共查询到18条相似文献,搜索用时 62 毫秒
1.
针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性. 相似文献
2.
3.
4.
5.
基于遗传算法优化小波神经网络数控机床热误差建模 总被引:2,自引:0,他引:2
数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。 相似文献
6.
7.
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。 相似文献
8.
9.
11.
为探究数控机床进给系统中各因素对热误差的影响规律,建立精准的热误差预测模型。 在进给速度为 10 m/ min、环境
温度 20℃的条件下进行进给系统热误差测量实验,获得进给系统关键点的温升及热误差。 为提高预测精度,采用 Tent 混沌改
进松鼠搜索算法,并利用改进的算法对神经网络进行优化,建立热误差预测模型。 利用热误差测量实验获得的数据进行验证,
结果表明改进前的神经网络预测误差为 12. 23% ,改进后的模型预测误差为 8. 92% ,精度有较大提升。 利用预测模型针对不同
进给速度下相同位置处热误差进行分析,结果表明,进给系统中关键测温点的温度和丝杠各点的热误差随着进给速度的增加而
增加。 因此提出的预测模型可实现进给系统热误差的准确预测,为误差补偿提供理论依据。 相似文献
12.
热变形引起的误差是影响数控机床精度的主要因素之一。为了减小热误差对数控机床精度的影响,提出一种基于CNN-GRU组合神经网络的热误差预测方法。通过热误差实验,采集螺旋曲面专用数控机床直线进给系统的温升数据和热误差数据;利用模糊C均值聚类和灰色关联度分析筛选进给系统温度敏感点;以温度敏感点的温升数据和进给系统热误差为数据样本,建立CNN-GRU热误差预测模型。为验证模型的准确性和实用性,与基于CNN-LSTM和基于LSTM的传统热误差预测模型进行预测对比分析,结果表明CNN-GRU模型预测结果的平均绝对误差、均方根误差和决定系数均优于CNN-LSTM模型和LSTM模型,具有较高的预测精度和鲁棒性。提供的热误差模型可为后续误差补偿奠定基础,为数控机床的热误差预测提供思路。 相似文献
13.
14.
15.
热误差补偿是提高数控机床加工精度的一种重要手段,而神经网络技术又是热误差建模和热误差补偿的主要工具.本文介绍了各种神经网络技术在数控机床热误差建模和补偿中的应用,并且通过实例说明了神经网络技术的作用. 相似文献
16.
17.
以机床-工件系统的热变形为研究对象,应用神经网络理论建立机床-工件系统的热误差模型,对热误差神经网络模型的关键输入参数进行了分析讨论,提出了该模型的误差补偿策略。以某型号大尺寸回转支承滚道数控车削加工为例,建立了热误差模型,对回转支承滚道加工实施热误差补偿,结果表明,机床-工件系统的热误差模型有较强的预测能力,提出的补偿方法有较好的补偿效果。 相似文献
18.
为了克服独立筛选关键温度点再进行热误差建模破坏其内在联系从而降低热误差模型预测性能的问题,提出了一种统一框架下同时筛选关键温度点和热误差建模的方法。采用最小二乘支持向量机作为基本热误差模型,将温度点的选择状态和模型超参数作为优化变量,采用二进制鲸鱼优化算法进行寻优,并综合考虑最大化预测精度和最小化关键温度点个数设计损失函数。以一台卧式加工中心为例,进行热误差实验,利用所提方法在10折交叉验证模式下筛选出了最优关键温度点,将其个数从20减少到了3,并同时获得了模型最优超参数。最后,与传统独立方式进行了对比分析,结果表明利用所提建模方法热误差预测精度最高提高约62.8%,验证了其有效性和优越性,为后续热误差补偿实施提供了参考。 相似文献