数控机床加工精度的主因,为提高数控机床热误差模型的预测精度,提出了基于改进粒子群优化BP神经网络的数控机床热误差建模预测方法。针对BP易陷入局部最优、收敛速度慢,在标准粒子群算法的基础上,改进粒子的速度与位置更新策略,在此基础上优化BP神经网络的阈值和权值,并建立数控机床热误差预测模型;借助于MATLAB完成仿真实验,结果表明,与标准的BP神经网络和支持向量机相比,基于改进粒子群优化BP神经网络的数控机床热误差预测模型精度高、泛化能力强。     

基于BP神经网络的电火花线切割多次切割工艺参数的预测研究

利用正交试验法对模套进行多次切割试验,将试验得到的表面粗糙度值作为输出层,以试验因素作为输入层,构建6-12-1的3层BP神经网络模型,并进行神经网络训练。结果表明,BP神经网络的预测值与真实的试验值之间的误差较小,最大误差为4.67%,判断BP神经网络模型好坏的决定系数R~2的值为0.93568,所以用构建的BP神经网络来预测多次切割后表面粗糙度值有较高的可靠性。     

电液位置伺服系统神经网络辨识的实验研究

针对电液伺服系统非线性建模问题,研究了电液位置伺服系统神经网络辨识模型的基本结构。分析伺服系统动态模型的输入、输出关系,依据遗传算法优化神经网络权值和阈值,建立神经网络辨识模型的基本结构。利用xPC技术建立阀控缸实时电液伺服实验台,以实验台的阶跃输出信号作为改进BP神经网络系统辨识信号,以实验台正弦输出信号作为验证信号。结果表明:该神经网络辨识模型的基本结构可达到较高的辨识精度,其可信性得以验证,适用于非线性系统模型辨识。     

模糊神经网络在精密卧式加工中心热误差的预测

为了提高精密数控机床的加工精度,减少精密机床的热误差,文章提出了模糊神经网络径向热误差的建模方法。以数控加工中心关键点的温度和主轴径向的热变形量的关系为基础,应用模糊神经网络建模法,采用精密卧式加工中心主轴径向热误差的数据,对机床主轴热误差进行建模与预报。从数控机床主轴建模试验结果分析表明,模糊神经网络预测模型能够较为精准的对机床主轴径向热误差的做出预测,在实际应用中有利于提高机床的补偿精度,对数控机床热误差补偿提供参照。     

基于逐步线性回归的温度测点优化

在数控机床热误差补偿技术中,温度测点的选择与优化是一个难点。文章采用逐步线性回归方法对核电轮槽铣床主轴箱的温度测点进行优化与建模。首先利用瞬态热-结构耦合分析了主轴箱在粗加工时的温升和热变形,再通过逐步线性回归方法对温度测点进行优化,利用优化后的温度测点建立了主轴X,Y,Z三个方向的热误差模型,最后对主轴箱在精加工运行时对所建立的模型进行了验证,结果表明:该方法不仅可以有效减小温度测点数目,还能保证模型的预测精度,三个方向的热误差均减小到5μm以下。     

关于机床热关键点的辨识问题的研究现状分析

机床的热误差是最大的误差源,在建立热误差模型过程中,热关键点的确定异常重要了.文章介绍了国内几种现行的热关键点的辨识方法,对他们各自的优点及不足之处也做了简要的讨论,最后对相关方面的研究做出展望.     

基于GA-BP网络的数控机床热误差优化建模研究

为减小热误差对数控机床加工精度的影响,提出基于GA-BP神经网络的机床热误差优化建模方法。阐述遗传算法(GA)和BP神经网络算法,介绍GA-BP神经网络模型的具体步骤,建立BP神经网络热误差预测模型和GA-BP网络热误差优化模型。运用MATLAB软件对两种模型进行实验仿真,结果表明:GA-BP神经网络的数控机床热误差优化建模方法具有建模时间短、预测精度高、收敛速度快等优点。     

龙门式机床主轴箱热刚度研究

龙门式机床主轴箱的热伸长会影响工件的加工精度。分析主轴箱的热刚度机制,运用RBF神经网络的方法建立温升和位移的关系模型。通过测量主轴箱关键点的温度预测该点在下一时刻的温度变化量,进而得出主轴箱热刚度的变化规律。通过对比热刚度的预测值和测量值验证了该建模方法的有效性。     

基于单温度传感器的数控机床主轴热误差建模方法研究

为了提高热误差模型的预测精度和减少布置在机床内部的温度传感器数量,提出一种基于单个温度传感器数据的主轴轴向热误差辨识模型。该模型的输入由单个温度传感器采集的数据处理生成,内部参数少,利用智能优化算法的全局寻优能力辨识模型参数,减少人工干预,使得模型泛化性更强。以某型号三轴机床为实验对象,通过机床切削工件,验证模型辨识效果。通过与神经网络主轴热误差预测模型对比分析及实验验证,结果表明：提出的热误差模型预测主轴轴向热误差的残差较小,预测精度较高,且具有内部参数少和泛化能力强等优点,可支持数控机床的集成应用。     

数控插齿机热误差模块化稳健性预测模型建立

针对数控插齿机固有的主轴进给系统结构带来的传动间隙引起波动性热变形建模预测精度不高的问题,提出一种基于均值平滑处理波动的模块化建模方法。利用模糊聚类结合灰色关联度方法和多元线性回归对该机床主轴x、y向分别建立热误差补偿模型,并计算预测残余值在不同分布范围的概率。结果表明：与传统热误差建模方法相比,模块化预测残余值在不同范围的分布较均匀,稳健性得到了有效提升,为热误差模块化建模方法提供了参考。     

基于灰关联分析的热误差测点优化

针对影响机床热误差建模的机床温度场分布问题,提出了优化热关键点的新方法.借助于灰色系统理论的关联度分析方法,根据现场测得的统计数据序列,建立了灰关联分析模型,通过计算布置于机床上各个温度布点的温度传感器的温度采样序列值同机床定位误差之间的绝对灰色关联度值,最终从32个温度测点当中选择了4个点用于建立热误差补偿模型.最后基于四个测温关键点建模对Z轴的定位误差进行了补偿实验,结果证明补偿效果较好,所提出的热误差测点优化研究可以有效提高热误差模型的鲁棒性.     

基于遗传算法优化Elman神经网络的机床热误差建模

为了提高数控机床热误差模型的预测精度,以某型号立式加工中心为实验对象,采用模糊聚类与灰色综合关联度相结合的方法对机床测温点进行优化,将测温点从8个减少到3个。利用遗传算法(GA)优化的Elman神经网络建立了主轴热漂移误差预测模型,通过实例比较了GA-Elman神经网络模型与普通Elman神经网络模型的预测效果。结果表明,与普通Elman神经网络所建的预测模型相比,GA-Elman神经网络模型对主轴轴向热漂移误差的预测精度较高,残差较小,网络的泛化能力较好。