机床温度测点布置技术与优化方法的研究

机床的热误差严重影响机床的加工精度,通过热误差补偿技术来减小热误差,从而提高机床的加工精度至关重要。温度测点的选择与优化是热误差补偿技术研究中的难点,本文综述了温度测点布置策略和优化方法,阐述了各方法的优缺点,并对温度测点优化技术的发展趋势进行了展望。     

制造机床热误差研究现状与思考

机床热误差，是影响机床加工精度稳定性的最大误差源，因此减少热误差对提高机床的加工精度至关重要。本文试图分析90年代后期以来，国内外在机床热误差补偿研究方面的研究成果；指出了目前热误差应用中存在的几个主要问题；机床特性检测和辨识，温度测点的优化，模型鲁棒性，最后给出了作者对于进一步主要研究内容的思考。     

基于逐步回归的机床温度测点优化及热误差建模技术

通过对机床温度测点进行优化,建立其与机床热误差之间的数学模型,对机床热误差进行实时预测与补偿控制,是提高数控机床加工精度的重要途径。为解决现有机床热误差模型预测精度低、鲁棒性差的问题,提出一种基于逐步回归的数控机床温度测点优化方法。通过偏F统计量的检验,在初步建立的回归模型中逐个引入新变量,剔除不显著的老变量,实现温度测点的优化布置,获得数控机床热误差的最优回归模型。将该方法应用于某数控机床,结果表明,基于逐步回归的机床热误差模型,所用温度变量最少,且预测精度最高。     

基于互信息法和改进模糊聚类的温度测点优化

基于热误差模型进行机床热误差补偿是保证数控机床加工精度的一种有效方法,温度测点的布置和辨识会直接影响热误差建模的精确性和鲁棒性。本文提出一种互信息和改进模糊聚类法相结合的机床热关键点优化方法。以机床不同位置处的多个测点温度值及工件热变形作为分析数据,通过计算温度变量与热变形之间的平均互信息量,获得其综合关联度矩阵,确定二者之间的相关性后初选温度变量。根据改进模糊聚类法、F统计量和复判定系数对初选的温测点进行聚类,并结合温度变量与热变形之间的综合关联度值提取机床热关键点,从而实现测点优化。将基于该方法所得到的热误差模型与采用变量分组优化法获得的热误差模型进行比较,结果显示采用该方法进行热误差建模,机床X轴和Y轴的热变形预测精度得到显著提高,有利于改善加工精度。     

基于互信息法和改进模糊聚类的机床热关键点优化研究

基于热误差模型进行机床热误差补偿是保证数控机床加工精度的一种有效方法,温度测点的布置和辨识会直接影响热误差建模的精确性和鲁棒性。本文提出一种互信息和改进模糊聚类法相结合的机床热关键点优化方法。以机床不同位置处的多个测点温度值及工件热变形作为分析数据,通过计算温度变量与热变形之间的平均互信息量,获得其综合关联度矩阵,确定二者之间的相关性后初选温度变量。根据改进模糊聚类法、F统计量和复判定系数对初选的温测点进行聚类,并结合温度变量与热变形之间的综合关联度值提取机床热关键点,从而实现测点优化。将基于该方法所得到的热误差模型与采用变量分组优化法获得的热误差模型进行比较,结果显示采用该方法进行热误差建模,机床X轴和Y轴的热变形预测精度得到显著提高,有利于改善加工精度。     

基于灰色关联和模糊聚类的机床温度测点优化

针对机床热误差补偿技术中温度测点优化选择的问题,提出采用基于灰色关联分析和模糊聚类分析相结合的方法对机床温度测点进行优化选择。采用灰色关联分析法计算温度变量与主轴热误差之间的相关系数,并据此优选温度变量,采用模糊聚类分析法对所选择的温度变量进行聚类,确定关键温度变量,结合关键温度变量建立热误差线性回归模型。在精密卧式加工中心MCH63上对该方法进行了试验验证,结果表明,温度测点的数量由29个减少到6个,机床轴向热误差由41.3μm减小到7.6μm。     

机床主轴温度测点的K-means优化及试验

针对机床热误差补偿技术中温度测点的优化选择,提出一种基于K-means算法和Pearson相关系数相结合的方法。通过K-means算法将不同位置测点的温度进行聚类,用Pearson相关系数计算温度与主轴热误差之间的相关性,从每一类别中选出一个最优测点组成最优测点组合,并对最优测点处的结果进行热误差建模。在立式加工中心VMC850E上对该方法进行了试验验证,将温度测点的数量由8个减少至2个。经方差分析和F检验,验证了最优测点处的温度与热变形之间显著线性,模型可靠。     

灰色系统理论在机床热误差测点优化中的应用

针对影响机床加工热误差建模的机床温度场分布问题，借用灰色系统理论的关联度分析方法。对热传感器在机床上的优化布点进行了研究，从原先的16个温度测点减少到仅使用其中的4个关键温度进行热误差建模，从而可以较简便的分析所研究机床的热误差，提高了热误差建模的鲁棒性。     

数控机床进给系统误差综合补偿

数控机床进给系统的几何误差和热误差是影响零件加工精度的主要因素,为了有效地改善加工精度,提出了一种几何误差和热误差综合预测模型。通过分析进给系统的热误差曲线特征,对机床的几何误差及热误差进行分离。采用最小二乘法对几何误差进行一元四次拟合得到几何误差模型;利用模糊聚类和相关分析对温度测点进行优化,建立热误差模型;将上述几何及热误差模型线性叠加形成综合模型。在一台数控车床上,对机床初始运行、升温及热平衡三个典型阶段进行实验验证,结果表明:进给系统误差综合补偿模型具有良好的鲁棒性,能较大幅度地改善机床的加工精度。     

数控机床进给轴热误差补偿技术研究综述

机床在内外热源共同作用下产生热变形,严重影响机床的精度稳定性与零件加工精度,如何抑制机床热误差是一个重要的研究领域.介绍了机床热误差避免方法和热误差补偿方法的研究进展.分析了直线进给轴误差的成因,并阐述了有/无预紧条件下丝杠热变形过程及机理.介绍了温度测点位置优化方法,以及数据驱动与机理驱动的热误差建模理念、方法及特点...     

数控机床热变形误差研究及补偿应用

热变形误差是影响机床加工精度的重要因素之一,通过误差补偿的方法可以提高机床的加工精度。研究了通过实时补偿热变形误差提高数控机床加工精度的方法,阐述了热误差的基本原理,介绍了热误差的测量方法。采用模糊聚类的方法来布置测温点,利用多元线形回归方法建立了机床热变形与温升之间的数学模型。在PLC补偿系统的作用下,在加工过程中对XH718数控机床进行实时补偿。实验结果表明补偿效果很好。     

基于温度特征提取的数控机床热误差建模

在数控机床的热误差补偿技术中,机床温度信息的提取对改善机床的加工精度至关重要。首先对广泛使用的模糊聚类多元线性回归模型在变工况下的性能进行了试验,结果证明:试验工况变化后,该模型预测值失准。通过方差膨胀因子判断,这种现象是由模型自变量的复共线性引起。为了改进上述模型,提出了一种温度特征提取的建模方法,通过特征提取算法,提取模糊聚类优化测点的综合特征,从而得到综合特征自变量,最后利用综合自变量进行回归建模。试验表明,该方法有效消除了复共线性对模型预测精度和鲁棒性的影响,优化后的回归模型均方根误差在4μm以内,可有效预测76%以上误差,相较于其他方法表现出优良的预测性能,易于在其他机床热误差补偿中推广使用。     

数控机床热误差实时补偿研究

数控机床热误差实时补偿的功能要求温度与热误差的数据采集、温度测点的优化、数学模型参数的估计、热误差数学模型的预测、补偿脉冲量的转换以及误差补偿的操作。根据RDTSC的工作机理,验证RTX运行环境的实时性,windows非实时环境承载灰色关联分析温度测点的筛选优化、RBF神经网络热误差的预估,RTX实时环境承载反馈脉冲的仿制、热误差的实时补偿,数据交换采用共享内存中的等效脉冲数量,从而达到热误差实时补偿的目的,进而提高数控机床的加工精度。     

龙门机床进给系统热误差模型测点优化

为了解决温度测点数量和测点间复共线性对龙门机床热误差模型精度和鲁棒性的影响,提出了一种测点综合优化方法。首先,采用模糊聚类法和相关性分析筛选出对热误差影响较大的关键点,达到优化测点数量的目的；然后采用特征提取法得到预测模型的自变量,特征提取消除了复共线性对预测模型精度和鲁棒性的影响。在一台龙门精密镗铣加工中心上实验验证,结果表明：本文提出的测点综合优化法优于自适应模糊聚类热关键点优化,采用该方法进行误差预测模型关键点优化可有效提高模型精度和鲁棒性。     

龙门机床进给系统热误差模型关键点优化

为了解决温度测点数量和测点间复共线性对龙门机床热误差模型精度和鲁棒性的影响,提出了一种测点综合优化方法。首先,采用模糊聚类法和相关性分析筛选出对热误差影响较大的关键点,达到优化测点数量的目的;然后采用特征提取法得到预测模型的自变量,特征提取消除了复共线性对预测模型精度和鲁棒性的影响。在一台龙门精密镗铣加工中心上实验验证,结果表明:所提出的测点综合优化法优于自适应模糊聚类热关键点优化,采用该方法进行误差预测模型关键点优化可有效提高模型精度和鲁棒性。     

滚齿机热误差补偿技术研究

通过对滚齿机的热误差源进行综合分析及温度测点的优化布置,充分利用齿轮加工过程中测得的误差数据,采用最小二乘法建立了滚齿机的热误差数学模型,研制了滚齿机热误差补偿的硬件系统,利用该系统在Y3150K型滚齿机上进行了误差补偿实验,实验结果表明,实施热误差补偿后,齿轮加工精度提高2级以上,补偿效果明显。     

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。     

基于灰色系统理论的GM2000A数控机床热误差的智能补偿方式及应用

众所周知对于超精密机床而言,热误差是影响数控机床加工精度的重要因素之一,可达机床加工精度总误差的70%。因此减少热误差对数控机床的影响至关重要。要提高加工精度,减少热误差,就必须对其进行有效的补偿。以GM2000A龙门加工中心为对象介绍了热误差的测量方法,采用灰色系统理论中的灰色关联分析法建立测温点和热误差之间的相关程度达到优化测温点的目的,使输入数据更趋于合理。最后用BP神经网络建立温升和机床热误差之间的数学模型,MATLAB仿真实验结果表明了补偿效果的可行性。     

基于Fisher最优分割法的机床热关键点优化研究

利用温度测点建立热误差模型时,测点的选取直接影响到模型的精度.采用一种最优化分段方法——Fisher最优分割法,以试验采集到的原始数据作为分析数据,通过计算分类的直径、比较各类中的误差函数,对机床测点变量进行分类,经过对各类中温度变量与热误差之间相关系数的计算,获得用于热误差建模的热关键点,从而完成测点优化.利用多元线性回归方法对其优化出的测点建立热误差模型,与采用变量分组优化选出的温度测点建立的热误差模型进行比较,结果说明Fisher最优分割法可行、实用性强.