基于贝叶斯神经网络的机床热误差建模

热误差严重影响着机床的加工精度,对机床关键部件进行热特性分析是开发精密机床的重要环节。通过测量包括数控机床的特殊位置温度和定位误差在内的热特性,研究了温升与定位误差之间的关系,提出了一种基于贝叶斯神经网络的热误差建模方法。通过K-means聚类和相关系数法来选择温度敏感点,可以有效地抑制温度测量点之间的多重共线性问题。结果表明:通过使用贝叶斯神经网络能提高机床88.015 9%的精度,比BP神经网络高出15.763 8%,与BP神经网络模型相比,贝叶斯神经网络具有更加优良预测性能。贝叶斯神经网络模型为降低机床热误差的影响提供了新思路。     

基于遗传算法优化灰色神经网络的机床主轴热误差建模研究

针对机床主轴热性能对加工精度产生影响的问题,对机床主轴热误差建模方向进行了试验研究。以数控磨床主轴为研究对象,通过热特性试验获得了阶梯转速下的温度变化数据和热误差数据,对温度数据进行了模糊聚类分组,并采用相关系数法选出了温度敏感测点;通过对灰色神经网络初始参数进行优化,建立了遗传算法(GA)优化的灰色神经网络热误差预测模型;在该模型中,以灰色神经网络的预测输出和实际值的绝对误差作为遗传算法适应度函数,以平均相对误差作为预测模型的评价标准,并与灰色神经网络、BP神经网络预测结果进行了对比。研究结果表明:该预测模型具有更高的预测精度,通过GA对灰色神经网络的初始参数进行优化,可有效地提高网络的预测精度,更好地用于热误差补偿系统。     

机床热误差建模研究综述

机床热误差的产生不可避免,热误差在机床的总误差源中又占有较大比重。如何合理地对机床热误差进行建模,并以此为基础实现热误差的避免与补偿十分关键。在过去三十年里,众多国内外学者针对热误差的建模方法进行了探究,基于建模方法的不同可分为两类:经验热误差建模方法与理论热误差建模方法。经验热误差建模方法主要应用于机床热误差的补偿,基于对统计学模型的参数辨识实现热误差的预测。理论热误差建模方法主要用于机床热误差的避免,基于传热关系及力与位移的约束建立方程,并通过微分方程的数值求解得到热变形。以这两种机床热误差的建模方法为脉络进行展开,分别探讨了两类建模方法国内外的研究现状,并分析了各模型的优缺点,并对未来的研究趋势进行了展望。     

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。     

机床热变形误差及其误差补偿技术

采用误差补偿技术是提高机床加工精度的一个重要发展趋势，文中对机床的热变形误差状况和误差补偿技术进行了讨论。对误差补偿技术的研究和应用现状、关键技术、应用过程中存在的问题以及将来的发展趋势作了详细的分析和介绍。     

机床热误差补偿技术的研究与发展

本文重点介绍了国内外机床热误差补偿技术的研究历史与现状，并对不同的补偿策略进行了分析，提出了进行“专家－模糊闭环补偿”的技术方案。     

神经网络理论在数控机床热误差建模中的应用

使用神经网络理论对建立数控机床热误差数学模型进行研究分析,并将其与传统的最小二乘线性建模所得热误差数学模型进行综合对比。通过应用实例分析比较表明:神经网络模型与传统的最小二乘线性模型相比具有更好的拟合性和预测能力,并对温度传感器布点的鲁棒性优于传统的最小二乘法建模。     

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BP神经网络数控机床热误差建模的研究

热误差是影响数控机床加工的最大误差因素。采用变惯性因子粒子群算法优化BP神经网络的权值和阈值的方法对数控机床进行热误差建模,不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且精度相对较高,可以很好的提高BP网络的学习能力与泛化能力。仿真实验表明,变惯性因子PSOBP优化模型性能优于BP网络和标准PSOBP算法优化模型。     

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。     

运用多体理论和神经网络的机床热误差补偿

利用多体系统理论,在典型体的坐标变换中,加入了位移误差矢量和位置误差矢量,形成了具有普遍意义的坐标变换,根据机床拓扑结构的低序体阵列,建立了机床通用误差计算模型。同时,对机床的主轴热变形和床身热变形进行了建模和辨识,通过5个温度敏感点的监测,用常规的5点法对机床主轴热变形进行研究,运用神经网络方法(RBF)建立温度与变形参数模型,将误差参数集成到通用误差模型中。在Makino四轴加工中心进行试验研究,设计出一套多个凸台的空间曲面,比较了不同凸台上的4个点补偿前后空间轮廓数据,误差减少60%,补偿效果显著。     

基于外部机床坐标系偏移的热误差实时补偿

基于数控系统的外部机床坐标系偏移功能，通过修改数控系统中的PLC程序，将数控机床的热变形误差，即工件与刀具间的相对热运动值读入数控系统，利用外部机床坐标系的偏移而实现热误差的实时补偿，开发研制了高精度、低成本、满足实际要求的热误差实时补偿系统。经实际生产应用，机床的加工精度得到了大幅度提高。     

BP神经网络补偿热变形误差的研究

在精密加工中，由于热变形引起的误差占整个系统误差的40％－60％[1]，这说明对热变形进行深入研究和找出其规律并提出相应的补偿措施是十分必要的。本文是以CK616－1简易数控车床为实验对象，在对其热误差分析的基础上进行热误差建模，并结合改进的BP神经网络给出了具体实现的方法，对提高机床的加工精度有着极其重要的意义。     

基于GA-BP网络的多轴机床热误差建模

为最大限度减少热误差对多轴联动机床加工精度的影响,综合遗传算法全局收敛性和人工神经网络局部搜索快速性的优点,提出一种基于遗传算法优化BP网络隐层节点数及初始值的机床热误差建模方法。运用Matlab-GUI工具开发了具有通用性的交互式多轴机床热误差建模仿真系统,通过与传统的BP神经网络进行对比分析及试验论证,证明该模型预测精度更高、通用性强。     

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。     

基于神经模糊控制的机床热误差建模方法

通过神经模糊控制方法对机床热误差进行建模,所建模型的输出值与实验测量值拟合得非常好,显示了较高的精度;将该模型与多元线性回归方法所建立模型进行比较,证明了该方法的优越性。     

支持向量机在机床热误差建模补偿中的机理研究

针对数控机床热误差预测补偿功能,以Leaderway-V450数控机床为试验对象,通过跨季度的5批次数据,比对分析支持向量机(ε-SVR)和多元回归(MLR)两种建模方法的拟合和预测精度。研究得出,环境温度会对数控机床热误差预测模型产生干扰,模型拟合精度和预测精度在这种干扰下不具备等同性。线性ε-支持向量机在试验条件相近、环境温度接近的情况下鲁棒性较好,拟合精度、预测精度要高于多元回归算法,但当环境温度变化较大时,其预测精度较差。将跨季度环境温度条件下的数据进行综合建模,两种模型的预测精度均有所提高,但拟合精度优越的支持向量机算法建立的模型鲁棒性则低于传统的多元回归算法模型。     

五轴联动机床的主轴热误差补偿

针对某型五轴联动数控机床,给出了温升所导致的主轴热伸长表达式以及各运动轴热误差补偿量与热误差量之间所满足的关系式。描述了利用差动式电容位移传感器测量热误差的方法,阐述了加工时热误差的补偿实现方案。     

基于热误差神经网络预测模型的机床重点热刚度辨识方法研究

为了合理分配机床热刚度并为机床零部件的热刚度优化提供依据,提出一种基于热误差神经网络预测模型的机床重点热刚度辨识方法.该方法针对机床不同零部件的热刚度对整机热刚度的影响具有不完全相同的特征,定义一种机床重点热刚度的概念.根据机床温度和热误差试验数据,利用径向基神经网络建模精度高和泛化能力强的特点,建立一种机床热误差神经网络预测模型.以机床不同零部件达到热平衡后产生的单位温升为热误差预测模型的输入矢量,计算热误差变化值作为机床重点热刚度的辨识依据,在此基础上阐述机床重点热刚度辨识方法的原理和实施步骤.将该方法应用在一台高架桥式龙门加工中心的重点热刚度辨识上,辨识结果与验证试验得到的结果相一致.