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.     

精密车削中心热误差和切削力误差综合建模

热误差和切削力误差是影响数控机床精度的最重要的两个误差源,误差补偿技术是一种消除机床误差经济有效的方法,而有效的误差补偿依赖于准确的误差模型.在对切削加工过程中的热变形和切削力分析的基础上,选取合理的参量,采用BP神经网络和PSO算法相结合的优化方法建立了热误差和切削力综合模型.BP-PSO建模方法改善了网络模型的收敛速度和预测精度.基于所建误差模型,对一台精密车削中心加工实时补偿后使得径向加工误差从27 μm提高到8 μm,大大提高了车削加工中心的加工精度,验证了模型精度.     

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.     

数控机床热误差的时序分析法建模及其应用

提出了采用时间序列分析法进行机床热误差建模的基本原理及方法,及其在数控机床热误差补偿建模中的应用。利用实测的热误差序列进行时序分析识模、建模和预报。再通过由微机结合机床控制器构成的补偿系统,利用所建立的时序分析模型,经过微机算出补偿值并送入机床控制器对刀架进行附加进给运动完成实时补偿。实验结果表明,可将工件的尺寸变化从原来的25 μm以上降到10 μm以内,大幅度提高了机床的加工精度,从而论证了时序分析法在数控机床热误差建模应用中的可行性与有效性。     

基于支持向量机LOO误差估计的研究

支持向量机是基于统计学习理论的新一代学习机,在支持向量机方法的基础上,以分类问题为例,对支持向量机算法评价标准进行了研究与比较,论述了LOO误差与LOO误差界估计的算法模型,并通过数值试验表明了参数的不同取值对LOO误差与3个LOO误差界估计的影响.给出LOO误差界中参数选取的一定规律,使其更好地评价算法的精度.     

一种非线性支持向量机决策树多值分类器

提出了一种非线性支持向量机决策树的分类算法．该算法通过核函数将支持向量机推广到非线性支持向量机,并在非线性映射后计算特征空间中类间相对分离度,得到类的易分程度．在支持向量机决策树分类中引入相对分离度,有效地降低累积误差,减少计算规模,从而提高分类精度与分类效率．实验结果表明,与一般的线性支持向量机决策树分类算法相比,该算法的分类精度有了明显提高,同时其分类时间也相应降低．     

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。     

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。     

基于遗传支持向量机的多维灰色变形预测模型研究

多维灰色模型适合对多因素影响下的贫信息系统问题进行建模,但对多因素影响下的非线性变形系统建模和预测精不高,针对该问题进行分析研究.利用支持向量机算法建立多维灰色变形预测模型的残差与变形影响因素之间的非线性关系,对多维灰色变形预测模型的残差进行预测,并与多维灰色变形预测模型相加,对多维灰色变形预测模型进行修正,构建基于支持向量机的多维灰色变形预测模型.利用遗传算法优化支持向量机模型参数,提高支持向量机建模精度.该方法较好地解决了多维灰色变形预测模型精度不高的问题.把该模型应用于大坝变形预测,并与多种传统变形预测方法进行对比,结果证实该方法有效提高多维灰色变形预测模型的精度,且新模型精度远优于传统方法,是一种新的有效的变形预测模型.     

大型龙门铺丝机综合误差建模及补偿

为了提高大型龙门自动铺丝(AFP)机的精度,提出重力变形与几何误差综合建模与补偿方法. 采用有限元法对龙门铺丝机进行静力学分析,通过工作空间网格化方法建立重力变形模型;基于齐次变换矩阵与切比雪夫多项式建立几何误差模型,结合剔除重力变形的测量数据与Powell算法实现对几何误差参数的辨识;综合重力变形模型和几何误差模型,提出基于综合误差补偿的G代码修正策略. 在龙门铺丝机上开展综合误差补偿对比实验,结果表明,补偿前龙门铺丝机误差较大,不能完全满足铺放精度需求,而经过补偿后位置误差和姿态误差均大幅度降低,其中姿态误差减小80%以上,而位置误差减小90%以上,满足铺放精度需求,证明了所提出的综合误差建模和补偿方法的有效性.     

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。     

基于多体理论的五坐标数控机床的热误差建模

基于多体系统理论,针对数控机床加工系统中主轴部分的热误差,首次提出了五轴联动数控机床的热误差模型,并在MAKINO四轴加工中心几何误差参数辨识结果和主轴热误差参数辨识结果的基础上对该模型进行了仿真验证;仿真实验显示该建模方法具有良好的工程应用前景。     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

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。     

支持向量机回归算法及其应用

支持向量机是建立在统计学习理论基础上的通用学习方法,它可较好地解决以往很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题。笔者利用支持向量回归理论和方法,建立支持向量机的预测模型,并利用winSVM和MATLAB软件进行了实例预测,与二次回归预测值相比较,支持向量机预测模型具有更好的预测精度,且有很强的推广能力。     

考虑工件热变形的大型结构件误差建模与补偿

为减少大型结构件的加工误差,基于热特性分析建立了考虑工件热变形的综合误差模型及其补偿方法.分析光栅尺温度变化产生热变形的机理,并通过热流研究光栅尺局部的非线性温度变化规律,对龙门加工中心几何误差和热误差分别建模,并叠加生成复合误差模型.建立工件热变形与温度变化量之间的线性模型,并分析加工过程中复合误差与工件热变形之间的相互关系,建立考虑工件热变形的综合误差模型.利用数控系统外部机械原点偏移功能,应用自主研制的误差实时补偿系统,并依据考虑工件热变形的综合误差模型,实现对龙门加工中心的误差补偿.结果表明:只考虑机床误差时,复合误差模型有很高的预测精度,但并不能应用到有较大工件热变形的大型结构件加工中;而考虑工件热变形的综合误差模型在大型扭力臂的实际加工中效果良好,其加工定位精度至少提高了52%.     

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.     

机床热误差补偿建模方法研究

在机床热误差补偿技术研究中,热误差鲁棒建模是机床热误差补偿的成功关键之一。对国内外几种主要的热误差建模方法进行了较为深入的分析研究,比较了不同方法各自的优缺点,并针对缺点介绍了一些改进方法。在此基础上,总结归纳了目前研究存在的问题,并对未来的发展方向进行了探讨。