基于特征分解的复杂零件测量规划与建模技术

针对复杂零件测量上的难题,提出一种基于特征分解的零件测量规划及混合建模技术。将复杂零件详细地分解为不可再划分的元特征,并对相关联的元特征进行组合,匹配最优的测量设备进行测量规划,进而对提取的点云数据进行数据采集,数据拼接,数据处理及模型重构。最后对一个风机蜗壳实物零件实施了测量,数据处理并重构其CAD模型。通过实验表明,这种基于特征分解的复杂零件测量规划与建模技术能有效提高复杂零件的逆向测量效率与质量。     

基于指令域大数据的零件尺寸预测方法

针对机械加工零件的尺寸误差人工检测效率低和在机检测成本过高的问题,提出了一种尺寸在线预测方法。基于指令域分析方法,通过在加工过程中获得的数控系统内部指令域大数据,结合实际加工参数与加工后测量的尺寸误差建立起非线性映射模型,该模型基于LM-BP神经网络与RBF神经网络学习实现零件尺寸误差的预测。最后进行对比研究,两种建模方法均能达到很好的预测效果。该方法适应加工参数发生变化的生产环境,能够对被加工零件尺寸误差进行自适应预测。     

基于蒙特卡洛的同轴度误差检测测点优化

针对当前零件同轴度误差检测测点数偏多问题,提出一种基于蒙特卡洛法的同轴度误差检测测点优化方法.在给定零件加工方法下,通过分析零件误差来源预测零件尺寸误差;根据误差来源和同轴度公差工程语义构建零件表面形状模拟函数;利用表面形状模拟函数构建测点集模拟函数,通过同轴度误差评定方法分析给定零件测量截面数与误差评定值的关系,并进...     

基于比对仪在线测量数据的加工误差补偿

针对批量加工过程中可重复出现的系统误差分量,提出一种基于比对仪在线测量数据的加工误差补偿方法.使用比对仪在线获取零件表面点坐标;基于局部多项式回归建立零件确定性误差模型;利用最近点搜索算法建立了误差模型点的指令域映射关系;根据对应关系,提取了零件系统误差分量;面向华中数控系统,基于双码联控技术实现对加工误差的补偿.对蝴...     

基于渐进成形的修复体加工实验

板料数控渐进成形工艺是一种柔性成形工艺,这种工艺非常适合加工小批量、多品种和形状复杂的板料产品。以医疗修复体为实验对象,分别采用正成形、负成形工艺在渐进成形专用机床上完成渐进成形加工。针对工具头与支撑体间隙不合理导致零件表面产生挤压痕迹的问题,提出一种基于零件模型的整体偏置方法生成支撑体模型,很好的解决了加工件表面的质量问题。对成形零件变形区厚度及回弹变形进行测量,并对所得数据进行分析。试验结果表明,数控渐进成形中材料厚度变化遵循正弦定律;负成形加工件的厚度误差、回弹量均比有支撑的正成形大,并对影响零件厚度、回弹的主要因素进行了初步分析。     

机器人气动夹持力的CNN-LSTM建模估计方法

由于气动系统具有迟滞、强非线性特性，难以直接依据气压信号实现气动夹持力的有效控制，因此采用建模估计夹持力是实现无力传感器低成本控制的有效途径。为此，提出一种基于卷积神经网络(CNN)优化的长短期记忆神经网络(LSTM)低成本气动夹持力估计方法。根据工业机器人末端气爪夹持力与气路历史输入/输出有关的特点，采用了具有记忆特性的LSTM网络建立无传感器气压/压力估计模型;针对直接采用LSTM网络进行建模存在误差大的问题，利用CNN提取输入信息中气压和夹持力的非线性关系，进一步对LSTM网络结构进行优化，提高模型描述气压和夹持力之间多值对应特性与非线性迟滞特性的能力，实现气爪的夹持力有效估计。实验结果表明：相比LSTM预测模型，所提模型的建模估计与验证估计均方根误差分别减少77.14%和70.83%，最大误差分别减少79.80%和78.84%,证明了所提建模估计方法的有效性。     

硬质合金可转位刀片周边刃磨磨削力模型研究

为了分析硬质合金磨削过程中的磨削力,提高可转位刀片周边刃磨质量,文章提出一种结合简化砂轮表面形貌的磨削力计算模型。该建模方法结合实际工艺参数,计算各磨粒轨迹互相干涉下的实际切深,基于硬质合金微观磨削力模型,计算刀片磨削时所受磨削力大小。与现有的端面磨建模方法不同在于不需要实验辩识有效磨粒数便可对周边刃磨磨削力进行预测,预测步骤更加简单方便。通过实验对文中提出的建模方法进行验证,磨削力预测误差在10%以内,模型精确有效。     

基于优化模糊神经网络的高速数控机床热误差建模方法

针对高速数控机床的热特性,提出了一种基于优化模糊神经网络(GA-BP-FNN)热误差建模及预测方法。利用遗传算法和反向传播算法对模糊神经网络进行优化,改善了因隶属度函数取值随机性导致热误差模型的鲁棒性降低的现象。以一台超高速随动曲轴数控磨床为研究对象,进行了主轴Z向热误差建模试验,同时与BP神经网络建模方法进行比较,实验结果表明:GA-BP-FNN建模方法优于BP神经网络建模方法,GA-BP-FNN模型的均方根误差为4.801μm,绝对百分比误差为1.36%。     

数控微磨床热误差的补偿方法

为消除数控微磨床热误差对加工精度的影响,提出了基于多元回归理论的数控微磨床热误差在线补偿方法。针对自行设计的数控微磨床建立热误差模型,采用TC-3型温度测试仪和激光干涉仪分别获取微磨床热敏感点的温度数据与刀具主轴变形量;根据多元回归理论,通过计算判定系数和残差平方和来选取热误差模型的最佳变量组合。实验结果表明:运用多元回归理论,以最佳变量组合来建模,能够显著提高热误差建模精度。微磨床刀具主轴的径向热误差由8μm减少至1μm以内。     

基于GA-SVR的数控机床热误差建模

为了提高数控机床加工精度,消除数控机床热误差对加工精度的影响,文章提出了基于GA-SVR(遗传算法-支持向量回归机)的数控机床热误差建模方法.为了构建机床的热误差模型,首先采用温度传感器与位置传感器测量机床的温度与对应的机床主轴变形量.其次把获得的数据进行支持向量回归机建模训练,同时使用遗传算法寻找支持向量回归机相关参数的最优值.最后建立机床热误差模型,并验证模型的准确度.结果表明,基于GA-SVR的数控机床热误差建模方法具有精度高和鲁棒性强的特点.     

基于热传递函数的机床主轴热关键点辨识方法

针对机床热误差补偿技术中热态特性建模与热关键点辨识困难问题,提出一套较完善的主轴热态特性建模方法与热关键点快速辨识技术。考虑主轴系统温度与热变形等因素,建立主轴热态特性分析模型,结果表明:模型预测值与某精密卧式加工中心的热误差实测量值之间的误差均在20%以内,说明了所提建模方法的正确性。将模型输出结果用于主轴热关键点辨识,根据12个测点的热传递函数值筛选出6个热关键点;利用6个关键点的数据,基于BP神经网络建立一种主轴热误差预测模型;对比BP神经网络预测的输出值与热态特性模型的输出值,结果表明:最大误差为-0.060 36μm、最大相对误差为-0.200 6%,验证了所提热关键点辨识方法的有效性。     

机床主轴热误差的累积法建模研究

为实现数控机床热误差的快速精确建模,提出一种基于累积法的机床热误差建模新方法。对一台立式加工中心,利用温度传感器与非接触式激光位移传感器同步测量主轴温度变化及热变形值,对获取的模型数据进行累积算子求和,构建累积矩阵及热误差正规方程来估计模型中的参数以实现热误差建模。利用该方法构建的热误差模型分别与最小二乘法(LS)、最小二乘支持向量机(LSSVM)模型进行对比,结果表明:累积法的建模精度要高于最小二乘法,且建模时间比最小二乘支持向量机法要少。     

基于序列深度学习的数控机床热误差建模与预测方法

为提高数控机床热误差预测的准确性和适应性,提出一种基于序列深度学习网络的数控机床热误差建模和预测方法。提出一种基于LSTM的序列深度学习预测网络,构建包含历史序列数据的动态数据矩阵为模型输入;通过截断式训练方法降低深度预测网络中每项参数更新的复杂度,利用序列深度学习网络自动提取温度时间序列的时空特征,准确表征温度序列信号与热误差之间复杂的映射关系,采用Softmax输出层对热误差进行准确预测。实验结果表明：该方法解决了传统浅层方法因未考虑历史序列数据对当前输出的影响而存在的预测精度不高、鲁棒性差等问题,将热误差预测的均方根误差降低到2.5 μm以内,优于传统的SVM和BP等浅层神经网络预测方法,为数控机床热误差补偿提供了参考。     

基于3D打印的CMM辅助测量技术

针对现阶段复杂零件在CMM上测量的不足,提出了采用基于3D打印的CMM辅助测量技术。为了能使产品在CMM探针精度最高的A0B0度方向测量,经常需要借助治具辅助。文中首先使用光学扫描技术获取产品表面数据,然后在Geomagic Studio软件进行数据处理,并将网格面导入到Rapidform软件对该产品的治具进行建模和设计,再将设计模型导入到3D打印机中得到治具模型,最后将测量的产品放置在治具中测量。通过试验证明,该方法可以很好地提升复杂零件在CMM下的测量效率。     

五轴球头铣削加工表面三维形貌分析

基于五轴球头铣削加工过程中刀具偏离对工件表面形貌产生的影响,提出一种五轴球头铣削加工表面形貌预测和粗糙度分析模型。该模型结合铣削工艺参数如切削槽数量、进给速度、切削深度以及偏心率和刀具径向跳动产生的影响对表面形貌和粗糙度参数质量(平均粗糙度和均方根粗糙度)进行预测,同时模拟加工中刀具引导角和倾斜角对加工表面质量的影响。最后通过在不同切削条件下进行五轴球头铣削试验,验证了所提出的表面形貌预测模型的有效性。     

基于ARIMA 和SVR 的滚动轴承状态预测方法研究

滚动轴承作为多种机械设备的关键零件,其运行状态的好坏往往影响着整机设备的运行状况,因此高精度的滚动轴承状态预测对整机设备的运行状态有着重要的意义。针对滚动轴承单一预测模型精度较差的问题,构建一种基于时间序列ARIMA和支持向量回归机SVR理论的组合预测模型。首先针对单一模型进行预测,应用误差平方和倒数法得到两种预测模型的权重结果,最终将该组合模型的预测结果分别与单一预测模型作比对分析。结果表明：该组合预测模型的预测误差均小于单一模型,具有较高的可靠性。     

基于小波时间序列模型的磨加工尺寸预测技术研究

磨削加工是高精密零件的重要加工环节,且影响磨削工件尺寸精度的因素复杂。针对传统预测模型无法准确预测其趋势变化或预测效果较差,且预测精度不高这一问题,通过对磨加工过程进行分析,对尺寸预测技术的适用性进行研究,提出将小波变换与时间序列分析相结合的预测模型。通过实验验证小波时间序列模型预测平均误差不超过1μm,平均绝对误差MAE=0.105,均方根误差RMSE=0.185,平均绝对百分比误差MAPE=0.159,证明了基于小波时间序列模型的磨加工尺寸预测技术的精确性与可行性。     

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。     

一种轴类零件径向圆跳动误差三点法测量研究

针对目前某企业轴类零件人工测量精度较低的问题,提出一种非接触激光三点法测量方法,建立了数学模型,设计了数据采集系统和数据实时系统,该方法能分离出圆度误差和回转误差,提高了测量精度。并且通过案例验证了方案的可行性,为轴类零件径向圆跳动误差研究提供了参考。     

基于改进的LSTM的工业机器人柔性关节迟滞建模

为了描述工业机器人柔性关节的复杂迟滞特性,搭建一个基于改进的LSTM的工业机器人柔性关节迟滞特性模型。结合迟滞特性的记忆特性,利用具有记忆特性的长短时记忆神经网络(Long Short-Term Memory, LSTM)构建出工业机器人柔性关节的LSTM迟滞模型。针对LSTM迟滞模型在描述其迟滞特性时存在幅值和相位误差的问题,为了进一步提高其模型精度,对LSTM进行改进,在LSTM迟滞模型之后串联一个RBF动态神经网络,对LSTM迟滞模型的幅值和相位误差进行补偿。根据数据实验的结果表明,改进的LSTM迟滞模型的建模与验证均方误差分别为0.024 7和0.064 3,与LSTM迟滞模型相比,所提出的改进的LSTM迟滞模型具有更高的精度。