基于互信息法和改进模糊聚类的机床热关键点优化研究

基于热误差模型进行机床热误差补偿是保证数控机床加工精度的一种有效方法,温度测点的布置和辨识会直接影响热误差建模的精确性和鲁棒性。本文提出一种互信息和改进模糊聚类法相结合的机床热关键点优化方法。以机床不同位置处的多个测点温度值及工件热变形作为分析数据,通过计算温度变量与热变形之间的平均互信息量,获得其综合关联度矩阵,确定二者之间的相关性后初选温度变量。根据改进模糊聚类法、F统计量和复判定系数对初选的温测点进行聚类,并结合温度变量与热变形之间的综合关联度值提取机床热关键点,从而实现测点优化。将基于该方法所得到的热误差模型与采用变量分组优化法获得的热误差模型进行比较,结果显示采用该方法进行热误差建模,机床X轴和Y轴的热变形预测精度得到显著提高,有利于改善加工精度。     

龙门机床进给系统热误差模型测点优化

为了解决温度测点数量和测点间复共线性对龙门机床热误差模型精度和鲁棒性的影响,提出了一种测点综合优化方法。首先,采用模糊聚类法和相关性分析筛选出对热误差影响较大的关键点,达到优化测点数量的目的；然后采用特征提取法得到预测模型的自变量,特征提取消除了复共线性对预测模型精度和鲁棒性的影响。在一台龙门精密镗铣加工中心上实验验证,结果表明：本文提出的测点综合优化法优于自适应模糊聚类热关键点优化,采用该方法进行误差预测模型关键点优化可有效提高模型精度和鲁棒性。     

龙门机床进给系统热误差模型关键点优化

为了解决温度测点数量和测点间复共线性对龙门机床热误差模型精度和鲁棒性的影响,提出了一种测点综合优化方法。首先,采用模糊聚类法和相关性分析筛选出对热误差影响较大的关键点,达到优化测点数量的目的;然后采用特征提取法得到预测模型的自变量,特征提取消除了复共线性对预测模型精度和鲁棒性的影响。在一台龙门精密镗铣加工中心上实验验证,结果表明:所提出的测点综合优化法优于自适应模糊聚类热关键点优化,采用该方法进行误差预测模型关键点优化可有效提高模型精度和鲁棒性。     

基于有序聚类的机床热误差测点优化

温度测点的选择直接影响数控机床热误差补偿模型的性能。考虑到温度有序传递的特点,提出了有序聚类测点优化的方法。以试验数据为基础,计算类直径并比较目标误差函数;然后对温度变量分类,确定最佳分类数;通过计算热误差和温度之间的相关系数,确定最优测点。采用定位误差分解建模法结合选取的最优测点建立热误差预测模型,分别与模糊聚类和变量分组测点优化建立的模型进行比较,试验结果表明,有序聚类测点优化法精度较高,具有一定的应用前景。     

机床丝杠进给系统热误差测点优化及实验

针对丝杠进给系统热误差监测点多,且测点之间存在复共线性影响热误差建模精度的问题,提出了一种综合测点优化的方法。首先利用Pearson相关性分析筛选出相关性较高的点,其次利用灰色关联法求出各温度变量间的灰色关联度并由此建立模糊相似矩阵,再采用模糊聚类和F分布统计确定最优测点组合后,由偏相关性分析剔除弱相关变量并建立热误差线性回归模型。在某龙门加工中心进行实验验证,结果表明温度测点由12个减小到3个,丝杠热误差由13μm减小到10μm。     

基于灰色关联和模糊聚类的机床温度测点优化

针对机床热误差补偿技术中温度测点优化选择的问题,提出采用基于灰色关联分析和模糊聚类分析相结合的方法对机床温度测点进行优化选择。采用灰色关联分析法计算温度变量与主轴热误差之间的相关系数,并据此优选温度变量,采用模糊聚类分析法对所选择的温度变量进行聚类,确定关键温度变量,结合关键温度变量建立热误差线性回归模型。在精密卧式加工中心MCH63上对该方法进行了试验验证,结果表明,温度测点的数量由29个减少到6个,机床轴向热误差由41.3μm减小到7.6μm。     

基于FCM自适应模糊聚类的温度测点优化

在数控机床热误差建模中,温度测点的选择与优化是一个难点。针对传统的FCM模糊聚类方法对数控机床温度测点优化需要人为事先确定聚类数目,提出了一种FCM自适应模糊聚类测点优化方法。该方法在FCM聚类算法的基础上,建立了聚类数自适应函数,并自动给出最佳聚类数。通过对一台立式铣床进行实验验证,结果表明:FCM自适应模糊聚类方法自动将机床的温度测点由13个减少到6个。结合多元回归分析,建立了关键测温点的热误差模型,所建立的热误差模型精度较高,热误差由50μm减小到10μm以下,验证了该方法的有效性。     

基于温度特征提取的数控机床热误差建模

在数控机床的热误差补偿技术中,机床温度信息的提取对改善机床的加工精度至关重要。首先对广泛使用的模糊聚类多元线性回归模型在变工况下的性能进行了试验,结果证明:试验工况变化后,该模型预测值失准。通过方差膨胀因子判断,这种现象是由模型自变量的复共线性引起。为了改进上述模型,提出了一种温度特征提取的建模方法,通过特征提取算法,提取模糊聚类优化测点的综合特征,从而得到综合特征自变量,最后利用综合自变量进行回归建模。试验表明,该方法有效消除了复共线性对模型预测精度和鲁棒性的影响,优化后的回归模型均方根误差在4μm以内,可有效预测76%以上误差,相较于其他方法表现出优良的预测性能,易于在其他机床热误差补偿中推广使用。     

基于Fisher最优分割法的机床热关键点优化研究

利用温度测点建立热误差模型时,测点的选取直接影响到模型的精度.采用一种最优化分段方法——Fisher最优分割法,以试验采集到的原始数据作为分析数据,通过计算分类的直径、比较各类中的误差函数,对机床测点变量进行分类,经过对各类中温度变量与热误差之间相关系数的计算,获得用于热误差建模的热关键点,从而完成测点优化.利用多元线性回归方法对其优化出的测点建立热误差模型,与采用变量分组优化选出的温度测点建立的热误差模型进行比较,结果说明Fisher最优分割法可行、实用性强.     

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。     

重型数控机床热误差建模及预测方法的研究

重型数控机床的热误差已经成为影响其加工精度的一个关键问题。针对一台典型的重型落地铣镗床,以机床热误差测量试验为依据,分析该类机床温度场的特点;据此提出一种旨在完成高效温度测点优化的改进系统聚类方法,该方法使用一种兼顾欧氏距离和相关系数的系统聚类准则,可以有效地降低优化后温度测点之间的共线性。基于优化后的温度测点,利用多元线性回归分析,构建了机床的热误差预测模型。现场试验数据表明,该方法可以将热误差预测的均方根误差降低到10μm以下,相较于其他方法有着更高的热误差预测精度,有望在其他重型数控机床的热误差建模和预测研究中得到更大的推广应用。     

改进FCM模糊聚类算法对主轴箱温度测点优化分析

轮槽铣床主轴箱热变形数据样本量繁杂,利用传统的FCM模糊聚类算法对主轴箱温度测点进行分析时,需根据情况自行设置分类数,由于经验不足会使分析结果出现偏差,导致分析失效。基于以上情况,提出采用改进的FCM模糊聚类算法对主轴箱测点进行优化分析,其原理为依据主轴箱温度及热变形量,增设聚类数c的自适应目标函数,并建立了改进的FCM模糊聚类算法可靠性分析模型,基于该模型分析得到了多元回归关键测点热误差分析数据。结果显示:采用FCM聚类算法对轮槽铣床主轴箱预先布置的温度测点进行分组优化,使主轴箱的关键测温点由21个缩减至6个,且分析结果准确度较高。该方法为机床温度测点优化分析提出了新的思维路径,具有较好的应用前景。     

数控机床进给轴热误差补偿技术研究综述

机床在内外热源共同作用下产生热变形,严重影响机床的精度稳定性与零件加工精度,如何抑制机床热误差是一个重要的研究领域.介绍了机床热误差避免方法和热误差补偿方法的研究进展.分析了直线进给轴误差的成因,并阐述了有/无预紧条件下丝杠热变形过程及机理.介绍了温度测点位置优化方法,以及数据驱动与机理驱动的热误差建模理念、方法及特点...     

基于模糊聚类及相关性分析的温度测点布置优化方法研究

热误差严重影响机床的加工精度,通过热误差补偿技术提高机床加工精度是一个非常有效的途径。温度测点的选择与优化是热误差补偿技术研究中的难点。为了合理地减少温度测点数量,通过实验检测不同工况下进给系统各部件的温度分布,利用模糊聚类分析方法按温度变化规律对温度测点进行分类,通过对主轴温度场分布情况的分析,利用相关性分析方法,从24个温度测点中选取5个温度特征点,用于加工中心的热误差补偿,很大程度上提高了热误差建模的效率。结合以上两种方法,优化温度传感器测点的布置位置,减少了温度测点数量,提高了热误差补偿的精度。     

数控机床进给系统误差综合补偿

数控机床进给系统的几何误差和热误差是影响零件加工精度的主要因素,为了有效地改善加工精度,提出了一种几何误差和热误差综合预测模型。通过分析进给系统的热误差曲线特征,对机床的几何误差及热误差进行分离。采用最小二乘法对几何误差进行一元四次拟合得到几何误差模型;利用模糊聚类和相关分析对温度测点进行优化,建立热误差模型;将上述几何及热误差模型线性叠加形成综合模型。在一台数控车床上,对机床初始运行、升温及热平衡三个典型阶段进行实验验证,结果表明:进给系统误差综合补偿模型具有良好的鲁棒性,能较大幅度地改善机床的加工精度。     

数控机床直线进给轴温度测点优化研究

为分析数控机床直线进给系统的温度场,需要布置一定数量的温度测点来进行温度数据的采集。然而,测点的位置和数目都会对研究结果产生直接影响。为实现准确布置温度测点,文章提出一种基于统计学理论进行改进的Canopy-FCM-GRA温度测点优化模型。以某数控机床X向直线进给轴为例,首先根据测得的实验数据确定预聚类数,然后通过模糊矩阵和灰色关联度系数筛选出相应的温度敏感点,最后基于SVR理论分别建立温度测点优化前和优化后的温度-热误差预测模型,通过比较两个模型精度来验证温度测点优化的有效性。结果表明,温度测点优化效果良好,通过优化后的测温点可准确探究进给系统的热特性。     

数控机床热误差补偿高次多阶ADL模型应用分析

综合运用模糊聚类和灰色关联度理论对机床温度监测传感器进行了优选。同时针对现行常用的多元回归模型,采用自回归分布滞后模型（ADL模型）对数控机床热误差进行了建模。在获得较高精度基础上,对ADL模型进行扩展,提出了高次多阶ADL建模技术,并对其建模方法及精度进行了分析比对,实例证明,提出的高次多阶ADL模型在数控机床热误差补偿技术中具有较高的建模精度。     

适应性FCM聚类分析对导轨温度特征的改进研究

为能够准确地分析导轨的温度特征,采用适应性FCM聚类分析法对导轨温度测点进行合理改进研究,其改进依据为导轨温度及热变形量,通过设置聚类数C的适应性目标分析函数,建立适应性FCM聚类算法可靠性仿真模型,得到温度测点收敛性与鲁棒性较好的多元回归关键测点热误差样本。研究表明,采用对机床导轨预先布置温度测点,通过适应性FCM聚类分析法对温度测点进行合理优化,可将测点数由5个缩减至3个,同时提高了模型预测的准确性与鲁棒性。     

灰色系统理论在机床热误差测点优化中的应用

针对影响机床加工热误差建模的机床温度场分布问题，借用灰色系统理论的关联度分析方法。对热传感器在机床上的优化布点进行了研究，从原先的16个温度测点减少到仅使用其中的4个关键温度进行热误差建模，从而可以较简便的分析所研究机床的热误差，提高了热误差建模的鲁棒性。     

数控慢走丝线切割机床热变形补偿方法的研究

由实验测得专家经验测点的温度与热形变误差量,通过模糊聚类的分析方法找出影响误差精度的主要温度测点,分别利用多元线性回归的分析方法和遗传算法优化BP神经网络法建立热变形误差的数学模型,将两种方式进行对比分析哪种方式更优.