共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
《机械工程与自动化》2016,(1)
误差预估是超精密机床设计中的重要环节,在系统的设计阶段用来预测和控制超精密机床的总误差。首先介绍了误差预估在超精密机床设计中的重要作用,对本实验室设计制造的光纤接头V型微槽超精密机床进行简单介绍,详细说明了均方根(RMS)原则在超精密机床误差预估中的应用并计算得到预估误差值。 相似文献
4.
机床热误差建模研究综述 总被引:9,自引:0,他引:9
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。 相似文献
5.
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。 相似文献
6.
7.
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。 相似文献
8.
9.
基于灰色理论预处理的神经网络机床热误差建模 总被引:7,自引:1,他引:7
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. 相似文献
10.
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。 相似文献
11.
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。 相似文献
12.
13.
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。 相似文献
14.
运用多体系统理论和齐次坐标变换方法,以S形检测试件为对象,针对一种刀具双摆动五轴数控机床建立了运动学模型和几何误差模型。利用UG NX8.0进行了加工仿真和后置处理,将生成的数控代码代入所建立的运动学模型中,生成了理想情况下刀具在S形试件坐标系中的扫描轨迹;在S形试件的直纹面上选取了75个点,将每个点的点位数据代入几何误差模型中,得到S形试件直纹面上轮廓误差大小分布情况,将所得结果与通过三坐标测量机测量得到的结果进行对比,验证了几何误差模型具有比较理想的预测性能。 相似文献
15.
16.
17.
18.
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。 相似文献
19.
20.
针对机床热误差建模过程中,误差信息不透明、数据特性不全面等不利因素,根据机床主轴热误差实验数据,分别采用GM(1,n) 模型和最小二乘支持向量机(LS-SVM)模型建立主轴热误差预测模型并进行线性叠加,然后采用预测有效度算法调整模型加权系数,建立了最优有效度复合预测模型(OE-CM)以获取最佳预测效果。在VXC-560型三轴数控机床上进行在线实验建模,实验结果表明:OE-CM具有预测精度高、鲁棒性好等特点,整体预测效果优于灰色GM(1,n)模型和LS-SVM模型,适合在复杂工况条件下对机床主轴热误差进行预测和补偿,为提高机床热误差补偿精度建立了理论模型。为了验证该预测模型的有效性,对所研究的机床主轴进行热误差在线补偿,机床主轴Z向最大误差从23.8μm减小到8μm,减幅达到66.4%,较好地提高了机床精度,具有一定的工程化推广前景。 相似文献