微V槽超精密机床热误差建模的研究

微V槽被广泛应用于光纤连接中,其中心距是决定其性能的关键。热误差是数控1加工中最大的误差源之一。根据微V槽超精密机床的拓扑结构,采用多体系统理论算出影响微V槽中心距加工精度的热误差共有10项,再结合多元线性回归理论对这10项热误差项进行辨识。     

基于PMAC的微V槽阵列精密机床研发及其误差补偿

针对微V槽阵列元件V槽间距高精度等加工要求,开展了一种微V槽阵列元件磨削加工机床的研究与开发。介绍了机床的机械结构整体布局和主要零部件选型,并详细介绍了机床控制及驱动系统的结构系统。在机床软硬件平台支持下,基于工控机+PMAC运动控制器完成了系统控制软件的开发。针对微V槽间距较高的精度要求,开展了利用激光干涉仪进行测量和误差补偿的研究,并利用所研发的机床进行了加工实验的加工样件检测。实验和检测结果表明,所研发的微V槽阵列机床加工定位精度可控制在±0.5μm内,满足对微V槽阵列元件的高精度要求。     

光纤接头V型微槽超精密机床的误差预估

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。     

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。     

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。     

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。     

基于神经模糊控制的机床热误差建模方法

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。     

基于GA-BP网络的多轴机床热误差建模

为最大限度减少热误差对多轴联动机床加工精度的影响,综合遗传算法全局收敛性和人工神经网络局部搜索快速性的优点,提出一种基于遗传算法优化BP网络隐层节点数及初始值的机床热误差建模方法。运用Matlab-GUI工具开发了具有通用性的交互式多轴机床热误差建模仿真系统,通过与传统的BP神经网络进行对比分析及试验论证,证明该模型预测精度更高、通用性强。     

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.     

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。     

基于信息融合的五轴机床热误差建模技术

五轴机床能对复杂的自由曲面进行加工。对五轴机床热误差进行控制,是提高其加工精度的关键所在。针对现有热误差建模方法预测精度较低、通用性和鲁棒性较差的问题,提出一种基于信息融合的五轴机床热误差建模方法。与传统建模方法相比,通过实时调整模型参数,该融合预测方法能够用于不同类型、不同操作条件的机床。将该方法应用于一台双转台五轴机床的实验研究,建立了该机床热误差的融合预测模型。实验结果表明,该方法能够提高热误差模型的预测精度及鲁棒性,从而提高五轴机床加工精度。     

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。     

基于“S”形试件的五轴机床几何误差建模研究

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。     

基于粒子群优化灰色神经网络的机床主轴热误差建模

主轴热误差是影响机床精度的主要因素,建立准确的主轴热误差模型是进行机床误差补偿的关键。研究了温度测点优化和神经网络建模的方法,给出了粒子群优化灰色神经网络建模的流程。开展了主轴热误差热特性试验,得到了主轴热变形随主轴转速的变化规律。基于粒子群优化灰色神经网络建立了主轴轴向伸长和俯仰角热误差模型,并与灰色神经网络和BP网络的预测性能进行了对比,结果表明该模型可有效提高网络模型的收敛性和预测精度。     

基于多体理论的极坐标数控铣齿机床几何误差建模

基于多体系统理论,以极坐标数控铣齿机床为研究对象,建立了机床整机空间几何误差模型.根据建立的几何误差模型,并利用辨识得到的误差数据,可以准确计算出机床的几何误差,为误差补偿提供了理论依据.     

基于多体系统理论的机床建模与几何误差分析

对多体系统的基本理论和运动学内容做了详尽的叙述,并将其应用到五轴高速加工中心误差分析与建模中。以DZ08FX型双主轴五轴高速加工中心为研究对象,对机床的结构描述,相邻运动部件间的坐标系建立,体间特征矩阵,几何误差分析和相对运动约束方程都进行了具体的说明,系统完整地推导出实际运动过程中刀具成形点位置误差和姿态误差的运动学模型。为后续误差辨识工作奠定理论基础。     

基于迁移学习的异工况下机床热误差建模方法

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。     

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OE-CM算法的机床主轴热误差建模与补偿分析

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。