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。     

基于偏最小二乘的热作模具钢热疲劳性能预测研究

将一种新型的统计回归方法——偏最小二乘方法(partial least square,PLS)用于热作模具钢的性能预测,借助提取主元的思想,利用PLS对热作模具钢工作温度下的性能参数和材料的热疲劳性能之间的相关信息进行筛选和综合,在此基础上建立热作模具钢热疲劳性能预测模型。结果表明模型对材料的热疲劳性能有较好的预测能力。同时,提高材料的高温屈服强度、冲击韧度、热稳定性、抗氧化性及伸长率有助于改善材料的热疲劳性能。     

基于状态空间模型的数控机床热误差建模

为了减小机床运行参数变化导致的机床热误差变化对模型预测精度的影响,提出了状态空间建模算法,该算法可根据机床运行参数的变化而自动调整模型,从而使模型对机床运行参数的变化具有良好的自适应性。通过实验比较了模型对机床处于不同条件下的热误差预测精度,并基于状态空间模型在Leaderway V-450型数控机床上进行了平面切削的热误差补偿实验。实验结果表明：与传统热误差建模算法相比较,所提算法的预测精度提高了58.12%,稳健性也得到了有效提升,且实际热误差补偿效果显著。     

主轴热误差的数值建模分析

数控机床逐渐向高精度、高速度、精密化、智能化方向发展。机床的精度直接影响了工件的加工精度。以测量加工中心主轴系统的温度场和热误差数据为基础,采用五点法测量了加工中心主轴系统的温度场和热误差数据,用偏最小二乘回归方法建立了两者的多元线性回归模型,并对各个测温点的温度变化与主轴热误差之间的量化关系进行了定性研究。经研究分析,该模型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需要,也可作为机床设计和制造的参考依据。     

数控机床热误差的动态自适应加权最小二乘支持矢量机建模方法

为消除数控机床热误差对加工精度的影响,提出基于动态自适应加权最小二乘支持矢量机的数控机床热误差建模方法.为构建机床热误差模型,对一台XK713数控铣床进行建模试验,采用智能温度传感器与激光位移传感器分别获取机床温度值与主轴变形量.运用动态自适应算法,优化选择建模过程中的参数;对采样数据进行初始最小二乘支持矢量机建模,根据误差变量确定权重系数,得到基于加权最小二乘支持矢量机的数控铣床热误差模型.试验结果表明,基于动态自适应最小二乘支持矢量机的数控机床热误差建模方法精度高,泛化能力强,优于未加权最小二乘支持矢量机方法与传统最小二乘法.获得的模型可用于数控机床热误差补偿,以提高数控机床的加工精度.     

轴承沟道形状误差的最小二乘评定

结合轴承沟道形状误差的几何特性,提出了轴承沟道形状误差的最小二乘评定,详细阐述了利用最小二乘算法求解轴承沟道形状误差的过程和步骤。该算法采用最小二乘法拟合每条线轮廓的中心,得到一个空间圆及方程;求解空间圆与每条线轮廓所在平面的交点坐标;计算每条线轮廓上测点至所对应的每个交点的距离中最大值和最小值之差,从中找到最大极差值,即得到包容整个轴承沟道的最小二乘形状误差值。该算法简单明确,具有精度高、易于计算机程序实现、易于推广应用等特点。     

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。     

基于统一框架的数控机床热误差建模方法

为了克服独立筛选关键温度点再进行热误差建模破坏其内在联系从而降低热误差模型预测性能的问题,提出了一种统一框架下同时筛选关键温度点和热误差建模的方法。采用最小二乘支持向量机作为基本热误差模型,将温度点的选择状态和模型超参数作为优化变量,采用二进制鲸鱼优化算法进行寻优,并综合考虑最大化预测精度和最小化关键温度点个数设计损失函数。以一台卧式加工中心为例,进行热误差实验,利用所提方法在10折交叉验证模式下筛选出了最优关键温度点,将其个数从20减少到了3,并同时获得了模型最优超参数。最后,与传统独立方式进行了对比分析,结果表明利用所提建模方法热误差预测精度最高提高约62.8%,验证了其有效性和优越性,为后续热误差补偿实施提供了参考。     

偏最小二乘法在成分提取中的应用研究

介绍了偏最小二乘的理论基础,指出了该方法在小样本、多自变量、变量间存在多重相关性时的独特优势,并以航空发动机大修费用为例,进行数据的仿真.结果表明:该方法能有效地进行数据成分的提取,及应变量和白变量之间函数关系的判别.     

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。     

符合阿贝原则的数控机床几何误差建模

为提高现有数控机床空间误差分析方法的准确度,本文基于阿贝原则对齐次转换矩阵(HTM)几何误差补偿模型进行优化。首先,推导出XYFZ型三轴机床适用的HTM几何误差补偿模型并给出模型正确使用的前提条件;然后,基于阿贝原则分析了三轴机床的空间误差传递机理,指出阿贝误差对机床定位精度的影响,给出理论计算公式并在机床运动轴上进行实验验证;最后,基于阿贝原则和布莱恩原则对现有的HTM几何误差补偿模型进行优化,采用该模型拟合体对角线空间误差,并与实测机床体对角线误差进行对比验证。现有HTM几何补偿模型可将机床空间误差由41.15μm补偿至16.37μm,补偿率为60.22%;优化后的补偿模型可将机床空间误差补偿至5.32μm,补偿率为87.07%,提高了26.85%。实验结果表明,优化后的补偿模型更加合理,进一步改善了空间误差的补偿精度。     

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。     

数控机床的几何误差及其研究

从数控机床误差分类、几何误差模型建立和几何误差参数辩识常用的方法论述数控机床几何误差的研究。     

基于LS-SVM与遗传算法的数控机床热误差辨识温度传感器优化策略

提出一种在数控机床热误差辨识建模过程中,利用最小二乘支持向量机结合遗传算法对温度传感器进行筛选与优化的新方法。对布置在一台数控车床上的温度传感器进行了优化,首先根据热模态理论,对传感器进行分组,利用最小二乘支持向量机方法构建数控机床热误差辨识模型,再根据遗传算法对其进行传感器优化布置。结果表明,遗传算法与最小二乘支持向量机方法的结合,不但很好地避免温度测点的相互影响,保证模型精度,而且节约了硬件成本,提高了辨识建模速度。     

五轴数控机床几何误差建模方法研究

五轴数控机床是实现工件复杂表面精密加工的重要设备,而机床本身精度是保证加工精度的重要前提。以一台大型五轴数控加工机床为研究对象,分析各项误差,应用多体系统运动学理论,建立移动轴与旋转轴的几何误差数学模型,推导出刀具相对工件坐标系的位置与姿态误差表达式,为误差补偿提供精确数学模型,提高机床加工精度。     

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。