机床热误差测温点优化及建模方法研究

为了减小热误差对数控机床精度的影响,提出了基于DBSCAN聚类算法的温度传感器测点优化方法和基于BP神经网络的数控机床建模方法。通过DBSCAN对特征数据进行聚类分析消除部分线性相关传感器数据。求解聚类后的每个类别中的传感器数据与主轴误差值的皮尔森相关系数,将类别内相关系数按从大至小进行排序,选取类别内相关系数最大的作为优化后的传感器数据,以此将温度测量点从16个减少到5个。添加动态随机数完成数据增强,提高模型泛化性。建立了温度和主轴位移的BP神经网络模型,其准确度可达0.94,为机床热误差补偿提供了重要的理论依据。     

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。     

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。     

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。     

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。     

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BP神经网络的五轴数控机床热误差补偿建模

随着我国经济实力的不断发展,我国对于工业加工领域的重视程度在不断的加强,尤其是在数控机床的应用,具有重要的意义,不仅能够有效提高数控机床工作效率和质量,还能保障产品质量。为了有效判断数控机床档次,应当以数控机床加工精度作为主要的检测标准,而传统的五轴数控机床在热影响下,经常性的出现加工精度下降的问题,针对于此,本文基于BP神经网络的五轴数控机床热误差补偿情况进行建模分析,对比之前的应用数据可知其能够有效提高五轴数控机床的加工精度,具有重要的推广价值。     

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。     

基于灰色理论预处理的神经网络机床热误差建模

为最大限度减少热误差对数控机床加工精度的影响,尝试结合灰色理论和人工神经网络各自对数据处理的优点,提出一种基于灰色理论预处理的神经网络机床热误差补偿模型.在一台处于实际加工状态的数控车床上进行试验,采用数字式温度传感器测量经过优化选取的对热误差有关键影响的机床构件和加工环境的温度数据,采用非接触式位移传感器获得机床加工热误差数据,在不断调整灰色模型数据序列长度及神经网络权值、阈值的基础上,最终建立热误差补偿模型.通过与传统灰色模型和神经网络进行对比分析及试验论证表明,该补偿模型具有对原始温度和热误差数据要求低、计算简便、预测精度高、鲁棒性强等优点,可用于各种复杂实际加工场合中的数控机床热误差实时补偿.     

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。     

基于动态反馈神经网络模型的数控机床热误差实时预报补偿

分析了数控机床热误差对制造加工精度的影响及影响数控机床热误差的关键因素,对采用神经网络模型预报数控机床热误差进行了深入分析,提出了具有反馈输入环节的动态神经网络模型.讨论了建立模型的关键技术问题,并对基于该模型的数控机床热误差的智能预报进行了计算机仿真分析.     

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。     

Temperature variable optimization for precision machine tool thermal error compensation on optimal threshold

Machine tool thermal error is an important reason for poor machining accuracy.Thermal error compensation is a primary technology in accuracy control.To build thermal error model,temperature variables are needed to be divided into several groups on an appropriate threshold.Currently,group threshold value is mainly determined by researchers experience.Few studies focus on group threshold in temperature variable grouping.Since the threshold is important in error compensation,this paper arms to find out an optimal threshold to realize temperature variable optimization in thermal error modeling.Firstly,correlation coefficient is used to express membership grade of temperature variables,and the theory of fuzzy transitive closure is applied to obtain relational matrix of temperature variables.Concepts as compact degree and separable degree are introduced.Then evaluation model of temperature variable clustering is built.The optimal threshold and the best temperature variable clustering can be obtained by setting the maximum value of evaluation model as the objective.Finally,correlation coefficients between temperature variables and thermal error are calculated in order to find out optimum temperature variables for thermal error modeling.An experiment is conducted on a precise horizontal machining center.In experiment,three displacement sensors are used to measure spindle thermal error and twenty-nine temperature sensors are utilized to detect the machining center temperature.Experimental result shows that the new method of temperature variable optimization on optimal threshold successfully worked out a best threshold value interval and chose seven temperature variables from twenty-nine temperature measuring points.The model residual of z direction is within 3 m.Obviously,the proposed new variable optimization method has simple computing process and good modeling accuracy,which is quite fit for thermal error compensation.     

基于改进松鼠搜索算法优化神经网络的数控机床进给系统热误差预测

为探究数控机床进给系统中各因素对热误差的影响规律,建立精准的热误差预测模型。 在进给速度为 10 m/ min、环境 温度 20℃的条件下进行进给系统热误差测量实验,获得进给系统关键点的温升及热误差。 为提高预测精度,采用 Tent 混沌改 进松鼠搜索算法,并利用改进的算法对神经网络进行优化,建立热误差预测模型。 利用热误差测量实验获得的数据进行验证, 结果表明改进前的神经网络预测误差为 12. 23% ,改进后的模型预测误差为 8. 92% ,精度有较大提升。 利用预测模型针对不同 进给速度下相同位置处热误差进行分析,结果表明,进给系统中关键测温点的温度和丝杠各点的热误差随着进给速度的增加而 增加。 因此提出的预测模型可实现进给系统热误差的准确预测,为误差补偿提供理论依据。     

精密机床几何误差补偿技术及应用

误差补偿技术是提高精密机床精度的有效途径,本文研究了影响精密机床精度的主要因素,重点分析了几何运动误差及热误差源的检测、建模和实时补偿技术。     

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。     

考虑热误差的双转台机床工艺误差谱预测方法

五轴数控机床的几何误差和热误差是影响工件加工精度的两个重要因素,对这些误差因素进行分析可以有效提高薄壁件工件的加工精度。本文首先基于齐次坐标变换法,建立了双转台五轴数控机床的旋转轴几何误差模型;然后基于对标准球进行在机接触测量,辩识得出两旋转轴的12项几何误差,这些误差考虑了两旋转轴之间的相互影响和其热误差的影响;最后分析五轴数控机床加工空间的几何误差场,在该加工空间内几何误差从中心到外侧逐渐增加,当A轴旋转角度增加时,误差的最大值也随之增加。与其它位置误差辨识方法相比,本方法的测量精度符合加工要求,测量时间只需要30 min。     

机床主轴热设计研究综述

机床的热态性能已成为影响高速机床工作性能的最重要的因素之一。主轴是机床的关键功能部件,其热态特性在很大程度上决定了机床的切削速度和加工精度,是影响机床精度提升的最重要因素。因此,在主轴的设计阶段减少机床热误差的影响,对于提高机床的热态特性十分重要。在过去的近一个世纪时间中,国内外众多学者针对主轴热设计方法开展了研究探索,基于热设计的过程可以分成三部分内容:热态特性分析方法,热设计与优化方法和热态特性试验方法。先通过主轴热态特性(如温度场分布、热变形、热平衡时间等)建模与分析获取必要的参数,然后以此为基础开展主轴结构设计优化、材料设计优化和冷却系统设计等热设计措施,获得较佳的主轴热态特性,最后通过热态特性试验来校验分析和设计优化的结果,整个过程循环直至达到满意结果为止。本文以此为脉络展开,分别探讨了三部分内容的国内外典型研究现状、主要研究内容和所存在的优缺点,并对未来的研究趋势进行了展望。     

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。