机床热补偿中温度变量分组优化建模

提出数控机床热误差分组优化建模。在数控机床热误差建模时，先根据温度变量之间的相关性对测量所得的所有温度变量进行分组，再根据各变量与热误差之间的相关性选择典型变量并加以组合，最后依据多元测定系数(回归平方和与总平方和的比值)确定用于建模的温度变量。给出了分组优化建模实例。通过分组优化建模，减少了选择温度变量和建模所需的时间，且避免了误差模型中的变量耦合，提高了热误差模型的精确性和鲁棒性，从而使数控机床热误差实时补偿更有效。     

[误差建模及精度保证方法]一种五轴数控机床热误差建模方法

针对五轴数控机床多个发热源叠加导致的较为复杂的热误差测控难题,提出了一种五轴数控机床热误差建模方法,采用狮群优化算法优化最小二乘支持向量机（LSO-LSSVM）方法对热误差模型的重要参数进行求解,从而有效提高热误差预测模型的效率和精度。使用偏相关分析对大量温度传感器位置进行初步筛选,选取关联性较大的温度变量,根据选取的实测温度数据,分别采用多元线性回归、粒子群优化最小二乘支持向量机与LSO-LSSVM建模方法进行热误差建模,同时对各热误差模型的预测能力进行对比分析,结果表明：使用LSO-LSSVM建立的热误差预测模型的精度和鲁棒性都有很大的提高。对五轴数控机床主要部位实施热误差补偿测试,测试结果表明,采用LSO-LSSVM建模方法可使试件在X、Y、Z三个方向的误差分别减小35.3%、32.2%和43.9%。     

一种五轴数控机床热误差建模方法

针对五轴数控机床多个发热源叠加导致的较为复杂的热误差测控难题,提出了一种五轴数控机床热误差建模方法,采用狮群优化算法优化最小二乘支持向量机(LSO-LSSVM)方法对热误差模型的重要参数进行求解,从而有效提高热误差预测模型的效率和精度。使用偏相关分析对大量温度传感器位置进行初步筛选,选取关联性较大的温度变量,根据选取的实测温度数据,分别采用多元线性回归、粒子群优化最小二乘支持向量机与LSO-LSSVM建模方法进行热误差建模,同时对各热误差模型的预测能力进行对比分析,结果表明:使用LSO-LSSVM建立的热误差预测模型的精度和鲁棒性都有很大的提高。对五轴数控机床主要部位实施热误差补偿测试,测试结果表明,采用LSO-LSSVM建模方法可使试件在X、Y、Z三个方向的误差分别减小35.3%、32.2%和43.9%。     

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Kohonen自组织竞争网络的机床温度测点辨识研究

提出一种基于Kohonen神经网络的温度测点辨识优化算法,用机床进给系统上不同位置处的温度测点变化值及定位误差作为输入样本来训练神经网络。利用该网络的自组织竞争将胜出的结果输出到相应的分类模式中,根据各类分类模式中温度变量与热误差之间的相关系数,确定出机床热关键点。通过多元线性回归理论建立了热误差模型,与基于变量分组优化方法的热误差模型比较发现,该方法具有更好的可行性和有效性。     

重型数控机床热误差建模及预测方法的研究

重型数控机床的热误差已经成为影响其加工精度的一个关键问题。针对一台典型的重型落地铣镗床,以机床热误差测量试验为依据,分析该类机床温度场的特点;据此提出一种旨在完成高效温度测点优化的改进系统聚类方法,该方法使用一种兼顾欧氏距离和相关系数的系统聚类准则,可以有效地降低优化后温度测点之间的共线性。基于优化后的温度测点,利用多元线性回归分析,构建了机床的热误差预测模型。现场试验数据表明,该方法可以将热误差预测的均方根误差降低到10μm以下,相较于其他方法有着更高的热误差预测精度,有望在其他重型数控机床的热误差建模和预测研究中得到更大的推广应用。     

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。     

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。     

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。     

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。     

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。     

加工中心主轴热误差数值建模方法的探讨

在测量加工中心主轴系统的温度场和热误差数据的基础上,研究了温度变化与主轴热误差之间的关系,并用不同的回归方法建立了两者的多元线性回归模型。经研究分析,利用偏最小二乘回归法进行建模,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应用要求。     

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。     

基于偏最小二乘的数控机床热误差稳健建模算法

建立预测模型对热误差进行预测和补偿是解决机床热误差问题的常用方法,该方法中模型的预测精度和稳健性易受环境温度影响而明显下降,对此本文提出了基于偏最小二乘法的热误差稳健建模算法。首先使用相关系数法筛选温度敏感点,并建立热误差偏最小二乘回归预测模型。进而基于全年环境温度下的多批次热误差实验数据,分析最佳的温度敏感点个数。最后建立热误差偏最小二乘回归模型,并与普通多元线性回归模型的预测效果比对分析。结果表明本文所提算法平均预测精度为5.7μm,模型稳健性为0.56μm,相较于普通多元线性回归算法,预测精度和稳健性分别提高13.8%和49.5%。说明本文所提的热误差稳健建模算法能够在环境温度变化较大时保持高预测精度和高稳健性。     

数控机床热误差补偿模型稳健性比较分析

数学模型的精度特性和稳健性特性对数控机床热误差补偿技术在实际中的实施性影响不容忽视。对数控加工中心关键点的温度和主轴z向的热变形量采用多种算法建立了预测模型,对不同算法拟合精度进行分析。同时进行全年热误差跟踪试验,获得了机床在不同环境温度和不同主轴转速的试验条件下的敏感点温度和热误差值。以此为基础,对各种预测模型的预测精度进行比较验证不同模型的稳健性。结果表明,多元线性回归算法的最小一乘、最小二乘估计模型以及分布滞后模型在改变试验条件时预测精度下降,而基于支持向量回归机原理的热误差补偿模型仍能保持较好的预测精度,稳健性强。这为数控机床热误差补偿模型的选择提供了具有实用价值的参考,具有很好工程应用性。     

基于热态特性仿真的龙门铣床主轴系统热关键点选择方法

数控机床主轴系统热误差建模的难点之一，是使用少量的热关键点建立热误差的精确模型。文章以一台龙门铣床为研究对象，首先通过有限元法仿真分析了机床主轴系统的温度场、热应力、热模态和热变形，根据仿真结果在主轴系统上选择了3个热关键点；然后试验测量了热关键点的温度变化和主轴系统沿x、y、z向的热变形；最后通过多元线性回归模型建立了主轴系统的热误差模型。结果表明：x、y、z向热误差模型的拟合精度都超过95%，证明了文章主轴系统热关键点选择方法的正确性。     

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。