基于模糊C均值聚类法和多元线性回归理论的铣床热误差研究

为了降低铣床主轴旋转受温度影响而产生的位移变形量,提高铣床对零件的加工精度,采用了模糊C均值聚类法和多元线性回归理论对铣床主轴的热误差进行建模,实现铣床主轴加工误差值最小化;分析了模糊C均值聚类法筛选最优值的迭代过程,对铣床上不同位置的测量温度值进行分组,筛选出每组的最优温度值;采用多元线性回归理论,对铣床热误差理论预测模型进行了推导,通过实验验证多元线性回归理论所创建的热误差预测模型。实验结果表明:补偿前,铣床主轴Y方向和Z方向受温度影响产生的热误差最大值分别为45.0μm和28.0μm;补偿后铣床主轴Y方向和Z方向受温度影响产生的热误差最大值分别为3.2μm和3.8μm,误差范围都在4μm以内。采用模糊C均值聚类法和多元线性回归理论对铣床热误差进行补偿,铣床主轴运转受温度影响所产生的误差明显降低,从而提高了主轴定位精度。     

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。     

加工中心主轴热误差的建模分析

采用五点法测量了加工中心主轴的温度场和热误差数据,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。     

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。     

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。     

加工中心热误差综合预测模型的研究

文中在综合分析了机床热误差的产生根源的基础上,提出了一种通过机床电机电流参数、速度参数及主轴冷却系统进、出油口的两点温度,利用多元线性回归模型,对加工中心切削过程的热误差进行实时预测的新方法。切削加工的实验结果表明,热误差的推定值与实测值具有良好的一致性。该方法用于机床热误差建模,具有测量参数少、测量成本低、测量方法简单可靠等优点,为实现机床热误差实时补偿系统的开发提供了一种新的思路。     

主轴热误差的改进累积法建模研究

为提高机床的加工精度,针对主轴热误差建模,结合最小二乘原理和F分布检验提出了一种改进的累积新算法。对一台立式加工中心,采用激光位移传感器和分布的温度传感器同步测量主轴热变形及温度变化;对获取的建模数据,结合方差分析和F分布检验确定累积阶次K的最小值,在提高热误差建模精度的同时降低算法的复杂度;并进行累积算子求和,构建K(N+1)阶累积方程组,再运用最小二乘原理得出K阶累积广义均值的正规方程组,最后通过矩阵求解实现回归建模及参数估计。最后,对机床变工况条件下主轴热误差进行了实验与建模预测。结果表明:改进累积法的建模精度高于普通累积法,同时保证了建模效率。     

基于SOM神经网络聚类以及支持向量机的数控机床热误差建模方法的研究

为了减小主轴季节性热误差影响,提高机床的加工精度,提出了基于针对机床热源进行SOM神经网络预聚类后的支持向量回归机的主轴热误差综合模型。针对一台型号为HTM40100h的车铣复合中心,对主轴的关键温度测点进行了内外热源的划分,并在冬夏两个季节对所有测温点温度和热误差数据进行采集,将外部热源温度数据作为SOM网络的输入变量进行季节性聚类,聚类后的外部热源温度数据连同同时刻的内部热源温度数据一起作为不同季节支持向量回归机模型的输入变量,得到热误差拟合值。将通过聚类预处理的方法与未经聚类的方法进行了对比试验,结果表明:该综合预测模型在冬夏两个季节均获得了较高的建模精度和鲁棒性。     

数控机床的热误差建模与补偿研究

数控机床的热变形误差是影响其加工精度的主要因素。针对当前机床热误差难以解决的问题,提出一种融合模糊聚类理论、灰色关联理论和多元线性回归理论的热误差建模及补偿原理,通过应用于实验室自主研制的AGPM,经机床温度场的测点优化分析、多元线性回归求解,建立了精确的热误差补偿模型。经补偿验证,该原理理论正确、简单易行、稳定可靠,可以大幅减小机床的热变形误差。     

基于模糊聚类与灰色理论的机床主轴温度测点优化方法

数控机床主轴热误差是影响机床加工精度的主要因素之一,主轴热误差温度测点优化对于准确建立机床主轴热误差模型、提高机床精度具有十分重要的意义。提出一种基于模糊聚类与灰色理论的机床测温点优化方法,通过对主轴测温点进行模糊聚类分析,根据Xie-Beni有效性指标评定,将温度点归为几类,然后通过对模糊聚类后的测温点与主轴热误差进行灰色相关性分析,实现机床主轴温度测点的进一步优化。试验结果验证了该方法的可行性与有效性。     

整机热变形中测温点优化选择方法的研究

在高速高精度机床的加工过程中,由于各种热源的作用会导致机床产生热变形,从而影响其加工精度.针对整机热变形误差是影响机床加工精度的最大误差源,提出采用模糊聚类分析法对测温点进行优化选择,并利用多元线性回归方法建立整机热变形与温度之间的数学模型.结果表明,经优化后的温度变量应用到热误差模型中能够有效的预测整机的热变形,并且补偿效果很好.     

基于改进模糊聚类和最大信息系数的数控机床温度测点选取北大核心

在加工过程中,机床会因热变形而产生误差,这将严重影响加工精度。减少加工过程的热误差是提高加工精度的有效途径,而确定关键温度测点不仅能提高计算效率,还可避免温度数据间复共线性问题,提高热误差模型的预测精度。提出基于改进模糊聚类和最大信息系数(MIC)的温度测点选择方法,通过改进模糊聚类对温度测点进行分类;根据MIC方法选择每类温度数据中的关键温度测点;使用BP神经网络对热误差进行建模。结果表明:与传统温度测点选择方法相比,利用所提方法改进的热误差模型精度更高。     

基于模糊C均值聚类算法的温度测点优化与建模研究

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。通过热成像仪获得了某立式铣床的温度场,根据温度场的分布情况,在机床上布置多个温度传感器。根据测量的温度和热变形数据,采用FCM模糊聚类和相关分析对温度测点进行了分组优化,然后利用多元回归分析建立了关键测温点的热误差模型,并通过实验进行了验证。结果表明:该方法能有效减少测温点,测温点由13个减少到5个,所建立模型预测精度较好,Y,Z方向热误差由50μm减少到9μm以内。     

多工况下数控机床主轴热误差建模

单一工况条件下数控机床主轴热误差模型无法准确预测其它工况下的热误差。通过研究分析支持向量机回归的算法和参数的关系,提出一种经过遗传算法(GA)在多工况条件下优化的支持向量机(SVM)的建模方法。以一台数控车床为研究对象,进行热误差测量实验,利用电涡流位移传感器和温度传感器同步测量机床主轴两个方向热误差和温度变化数值,获取两种工况的建模数据。运用遗传算法对SVM的惩罚函数、核函数参数和不敏感损失函数进行多工况条件下的优化选择,建立机床主轴热误差补偿模型。通过热误差建模实验验证,该方法在工况一的残差为0.838μm,工况二的残差为0.653μm,在保持较高预测精度的同时,能在两种工况下进行有效的热误差预测,使热误差补偿更适合实际加工环境。     

基于FCM聚类和RBF神经网络的机床热误差补偿建模

热关健点的选择和热误差建模技术是决定热误差补偿是否有效的关键,对提高数控机床的加工精度至关重要.为了实现对数控机床热误差的补偿控制,文章利用模糊C均值(FCM)聚类方法,对机床上布置的温度测点进行优化筛选,将温度变量从20个减少到4个,然后给出了基于RBF热误差补偿建模方法.通过建模实例表明,文章提出的建模方法,在保证补偿模型精度的同时有效减少了温度测点,降低了变量耦合影响,并提高了补偿模型的鲁棒性.     

加工中心主轴热误差的分析与建模

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,并用主成分分析法建立了两者的多元线性回归模型.经计算分析,该模型具有较高的精度,可以满足加工中心热误差实时补偿的应用要求,同时也可作为机床设计和制造的参考依据.     

机床稳健性温度敏感点选择及热误差建模

针对VMC1165B立式加工中心,进行机床热特性及温度场分析,基于试验数据,避免进行热机制分析和计算温度场边界条件。采用模糊聚类结合Pearson相关系数法选出4个稳健性温度敏感点建立热误差模型,验证模型预测性能,并与模糊聚类结合灰色关联度选出的非稳健性温度敏感点热误差预测模型对比。结果表明：稳健性温度敏感点热误差预测模型的机床 X 向最大残差下降了25.44%, Y 向最大残差、平均绝对误差和均方差分别下降了25%、23.03%和33.25%。     

基于ARM11机床热误差实时补偿器研究

为了提高机床精度,利用温度传感器采集其关键点温度,以ARM11_Linux开发板为主体,嵌入多元线性回归算法,对Fanuc机床的主轴热误差实时补偿研究。设计了3个模块,即温度采集分析模块、热误差建模及实时补偿模块和机床接收数据模块。利用S3C6410开发板移植了QT界面,良好的人机界面便于动态监视数据。实验证明:该补偿器是可行的,且具有良好的补偿效果。     

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。