温度变化的介质中的圆柱体内芯温度的计算

将初始温度分布均匀的圆柱体零件置于恒温箱中,控制箱体内环境温度逐步上升并最终稳定在某一温度。现有的热 传导理论只能解决环境(介质)温度恒定的情况下圆柱体的温度场分布求解,而对于这样的问题则无法处理。本文提出了 在变化的环境(介质)温度条件下计算圆柱体内芯温度以及温度场分布的一种方法。给出了时间分割和计算补偿系数的方 法。并通过实验对理论计算的结果予以了验证。     

数控机床热误差补偿最佳转速选择

为提高数控机床热误差补偿模型在实际工程应用中的补偿精度和稳健性,研究了热误差补偿建模时机床最佳转速状态的选择方法。首先,以Leaderway V-450数控加工中心主轴Z向为研究对象,控制机床主轴在空转状态下,以图谱和恒定转速两种方式进行了多批次实验。然后,采用模糊聚类结合灰色关联度选择温度敏感点并建立多元线性回归模型。最后,分析不同转速类型下模型的预测效果并对同种转速类型下模型预测效果进行相对评价,从而给出热误差补偿建模时机床最佳转速状态的选择方法。实验结果表明,根据国际标准中不同主轴转速类型建立的热误差补偿模型,对于机床热误差预测效果存在较大差异。根据实际工程应用选择的最佳转速状态建立的补偿模型有较好的预测效果。     

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。     

无偏估计拆分算法在数控加工中心主轴热误差建模中的应用

针对多元线性回归无偏估计算法在处理具有多重共线性的机床热误差数据建模中出现的模型参数估计失真问题,提出了一种用于处理共线性数据的无偏估计拆分算法。该算法将建模过程分成多个步骤完成,每步只对一个自变量进行回归,从而达到弱化自变量共线性的目的。以Leaderway-V450型数控加工中心为实验对象,根据在不同季度内测量的多批次空转实验数据,将无偏估计拆分算法与传统多元线性回归的模型精度和稳健性进行了验证。研究结果显示,无偏估计拆分模型的预测精度和稳健性远优于经典多元线性回归模型,尤其对于跨季度数据预测,该算法优势更大。