共查询到20条相似文献,搜索用时 46 毫秒
1.
2.
3.
为了提高数控机床热误差模型的预测精度,以某型号立式加工中心为实验对象,采用模糊聚类与灰色综合关联度相结合的方法对机床测温点进行优化,将测温点从8个减少到3个。利用遗传算法(GA)优化的Elman神经网络建立了主轴热漂移误差预测模型,通过实例比较了GA-Elman神经网络模型与普通Elman神经网络模型的预测效果。结果表明,与普通Elman神经网络所建的预测模型相比,GA-Elman神经网络模型对主轴轴向热漂移误差的预测精度较高,残差较小,网络的泛化能力较好。 相似文献
4.
5.
《组合机床与自动化加工技术》2017,(8)
为了提高精密数控机床的加工精度,减少精密机床的热误差,文章提出了模糊神经网络径向热误差的建模方法。以数控加工中心关键点的温度和主轴径向的热变形量的关系为基础,应用模糊神经网络建模法,采用精密卧式加工中心主轴径向热误差的数据,对机床主轴热误差进行建模与预报。从数控机床主轴建模试验结果分析表明,模糊神经网络预测模型能够较为精准的对机床主轴径向热误差的做出预测,在实际应用中有利于提高机床的补偿精度,对数控机床热误差补偿提供参照。 相似文献
6.
热敏感点优化选取是热误差建模过程中的关键问题,所选取的热敏感点优劣将直接影响热误差模型的精确性和鲁棒性。提出一种灰色关联分析(GRA)和主成分分析(PCA)结合的机床主轴系统热敏感点优化方法,采用GRA筛选对热误差影响较大的温度测点,机床主轴不同位置处的多个测点温度值以及主轴在对应温度下产生的热漂移作为分析数据,通过计算温度变量与热漂移之间的灰色关联度,得到其灰色综合关联度矩阵,确定二者相关性后初选温度变量;根据PCA将高度相关的温度数据简化为较少的相互独立的主成分,将其作为后续热误差模型的输入,从而实现热敏感点优化。将该方法应用于数控机床主轴系统,优化完成的热敏感点数据作为主轴热误差模型的输入变量。结果表明:将优化所得热敏感点作为BP热误差模型输入,预测所得热误差与实际热误差的平均残差为0.83 μm,低于仅采用灰色关联分析法优化热敏感点的5.18 μm及仅采用主成分分析法优化热敏感点的4.57 μm,机床z轴热变形预测精度得到显著提高,有利于改善加工精度。 相似文献
7.
8.
热误差作为影响机床加工精度的重要因素之一,严重制约着机床加工精度的提高。而主轴是数控机床的关键功能部件,对其进行热特性研究对提高机床的加工精度具有重要的意义。将同一类型、不同使用年限的机床主轴温度值和热变形值作为评价指标,建立数控机床主轴的神经网络热评价模型;针对BP神经网络易陷入局部最优值、收敛速度慢等问题,采用粒子群优化(PSO)算法优化加权朴素贝叶斯(WNB)的初始权值,获取权值全局最优解,构建了粒子群优化加权朴素贝叶斯机床主轴热评价模型,实现对机床主轴热特性的评价。MATLAB仿真结果表明:PSO-WNB模型精度为94.1%,收敛速度快,预测精度高,优于BP神经网络,为数控机床热特性评价提供了新思路。 相似文献
9.
为了提高热误差模型的预测精度和减少布置在机床内部的温度传感器数量,提出一种基于单个温度传感器数据的主轴轴向热误差辨识模型。该模型的输入由单个温度传感器采集的数据处理生成,内部参数少,利用智能优化算法的全局寻优能力辨识模型参数,减少人工干预,使得模型泛化性更强。以某型号三轴机床为实验对象,通过机床切削工件,验证模型辨识效果。通过与神经网络主轴热误差预测模型对比分析及实验验证,结果表明:提出的热误差模型预测主轴轴向热误差的残差较小,预测精度较高,且具有内部参数少和泛化能力强等优点,可支持数控机床的集成应用。 相似文献
10.
加工中心主轴部件及其主轴箱的热特性有限元分析 总被引:4,自引:2,他引:4
现代机械工业对机床精度提出了越来越高的要求.机床主轴部件和主轴箱的热特性是影响机床精度的主要因素之一.文章建立了加工中心主轴部件及其主轴箱的温度场模型并进行了数字模拟仿真.首先预测了机床主轴部件的热平衡时间能,并以温度曲线的形式表示出来,然后计算出主轴部件和主轴箱的热变形.依据这些我们能够得到主轴的轴向和径向误差,为主轴部件的设计计算奠定了基础. 相似文献
11.
《组合机床与自动化加工技术》2019,(6)
在分析了国内外热误差建模方法的基础上,提出了一种基于改进的模糊C均值聚类算法,从而基于多元线性回归理论建立教学型复合机床主轴热误差模型。使用温度传感器对机床主轴不同位置进行温度测量,并采用改进的模糊C均值聚类法对所测量数据进行分组,筛选出每组的最优温度值进行迭代。采用优选出的温度数据,采用多元线性回归建模法对机床主轴热误差进行预测建模。通过实验验证多元线性回归理论创建的预测建模分析可得:补偿后,教学型复合机床的主轴Y、Z方向受温度影响的热误差降低到了5.4μm以内,通过对改进的模糊C均值聚类法和多元线性回归模型相结合,使机床主轴在Y、Z方向误差有所降低,能更好的预测主轴热误差,从而提高机床加工精度。 相似文献
12.
《组合机床与自动化加工技术》2017,(7)
单一工况条件下数控机床主轴热误差模型无法准确预测其它工况下的热误差。通过研究分析支持向量机回归的算法和参数的关系,提出一种经过遗传算法(GA)在多工况条件下优化的支持向量机(SVM)的建模方法。以一台数控车床为研究对象,进行热误差测量实验,利用电涡流位移传感器和温度传感器同步测量机床主轴两个方向热误差和温度变化数值,获取两种工况的建模数据。运用遗传算法对SVM的惩罚函数、核函数参数和不敏感损失函数进行多工况条件下的优化选择,建立机床主轴热误差补偿模型。通过热误差建模实验验证,该方法在工况一的残差为0.838μm,工况二的残差为0.653μm,在保持较高预测精度的同时,能在两种工况下进行有效的热误差预测,使热误差补偿更适合实际加工环境。 相似文献
13.
针对加工主轴过程中需要保证精度较多的问题,利用灰色关联分析法对加工主轴过程中不同部位精度进行分析,建立灰色关联系数矩阵,求出不同部位精度与主轴精度之间的关联度,找出加工主轴过程中需要控制的关键质量点。再利用模型GM(1,1)对机床的原始维修时间数据建模,预测机床下一次维修时间,通过对机床的提前维修保证主轴关键部位的加工精度,达到对关键质量点的主动控制,保证加工主轴的精度。 相似文献
14.
15.
当实际工况与建模工况存在差异时,传统的热误差模型往往表现出较差的鲁棒性和预测精度,主要原因在于建模数据的局限性和模型的未建模动态。为了改善上述状况,提出了一种基于数据驱动的数控机床主轴补偿模型。此模型采用无模型自适应控制算法建模,结合机床运行中生成的数据(温度数据和误差数据)对热误差模型进行实时修正,使模型能快速适应新的加工工况,从而提高模型的鲁棒性。在一台数控车床主轴上进行了试验验证,结果表明:无模型自适应控制与多元回归模型比较,其标准差、最大残差和误差平方和分别提高了41%、62%和56%,此模型的鲁棒性和预测效果好。同时,此方法为大数据在机床主轴热误差补偿中的应用奠定了基础。 相似文献
16.
《组合机床与自动化加工技术》2017,(4)
为提高机床的加工精度,针对主轴热误差建模,结合最小二乘原理和F分布检验提出了一种改进的累积新算法。对一台立式加工中心,采用激光位移传感器和分布的温度传感器同步测量主轴热变形及温度变化;对获取的建模数据,结合方差分析和F分布检验确定累积阶次K的最小值,在提高热误差建模精度的同时降低算法的复杂度;并进行累积算子求和,构建K(N+1)阶累积方程组,再运用最小二乘原理得出K阶累积广义均值的正规方程组,最后通过矩阵求解实现回归建模及参数估计。最后,对机床变工况条件下主轴热误差进行了实验与建模预测。结果表明:改进累积法的建模精度高于普通累积法,同时保证了建模效率。 相似文献
17.
热误差是精密机床最主要的误差源之一。主轴是机床的关键部件,其热误差直接影响机床的加工精度。文章以某型号精密卧式加工中心主轴为对象,对其温度场和热变形进行了仿真分析。根据仿真结果发现主轴轴向热变形更严重,并结合机床结构确定温度传感器布置位置。在此基础上,对不同转速下主轴部分位置温度和轴向热误差进行现场测试。运用最小二乘法建立热误差补偿模型,直接结合机床FANUC数控系统实施主轴轴向热误差补偿。经实验验证,补偿后主轴轴向热误差减小了85%以上。 相似文献
18.
19.
为降低热误差对加工精度的影响,以减少补偿成本、简化数据采集、提高补偿精度为目标,提出采用灰色GM(0,N)模型进行数控机床热误差建模预测;以优化数据配置、改善补偿系统动态品质、提高鲁棒性为目的,建立了GM(0,N)优化模型。采用智能温度传感器和位移传感器采集了MCH63精密卧式加工中心温度数据和主轴3个方向热位移量,并根据采集数据构建热误差模型。试验结果表明:GM(0,N)建模方法简单,数据量少,运算时间短,预测精度较高;优化模型可根据在线输入的新数据不断修正模型本身,其精度高、鲁棒性强、通用性好,适合于在线建模。 相似文献
20.
《组合机床与自动化加工技术》2019,(6)
为了减小机床热误差温度测点数的不确定性、测点之间的多重共线性对预测模型精度及稳健性的影响,提出了一种综合系统聚类(SC)与灰色关联(GC)的测点优化及误差建模方法。以数控机床热误差实验为依据,基于系统聚类、灰色关联分析原理和文中提出的测点筛选原则,将温度测点的数量由20个减少为4个,建立了热误差温度测点优化模型并进行了优化计算。结果显示,此方法能有效降低测点之间的多重共线性,有利于优化模型的预测精度及泛化性能的均衡。 相似文献