基于12线法的数控机床几何误差测量辨识研究

数控机床几何误差参数辨识是实现数控机床误差补偿的关键技术,而实现误差补偿的前提是通过几何误差参数辨识为空间误差模型准确提供数控机床的21项几何误差参数.现有数控机床几何误差参数辨识方法在测量效率和辨识精度等方面均存在一定不足.基于多体系统误差分析理论研究了12线数控机床几何误差参数辨识方法,并对该方法的数学建模和实验进行了分析.     

重型数控机床热误差的分离与建模

为解决重型数控机床热误差严重的问题,提出一种基于线性回归的热误差分离和建模方法．对机床的几何误差与热误差进行分离,得到相应的热误差参数;结合主因素和互不相关等温度传感器优化布置策略,选出相应的热误差关键点;采用线性回归理论进行热误差的建模.在一台型号为TK6920的重型数控落地铣镗床上进行了立柱热倾斜误差补偿实验．结果表明:利用所建立的热误差模型进行补偿,立柱在X和W方向的直线度误差分别由0.45 mm和0.25 mm降到了0.13 mm和0.09 mm,补偿率分别为71％和64％．采用误差补偿技术可降低重型数控机床的热误差,从而提高其加工精度．     

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.     

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.     

三轴数控机床几何误差参数辨识与补偿

采用九线法对三轴数控机床误差参数进行辨识,介绍了激光干涉仪的测量原理,利用Renisaw ML10激光干涉仪对机床几何误差进行测量,结合具体机床,准确建立了误差补偿的数学模型,利用补偿软件实现了误差补偿,显著地提高了数控机床的加工精度．     

基于多体系统理论的数控机床加工精度预测系统

研究了基于多体系统理论的数控机床加工工件表面建模和加工精度预测建模的机理,基于虚拟加工技术,开发出了数控机床加工精度软件预测系统.最后,为了验证开发的精度预测系统的有效性,在对包括几何误差、热变形误差和力变形误差在内的机床综合误差进行检测和辨识的基础上,进行了加工精度预测仿真.     

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。     

大型龙门机床的直线度误差建模及误差补偿

为减小大型龙门数控机床空间直线度误差,提高国产数控机床加工精度,提出基于B样条曲线的空间直线度误差模型及其补偿方法。使用激光干涉仪分别检测三轴龙门数控机床6个方向的直线度误差,应用B样条方法建立空间直线度误差数学模型.利用数控系统外部机械原点偏移功能,应用自主研发的误差实时补偿系统并依据基于B样条曲线的空间直线度误差数学模型,实现对大型龙门数控机床的空间直线度误差补偿.采用两轴联动补偿切削导轨面的方法进行试验,并与多项式模型和斜线插补模型进行对比,结果表明:B样条模型补偿后的导轨直线度最优,检测的导轨各方向直线度误差均减小90%以上,显著提高了大型龙门数控机床加工精度.     

五轴机床误差建模与补偿解析新算法

为了建立合理的五轴数控机床综合误差补偿模型,基于机床各部件为刚体联接的假设下,简化了机床运动学约束拓扑关系,本文提出了基于多刚体动力学的综合误差理论模型,并对误差分量进行分析,建立了误差参数表。机床热误差测量点分布离散且采样数据量大,结合灰色综合关联度算法,将离散点数据表征其关联关系,并拟合出各轴热误差量曲线,建立了机床热误差预测模型。综合机床各轴热误差产生的机理,定义了针对主轴热误差和进给轴热误差的新型测量法—5点测量法和6点测量法,大量实验证明理论预测辨识模型曲线与实验结果一致,残差范围在0~12um之间。基于机床误差线性叠加假设,将机床几何误差和热误差统一建模,提出了新型综合误差补偿模型。将此补偿模型用SIMEMS840D数控系统中的PMC单元开发实时补偿软件,大量实验表明某五轴数控机床的加工精度有了显著的提高,完成补偿后误差变化量在 0~29μm之内。     

基于灰色综合关联度的数控机床热误差测点优化新方法及应用

针对机床热误差建模技术当中温度布点选取的问题,提出了基于灰色综合关联度进行数控机床热误差建模的关键温度测点选取的新方法.将该方法应用于一台数控车削中心的实验研究,将原有16个温度测点减少至4个.通过同已有方法的比较表明,该方法具有计算简便,判据简易、明晰的优点,能够较大幅度提高所建立模型的鲁棒性.     

基于投影追踪回归的机床热误差建模技术

针对机床热误差建模温度变量多、非线性度高的问题,提出了一种基于投影追踪回归的建立数控机床热误差模型的新方法。与传统的回归建模方法相比,该方法具有模型简单、计算简便的优点。将该方法应用于一台数控车床的实验研究,建立了该车床的热误差模型。实验结果表明,新方法能够大幅提高所建模型的精度及鲁棒性,进而提高机床的加工精度。     

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。     

精密数控立式静压圆台磨床热特性分析

通过建立高精密数控立式静压圆台磨床的有限元模型,进行磨床热源分析,研究了各热源发热量的计算方法,进行了温度场分析求解、热结构耦合分析,得到了立式磨床的热特性、热变形误差。通过机床热变形对精度的影响计算分析,提出发热量控制、优化机床结构、减少热误差措施。     

精密数控机床多主轴系统热平衡试验

对现有的精密数控机床主轴系统进行常规工况实验和空运转实验,提出一种数控机床热平衡试验方法,通过该实验方法可以获得数控机床主轴系统的热敏感点、温度场数据和热位移场数据以及热平衡时间等热态特性,以校验理论仿真分析,并建立误差模型,从而实现对主轴系统热特性的快速校核与加工误差补偿.在具有3个独立磨头主轴系统的直线滚动导轨精密曲面成形数控磨床上,开展多主轴系统热平衡试验方法的具体案例研究,获得了其中两个理论上相同的立式磨头的主轴系统温升变化曲线、热变形变化曲线和热平衡时间等不同的热态特性,论证了多主轴热平衡实验对于消除多主轴机床差异性上的重要性,弥补了多轴系统热态特性分析在理论上分析的不足.通过将热平衡试验获得多主轴系统的热态特性结果用于指导热误差补偿工作,减小了机床热误差控制及补偿难度,提高了机床加工直线导轨曲面精度与工作效率.     

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%.     

三轴加工中心热误差推定的建模方法

数控加工中心热误差的预测,可以通过机床内部的电流和速度参数,建立多元线性回归模型来实现。这与传统的热误差建模方法相比,其优点为测量方式更为直接,所需测量的对象也相应的减少。     

基于粗糙集与偏相关分析的机床热误差温度测点约简

为了合理减少温度测点数量并有效提高温度数据采集与分析的效率,提出了一种基于粗糙集与偏相关分析相结合的温度测点约简方法。首先,利用偏相关分析的方法建立了温度变量与主轴热误差之间的偏相关系数,并以此为依据辨识了主要的敏感温度变量。然后,在基于粗糙集理论获取的可行温度测点组合基础上,筛选出包含敏感温度变量最多及偏相关度高的温度测点组合。最后,建立了热误差线性回归模型,并在某型号数控机床上进行验证与分析。结果表明：温度传感器测点可由22个减少到6个,在很大程度上提高了热误差模型的精确性和鲁棒性。     

数控车床主轴热误差SHO-LSTM预测建模

在高精度加工过程中,数控机床主轴误差对加工精度的影响较为严重。数控机床热误差占总误差比例高达40%~70%,是主要的误差源之一。为了提高热误差预测的精度,提出了一种使用海马优化算法(SHO)优化时序预测网络(LSTM)的精密车床主轴热误差预测建模方法。首先,利用羚羊优化算法(GOA)对模糊C均值聚类(FCM)的模糊矩阵常数、最大迭代次数、迭代终止条件进行优化并结合Person、Spearman和Kendall相关分析方法优化温度测点,使用手肘法确定最优分组规模。根据DB、BWP和Silhouette聚类评估指标评估温度测点聚类效果。其次,以车床主轴五点法获取的热误差数据和优化后的温度数据作为输入,使用SHO对LSTM的隐含层节点、全连接层节点、学习率、L2正则化常数进行优化,并使用S折交叉试验方法确定最优分组规模,建立主轴热误差SHO-LSTM预测模型。再次,在不同转速下对构建的热误差模型进行基于平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE的预测效果进行评估。最后在CKA6163A型车床上进行实例验证,使用五点法进行测量辨识,同时测量主轴附近的温度。实验结果表明：所提出的温度测点优化算法相比未优化的模糊C均值聚类(FCM)的DB指标降低了89%,BWP和Silhouette分别提高了59%和8.17%,对比结果表明优化后的聚类算法可有效降低温度测点间的共线性,提高预测模型的预测效率。所提出的海马优化算法(SHO)优化时序预测网络(LSTM)与未优化的时序预测网络(LSTM)相比,所提出的预测网络的均方根误差RMSE降低了42%,表明海马优化算法(SHO)可以提高时序预测网络(LSTM)的准确性;与天鹰(AO)优化卷积神经网络(CNN)相比,所提出的预测网络的均方根误差RMSE降低了3%;与反向传播神经网络(BP)相比,所提出的预测网络的均方根误差RMSE降低了57%,对比结果表明SHO-LSTM主轴热误差预测模型的鲁棒性和准确性更高。