基于灰色理论预处理的神经网络机床热误差建模

为最大限度减少热误差对数控机床加工精度的影响,尝试结合灰色理论和人工神经网络各自对数据处理的优点,提出一种基于灰色理论预处理的神经网络机床热误差补偿模型.在一台处于实际加工状态的数控车床上进行试验,采用数字式温度传感器测量经过优化选取的对热误差有关键影响的机床构件和加工环境的温度数据,采用非接触式位移传感器获得机床加工热误差数据,在不断调整灰色模型数据序列长度及神经网络权值、阈值的基础上,最终建立热误差补偿模型.通过与传统灰色模型和神经网络进行对比分析及试验论证表明,该补偿模型具有对原始温度和热误差数据要求低、计算简便、预测精度高、鲁棒性强等优点,可用于各种复杂实际加工场合中的数控机床热误差实时补偿.     

基于自适应神经模糊推理系统和灰色理论的机床热误差补偿研究

提出了自适应神经模糊推理系统(ANFIS)模型,采用灰色理论对机床热误差进行建模,实现机床加工工件定位误差值的最小化。采用自适应模糊推理系统的模糊C均值聚类法,对机床上的温度传感器进行聚类分组和分析,选择出每组最优的温度传感器,将测量温度传感器从76个减少到5个。提出了灰色系统理论,对GM(1,N)公式进行了推导,创建了热误差预测模型。采用实验测量方法对机床运行所产生的误差进行了验证。实验结果显示:补偿前Y轴和Z轴产生热误差的最大值分别为41.5μm和33.8μm,补偿后Y轴和Z轴产生热误差的最大值分别为4.8μm和4.6μm。采用自适应神经模糊推理和灰色系统对机床热误差进行补偿,不仅测量温度传感器数量减少,而且机床主轴运行所产生的误差明显减小,加工精度较高,效果很好。     

机床主轴系统热变形分析与实验研究

对机床主轴系统的发热与变形情况进行理论与实验研究。对主轴系统进行受力分析,建立三维模型。运用传热原理对机床主轴系统的温度场进行有限元热特性分析,得出机床主轴高速运转下的热变形的仿真结果,机床主轴系统最右端轴向伸长3μm,上翘9.1μm。在此基础上开展实验,借助红外温度传感器与位移传感器测得机床主轴系统的热变形,验证了有限元分析得合理性,为下一步的机床热误差补偿提供必备的条件。该机床主轴系统的热变形在径向和轴向的差别较大,后续热误差补偿应主要考虑径向变形。     

基于时序算法的主轴轴向热误差建模与应用

为解决金属手机外壳加工行业内的机床主轴轴向热误差问题,提出了一种基于时间序列算法的主轴轴向热误差建模方法,对一台钻攻中心建立了主轴轴向热误差实时补偿模型。实践结果表明:通过该模型实时补偿,机床的主轴轴向热误差由原来62μm补偿到7μm,加工工件尺寸控制在10μm左右。     

数控机床几何误差与热误差综合建模及其实时补偿

为提高数控机床的精度,提出一种数控机床的几何与热的复合误差综合建模方法。通过分析机床在不同温度状态下的误差数据,得到机床误差分布规律;根据几何误差和热误差的不同特性进行误差分离,采用多项式拟合与线性拟合方法建立机床几何误差与热误差的综合数学模型;利用数控(Computer numerical control,CNC)系统的外部机床坐标系偏置功能,应用自行研发的综合误差实时补偿系统进行误差在线实时补偿。该误差补偿方法综合考虑机床几何误差及其在机床不同温度下的变化,全面分析整个温升过程直至热稳态的误差及其变化规律。经检测认证表明,应用该误差补偿方法及其实时补偿系统可使机床在常温下的定位误差由44.1μm降低到3.6μm,补偿91.8%;温升之后的定位误差由26.0μm降低到5.1μm,补偿80.4%,大幅度提高机床的精度。     

主轴热误差前瞻预测模型

为消除主轴热误差对加工质量的影响,以某精密卧式加工中心为研究对象,利用智能温度传感器和位移传感器检测机床温度值和主轴热变形,基于主轴温度场准静态假设建立了主轴温度一热误差模型.为优化数据性能,改善补偿系统动态品质,选取灰色理论建模,通过建立温度新陈代谢预测模型,消除了温度检测和补偿实施的时差影响,最终实现主轴热误差的前瞻预测.研究结果表明,该模型计算量小,预测精度高,可用于稳定加工中的热误差实时预测.     

机床热误差测温点优化及建模方法研究

为了减小热误差对数控机床精度的影响,提出了基于DBSCAN聚类算法的温度传感器测点优化方法和基于BP神经网络的数控机床建模方法。通过DBSCAN对特征数据进行聚类分析消除部分线性相关传感器数据。求解聚类后的每个类别中的传感器数据与主轴误差值的皮尔森相关系数,将类别内相关系数按从大至小进行排序,选取类别内相关系数最大的作为优化后的传感器数据,以此将温度测量点从16个减少到5个。添加动态随机数完成数据增强,提高模型泛化性。建立了温度和主轴位移的BP神经网络模型,其准确度可达0.94,为机床热误差补偿提供了重要的理论依据。     

数控机床热误差灰色神经网络补偿应用研究

针对数控机床热误差建模补偿的问题,提出了灰色神经网络建模补偿的新方法。首先利用机床的温度值建立了机床热误差的灰色系统预测模型,再由灰色模型预测值得到的残差建立神经网络预测模型。结合灰色系统和神经网络的优点,建立了一种新的灰色系统和BP神经网络组合热误差预测模型。最后以实测数据建模说明了灰色神经网络模型预测效果明显优于各单项模型,方法优异的预测性能对于具有复杂成分的动态数据序列的机床热误差建模也适用。     

基于RBF神经网络的热敏电阻温度传感器非线性补偿方法

针对热敏电阻温度传感器应用中存在的非线性问题,本文提出了应用RBF神经网络强非线性逼近能力进行非线性补偿的方法。文中介绍了非线性补偿的原理和网络训练方法。该方法不依赖于传感器的模型,而是根据传感器的输入和响应数据,建立补偿模型。结果表明,这种非线性补偿模型具有误差小、精度高、可在线标定、鲁棒性强,与基于BP神经网络的非线性补偿模型相比,网络训练时间短等优点,从而方便了热敏电阻温度传感器在测控系统中的应用。     

基于神经网络的机床-工件系统热误差补偿技术研究

以机床-工件系统的热变形为研究对象,应用神经网络理论建立机床-工件系统的热误差模型,对热误差神经网络模型的关键输入参数进行了分析讨论,提出了该模型的误差补偿策略。以某型号大尺寸回转支承滚道数控车削加工为例,建立了热误差模型,对回转支承滚道加工实施热误差补偿,结果表明,机床-工件系统的热误差模型有较强的预测能力,提出的补偿方法有较好的补偿效果。     

五轴数控机床热误差检测案例分析

对机床热误差的检测是为了解机床热误差规律、寻找数据支撑,从而进行误差补偿或减少热误差发生,提高机床精度。通过数控机床的主轴热误差检测案例,简单介绍热误差检测方法及在实际中的运用。案例表明机床不同的热误差源的性质不同,对机床精度的影响也不同,因此实现误差补偿所需建立的模型也就不同,需要热误差检测方法也将不同。机床热误差检测方法的研究为热误差补偿技术的研究提供了前提和基础。     

基于迁移学习的异工况下机床热误差建模方法

机床热误差预测模型在不同工况下难以保持高预测精度是导致热误差实际补偿效果差的重要原因，对此本文提出一种基于迁移学习的异工况下机床热误差建模方法。首先利用核均值匹配算法获取不同工况下机床温度数据间的迁移权重，从而提出基于迁移学习的热误差建模方法；对不同工况下热误差数据进行差异显著性检验，并利用本文所提方法建立热误差预测模型，分析建模效果；然后比对分析本文所提建模方法与常用建模方法的实际预测效果，最后进行补偿验证实验以证明本文所提方法的有效性。结果表明，本文所提基于迁移学习的建模方法能够有效提升建模效果，其中迁移学习结合LASSO算法针对不同工况下热误差数据的预测精度和稳健性分别达到3.73和1.14μm,补偿后机床X/Y/Z 3个方向热误差分别保持在-2.3～3.1μm、-3.4～3.9μm和-3.3～4.6μm范围内。     

数控机床热误差补偿建模方法

通过ＮＣ系统用软件方法补偿热误差是抵消热变形的有效方法,多输入多输出模型可以用于建立机床热行为数学模型。文章介绍了神经网络和多元线性回归方法,可用来建立大型数控铣床的热变形数学模型。试验和计算表明,这两种多变量模型能够预报大部分的热变形误差。     

数控机床热误差补偿实验平台的设计

为了提高数控机床精度,通过分布在数控机床的温度传感器采集机床各关键点的温度,通过激光干涉仪采集机床相对应的热误差。计算机将采集的温度和热误差数据进行处理后,构造支持向量机模型,并将模型嵌入ARM11开发板中。建立以ARM11开发板为核心的热误差补偿实验平台,以西门子机床的工作平台为实验对象,仿真实验表明该实验平台的可行性和良好的补偿效果。     

基于神经网络融合的传感器温度误差补偿

海底油气输送管道漏磁检测装置工作于高温高压环境下,其中的InSb霍尔传感器对温度敏感,需要补偿温度误差。该文构建了多传感器融合模型,将多个霍尔传感器和温度传感器的输出用径向基函数（RBF）神经网络进行融合,用遗传算法对网络进行训练。实验室检测数据和反演出的缺陷形状表明,采用神经网络融合方法进行误差补偿,简单方便,霍尔传感器输出的平均温度敏感系数降低了两个数量级。     

双转台五轴机床空间误差补偿技术研究

几何误差、热误差和切削力误差占到了机床总误差的75%,对这3项误差进行控制是提高机床加工精度的关键所在。以双转台五轴机床的空间误差作为研究对象,通过对加工位置、主要热源及电动机电流等相关因素进行分析,确定空间误差建模所需的位移变量、温度变量和切削力变量。以现有的多种误差建模方法为基础,通过对信息融合技术进行研究,提出一种机床空间误差的多模型融合预测方法,建立综合反映几何误差、热误差和切削力误差的最优空间误差模型。最后以DSP为核心,设计空间误差补偿器,实施空间误差补偿,验证补偿效果。结果显示,建立的模型预测精度较高,残差小于2μm,而实施空间误差补偿后,加工零件的轮廓误差也由15μm降到了5μm,补偿效果明显。     

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。     

半闭环三轴机床静态解耦轮廓控制及螺距误差补偿

为提高半闭环三轴机床加工精度,首先提出单伺服轴的螺距误差补偿方法;在建立半闭环三轴机床解耦轮廓系统模型基础上,研究了静态解耦轮廓控制器的设计,并在所提出的静态解耦轮廓控制系统上实现了螺距误差补偿.实验结果表明,算法有效地实现了轮廓的切线、法线和副法线方向的解耦跟踪控制.加入螺距补偿后,机床加工半球的最大圆度误差由55μm缩小到12μm.     

数控机床稳健性温度敏感点的选择

为解决温度敏感点变动性带来的模型精度稳健性缺陷,研究了稳健性温度敏感点选择方法。从温度敏感点变动性的机理出发,解释了温度敏感点变动性产生的原因,并在此基础上提出了一种稳健的温度敏感点选择方法,通过全年的实验数据验证了这一方法的有效性。分别使用稳健性温度敏感点选择方法和非稳健性选择方法建立了两个热误差补偿模型,并对它进行了精度分析和比对。分析发现,因未考虑温度敏感点变动代入错误温度敏感点建立的模型会造成模型拟合精度、预测精度和长期预测稳健性的大幅损失。基于机床稳健性温度敏感点选择方法的热误差补偿模型不仅可以保证模型精度的稳健性满足工况需求,而且避免了带入错误温度敏感点建模,实现用5个温度传感器就将模型全年的预测精度均值控制为5.18μm,全年的预测精度的波动性控制为2.57μm。机床稳健性温度敏感点选择方法具有重大的理论价值和工程应用价值。     

基于嵌入式的数控机床热补偿技术研究

热误差补偿是减小热误差,提高加工精度的主要措施之一。为了能够精确地建立误差补偿模型,以及简单方便地执行误差补偿,将神经网络建模技术与嵌入式技术相结合,介绍了基于嵌入式的热补偿器,运用BP神经网络建立热补偿模型,开发基于Qt的具有通用性的数控机床热补偿人机交互界面。热补偿界面实现了补偿模型移植与固化、温度数据采集、位移数据采集、补偿值计算、发送补偿数据以及补偿器与机床通信等功能。所开发的界面具有实时性强、操作简单方便、人机界面友好等优点。