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。     

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。     

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。     

无偏估计拆分算法在数控加工中心主轴热误差建模中的应用

针对多元线性回归无偏估计算法在处理具有多重共线性的机床热误差数据建模中出现的模型参数估计失真问题,提出了一种用于处理共线性数据的无偏估计拆分算法。该算法将建模过程分成多个步骤完成,每步只对一个自变量进行回归,从而达到弱化自变量共线性的目的。以Leaderway-V450型数控加工中心为实验对象,根据在不同季度内测量的多批次空转实验数据,将无偏估计拆分算法与传统多元线性回归的模型精度和稳健性进行了验证。研究结果显示,无偏估计拆分模型的预测精度和稳健性远优于经典多元线性回归模型,尤其对于跨季度数据预测,该算法优势更大。     

机床定位误差中的热误差分离与实验

提出一种从机床定位误差数据中分离出热误差的新方法.设计了由双频激光干涉仪、温度传感标签与接收器等组成的热误差测试系统,可实现热误差温度信号的无线智能检测和热变形信号的非接触高精度采集;从机床冷态开始,来回循环测量定位误差并记录热敏测点温度值;对各循环内的前后测点定位偏差做插值、相减、平均等处理,再与冷态下的平均定位误差相减分离得到热误差.在2515龙门加工中心上进行了实验,数据处理不仅可得到定位偏差、重复精度、回程误差等6个几何精度指标,还分离出测量范围内各个测点的热误差,其最大值为9.67μm;最小二乘法建模结果表明热误差的建模精度在[-2.60μm-2.28μm]之间,建模精度平均值为0.73μm.     

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。     

精密球面磨床主轴回转误差的高精度测量

利用主轴回转误差单点测量法设计了一套测量系统,该系统由高精度标准球、高精度非接触位移传感器和角度传感器组成.阐述了回转误差的测量原理,分析了测量过程中可能引入的测量误差及其消除方法,并进行了实验研究.通过测量系统对测量数据进行了自动获取和分析处理,并用最小二乘法对测量数据进行评定,实现了精密球面磨床主轴回转误差的高精度测量.     

应用变量优选的PLSR分析直线进给轴热扭曲行为

为了探索直线电机驱动的高速直线进给轴热扭曲变形的影响因素,在试验的基础上,给出应用向前变量智能自筛选的偏最小二乘线性回归模型(Partial least squares regression,PLSR)分析影响进给轴热扭曲行为关联因素的分析方法。通过在自构建的进给轴试验平台,建立进给轴扭曲变形的测试系统,给出直线进给轴在发热过程和强冷却作用过程的热扭曲变形采样与进给轴温度动态采集方案。应用周期大变异的遗传算法为偏最小二乘回归参数的自检验方法,给出分析方法的具体实现步骤。通过实验和回归识别计算,分析了进给轴的温度分布及其对热扭曲行为的影响规律。结果表明,给出的变量自筛选偏最小二乘线性回归分析方法,可有效的筛选复相关的温度测点变量,并保持较高的回归识别精度,给出的方法与全变量PLSR和向后变量筛选的Bootstrap方法进行了比较,进一步表明了给出的回归分析方法的优越性。     

基于在线最小二乘支持向量机的数控机床热误差建模与补偿

为消除数控机床热误差对加工精度的影响,提出了基于在线最小二乘支持向量机的数控机床热误差建模方法。为构建机床热误差模型,进行了建模实验,采用智能温度传感器与激光位移传感器分别测量机床温度值与主轴热变形量。将获得的数据进行在线最小二乘支持向量机建模训练,构建机床热误差模型。在根据模型得出误差预测值的同时,可以不断根据在线输入的新数据修正热误差模型本身,运算时间短,适用于在线建模。实验结果表明,基于在线最小二乘支持向量机的数控机床热误差建模方法具有精度高、鲁棒性强和计算时间短的特点。在此基础上,根据在线模型进行热误差补差,可有效消除机床热误差影响,提高数控机床的加工精度。     

精密数控机床主轴热伸长补偿技术研究

针对目前精密数控机床热误差补偿问题,在基于主轴热误差测量系统的基础上,提出一种基于FCM聚类、多元线性回归的热误差补偿模型。通过对某卧式加工中心主轴恒定转速和变速工况下进行温敏点测量,建立关键温敏点与机床主轴热伸长的几何关系,通过补偿结果和切削试验表明该方法可以有效地降低主轴热伸长误差,提升零件的加工精度。     

时序分析在电主轴热误差建模中的应用

针对电主轴热误差基于三点法测量和建模中忽略径向热倾角误差的问题,采用五点法对主轴热误差进行测量,建立基于时序分析的热误差自回归滑动平均混合模型ARIMA。通过引用单位根检验算法实现对热误差序列的平稳性判定,运用自相关/偏自相关函数完成模型的高效识别;利用信息准则解决热误差模型的定阶问题,结合Yule-Walker方程实现自回归参数以及滑动平均参数的求解,从而提高了模型的预测精度及泛化能力,设定了模型的预测优度评价标准。电主轴热误差模型蕴含轴向伸长及径向热倾角,更符合实际,模型可更准确地描述主轴热误差空间位姿状态。通过电主轴热误差建模的应用实例,验证了所提测量及建模方法的有效性。     

数控机床热误差补偿最佳转速选择

为提高数控机床热误差补偿模型在实际工程应用中的补偿精度和稳健性,研究了热误差补偿建模时机床最佳转速状态的选择方法。首先,以Leaderway V-450数控加工中心主轴Z向为研究对象,控制机床主轴在空转状态下,以图谱和恒定转速两种方式进行了多批次实验。然后,采用模糊聚类结合灰色关联度选择温度敏感点并建立多元线性回归模型。最后,分析不同转速类型下模型的预测效果并对同种转速类型下模型预测效果进行相对评价,从而给出热误差补偿建模时机床最佳转速状态的选择方法。实验结果表明,根据国际标准中不同主轴转速类型建立的热误差补偿模型,对于机床热误差预测效果存在较大差异。根据实际工程应用选择的最佳转速状态建立的补偿模型有较好的预测效果。     

精密数控车床主轴热误差建模

开展了精密数控车床主轴系统热误差补偿的实验与建模方法的研究。建立了精密数控车床主轴系统轴向与径向偏转热误差补偿模型以增强其误差补偿能力,并提高机床加工精度。构建了主轴系统热误差测试平台,应用五点法测试主轴系统热误差,使用热电偶与红外热像仪测量主轴系统温升关键点温度变化数据,应用灰色综合关联分析法实现温度敏感测点辨识。构建了基于粒子滤波重采样粒子群算法的热误差预测模型,对模型预测效果进行评价。结果表明:基于粒子滤波重采样粒子群热误差补偿模型得到的轴向热误差预测残差为-1.29μm~1.55μm,建模精度为95.04%;y向热偏转误差预测残差为-4.68×10~(-6°)~9.66×10~(-6°),建模精度为91.26%;z向热偏转误差预测残差为-5.83×10~(-6°)~8.59×10~(-6°),建模精度为93.24%。实验结果证明该热误差补偿模型具有较高的预测精度,具有较强的工程应用价值。     

基于PSO-GPR的数控机床热误差建模及泛化性研究

数控机床在加工过程中会因发热而造成主轴热变形,为减小热变形对加工零件精度的影响,以1台数控车床为研究对象,提出一种基于粒子群算法优化的高斯过程回归(PSO-GPR)热误差建模与预测方法。通过采集测量5种不同工况下的实验数据,进行主轴轴向的热误差建模,同时与未优化的GPR建模方法进行比较,并在此基础上研究了训练数据增强对热误差模型泛化性的影响。实验结果表明:PSO-GPR模型预测热变形量的最大残差为0.49μm,均方根误差RMSE为0.11μm,优于未优化的GPR模型。经过数据增强的PSO-GPR模型在工况四、工况五为验证数据的热误差预测中最大残差分别下降35%和33.7%,表明训练数据增强可提高热误差模型的泛化能力。     

基于多体系统理论的数控铣齿机热误差综合建模

基于多体系统理论,以某种数控铣齿机为例,基于小误差假设,建立了包含34项热误差元素的热误差综合数学模型,并通过数控铣齿机的特殊运动状态和热误差补偿实验验证了热误差综合模型的可靠性。     

基于正则化的机床热误差自适应稳健建模算法

通过建立预测模型对机床热误差进行补偿,是有效解决热误差造成机床精度下降问题的常用方法。本文提出一种基于正则化的数控机床热误差自适应稳健建模算法,能够在建模过程中自适应选择温度敏感点(TSPs),并具有高预测精度和稳健性。首先基于结构风险最小化原则对热误差建模稳健性机理进行分析,进而利用正则化算法中LASSO解的稀疏性实现自适应TSP选择。然后基于不同实验条件的热误差数据,分析所提建模算法的预测效果,并与常用的多元线性回归、BP神经网络和岭回归算法进行比对分析。结果表明,本文所提建模算法具有最高的预测精度和稳健性,分别为5.22和1.69μm。最后,利用所建立的预测模型进行热误差补偿实验,以验证本文所提建模算法的实际补偿效果。     

A hybrid three-probe method for measuring the roundness error and the spindle error

The three-probe method is the most widely used technique for separating the artifact roundness error from the spindle error, with the superiority available for in situ measurement. For further improving the measurement accuracy of the three-probe method, in this paper, the harmonic measurement errors are investigated analytically and experimentally. To achieve this aim, firstly, according to the transfer matrices W(k), the harmonics are classified into two types: the suppressed harmonics with zero W(k) and the unsuppressed harmonics with no-zero W(k). Then, on one hand, through mathematical deduction, the formulation for determining the suppressed harmonics is derived; on the other hand, the measurement errors to the unsuppressed harmonics are experimentally acquired, and the experimental results demonstrate that the measurement errors to the unsuppressed harmonics are greatly related to the determinant of the transfer matrix |W(k)|, but not rigorously in inverse proportion to |W(k)|. Based on the conclusions drawn from the investigations, a hybrid three-probe method is constructed, where several conventional three-probe measurements are performed for optimizing individual harmonic coefficients. Experiments verify that the hybrid three-probe method is more robust to the error sources than the conventional method.     

直线轴热定位误差解耦与分步建模研究

针对直线轴热定位误差同时与位置、温度相关,传统建模方法工作量大、效率低且变工况下预测精度较差等问题,本文提出一种直线轴热定位误差解耦与分步建模方法。首先,基于最小二乘线性拟合对多工况下测量的热定位误差解耦,获得仅与温度相关的斜率参数与截距参数;其次,分别使用绝对温度和相对温度作为输入变量对斜率参数和截距参数回归建模,得到二者与温度的映射关系,结合斜率与截距,建立热定位误差模型;最后,基于建立的模型对全新工况下的热定位误差进行了预测,可实现最大残差1.6μm,相比直接建模方法预测精度显著提升,表明了模型的有效性。