基于遗传算法优化Elman神经网络的机床热误差建模

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。     

基于模糊C均值聚类算法的温度测点优化与建模研究

在数控机床热误差补偿技术中,温度测点的选择与优化是一个难点。通过热成像仪获得了某立式铣床的温度场,根据温度场的分布情况,在机床上布置多个温度传感器。根据测量的温度和热变形数据,采用FCM模糊聚类和相关分析对温度测点进行了分组优化,然后利用多元回归分析建立了关键测温点的热误差模型,并通过实验进行了验证。结果表明:该方法能有效减少测温点,测温点由13个减少到5个,所建立模型预测精度较好,Y,Z方向热误差由50μm减少到9μm以内。     

基于偏相关-灰色综合关联度的温度测点优化

机床的热误差建模与补偿技术是提高机床加工精度的行之有效方法,而关键温度测点的选择是成功实施该技术的重要前提,由此提出一种基于偏相关-灰色综合关联度的温度测点优化方法。采用偏相关分析法,分析单一温度测点与主轴热误差间的相关性,剔除掉不相关或弱相关的测点,对剩余测点进行基于灰色综合关联度算法的分析,量化各测点与机床主轴热误差间的紧密程度,将测点数量由16个减少至4个。根据优化结果,建立4测点的热误差预测模型,分析表明,主轴Z向最大热误差由10.338μm减小至1.299μm,验证了温度测点优化结果的有效性。     

基于SOM神经网络聚类以及支持向量机的数控机床热误差建模方法的研究

为了减小主轴季节性热误差影响,提高机床的加工精度,提出了基于针对机床热源进行SOM神经网络预聚类后的支持向量回归机的主轴热误差综合模型。针对一台型号为HTM40100h的车铣复合中心,对主轴的关键温度测点进行了内外热源的划分,并在冬夏两个季节对所有测温点温度和热误差数据进行采集,将外部热源温度数据作为SOM网络的输入变量进行季节性聚类,聚类后的外部热源温度数据连同同时刻的内部热源温度数据一起作为不同季节支持向量回归机模型的输入变量,得到热误差拟合值。将通过聚类预处理的方法与未经聚类的方法进行了对比试验,结果表明:该综合预测模型在冬夏两个季节均获得了较高的建模精度和鲁棒性。     

数控机床热误差的温度测点优化方法

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。     

基于改进模糊聚类和最大信息系数的数控机床温度测点选取北大核心

在加工过程中,机床会因热变形而产生误差,这将严重影响加工精度。减少加工过程的热误差是提高加工精度的有效途径,而确定关键温度测点不仅能提高计算效率,还可避免温度数据间复共线性问题,提高热误差模型的预测精度。提出基于改进模糊聚类和最大信息系数(MIC)的温度测点选择方法,通过改进模糊聚类对温度测点进行分类;根据MIC方法选择每类温度数据中的关键温度测点;使用BP神经网络对热误差进行建模。结果表明:与传统温度测点选择方法相比,利用所提方法改进的热误差模型精度更高。     

整机热变形中测温点优化选择方法的研究

在高速高精度机床的加工过程中,由于各种热源的作用会导致机床产生热变形,从而影响其加工精度.针对整机热变形误差是影响机床加工精度的最大误差源,提出采用模糊聚类分析法对测温点进行优化选择,并利用多元线性回归方法建立整机热变形与温度之间的数学模型.结果表明,经优化后的温度变量应用到热误差模型中能够有效的预测整机的热变形,并且补偿效果很好.     

基于改进的FCM聚类算法对温度测点的优化和建模

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。     

基于GRA-PCA的机床主轴系统热敏感点优化

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。     

基于灰关联分析的热误差测点优化

针对影响机床热误差建模的机床温度场分布问题,提出了优化热关键点的新方法.借助于灰色系统理论的关联度分析方法,根据现场测得的统计数据序列,建立了灰关联分析模型,通过计算布置于机床上各个温度布点的温度传感器的温度采样序列值同机床定位误差之间的绝对灰色关联度值,最终从32个温度测点当中选择了4个点用于建立热误差补偿模型.最后基于四个测温关键点建模对Z轴的定位误差进行了补偿实验,结果证明补偿效果较好,所提出的热误差测点优化研究可以有效提高热误差模型的鲁棒性.     

机床热误差建模的温测点优化分析与应用研究

针对影响机床实现精确热误差补偿的温测点优化问题,提出了结合模糊聚类理论和灰色关联理论的测点优化分析方法。针对测点样本的模糊性,应用模糊聚类分析可以实现测点的有序分类;针对测点样本的灰色性,应用灰色关联分析可以实现测点的最优选择。将上述理论应用于实验室自主研制的非球面的研磨抛光机(AGPM),经温测点实时测量与优化分析,最终实现了测点的优化选择,并为后续AGPM热误差补偿的实现奠定了坚实的理论基础。     

加工中心主轴关键热敏感点选取与热误差预测

为探究数控机床主轴温度场信息与主轴热误差之间的非线性映射关系,提出一种基于人工蜂群优化算法(ABC)与广义回归神经网络的主轴热误差预测模型。首先,使用热成像技术布置温度传感器,并利用K-medoids算法对温度测点进行聚类分组,使用灰色关联度分析方法计算温度与主轴热误差之间的相关程度,进而提取出最佳热敏感点;其次,引入调节因子优化ABC算法的寻优过程,使用改进后的ABC网络确定GRNN网络的最佳参数及光滑因子;最后,以三轴数控加工中心为研究对象,进行温度数据与热误差数据的采集,建立基于ABC-GRNN热误差预测模型并与优化前进行比较。热误差实验结果表明,K-medoids算法与灰色关联分析相结合,有效避免了温度测点之间的多重共线性;ABC-GRNN模型可以更准确地预测出主轴各项误差值。     

基于FCM聚类和RBF神经网络的机床热误差补偿建模

热关健点的选择和热误差建模技术是决定热误差补偿是否有效的关键,对提高数控机床的加工精度至关重要.为了实现对数控机床热误差的补偿控制,文章利用模糊C均值(FCM)聚类方法,对机床上布置的温度测点进行优化筛选,将温度变量从20个减少到4个,然后给出了基于RBF热误差补偿建模方法.通过建模实例表明,文章提出的建模方法,在保证补偿模型精度的同时有效减少了温度测点,降低了变量耦合影响,并提高了补偿模型的鲁棒性.     

数控机床的热误差建模与补偿研究

数控机床的热变形误差是影响其加工精度的主要因素。针对当前机床热误差难以解决的问题,提出一种融合模糊聚类理论、灰色关联理论和多元线性回归理论的热误差建模及补偿原理,通过应用于实验室自主研制的AGPM,经机床温度场的测点优化分析、多元线性回归求解,建立了精确的热误差补偿模型。经补偿验证,该原理理论正确、简单易行、稳定可靠,可以大幅减小机床的热变形误差。     

基于热模态分析的热误差温度测点优化选择

针对影响机床热误差建模的温度场分布问题,提出一种热模态分析方法,对机床热误差建模温度测点进行优化选择。以数控机床主轴温度场分析为例,利用热模态方法得到主轴各模态的时间常数、温度场及热变形模态形状,从而确定温度测点的最优位置。并通过实验验证了所建立模型的准确性与鲁棒性。     

模糊神经网络在精密卧式加工中心热误差的预测

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。     

基于逐步线性回归的温度测点优化

在数控机床热误差补偿技术中,温度测点的选择与优化是一个难点。文章采用逐步线性回归方法对核电轮槽铣床主轴箱的温度测点进行优化与建模。首先利用瞬态热-结构耦合分析了主轴箱在粗加工时的温升和热变形,再通过逐步线性回归方法对温度测点进行优化,利用优化后的温度测点建立了主轴X,Y,Z三个方向的热误差模型,最后对主轴箱在精加工运行时对所建立的模型进行了验证,结果表明:该方法不仅可以有效减小温度测点数目,还能保证模型的预测精度,三个方向的热误差均减小到5μm以下。     

基于粗集方法的机床热补偿误差的温度测点优化

机床热误差是影响机床加工精度稳定性的最大误差源,因此减小热误差对提高机床的加工精度至关重要。采用粗集理论对机床热变形建模及补偿技术中温度测点的选择进行优化,以HMC800A立式三轴加工中心温度测点的选择为例进行研究,结果表明该方法能有效地减少温度测点数量,既可以保证模型的精度,又可节省工作量。     

数控机床主轴热误差测温优化布点方案的研究

论文首先介绍了数控机床主轴热误差测温系统的软硬件结构,接着采用主因素策略和互不相关策略对机床的14个测温点进行了优化布点,最终选出了4个优化后的测温点。利用基于最小二乘法的多元线性回归方法对主轴的热变形进行估计后,发现模型的估计效果很好,验证了测温点优化的必要性。     

数控插齿机热误差模块化稳健性预测模型建立

针对数控插齿机固有的主轴进给系统结构带来的传动间隙引起波动性热变形建模预测精度不高的问题,提出一种基于均值平滑处理波动的模块化建模方法。利用模糊聚类结合灰色关联度方法和多元线性回归对该机床主轴x、y向分别建立热误差补偿模型,并计算预测残余值在不同分布范围的概率。结果表明：与传统热误差建模方法相比,模块化预测残余值在不同范围的分布较均匀,稳健性得到了有效提升,为热误差模块化建模方法提供了参考。