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。     

基于模糊聚类与灰色理论的机床主轴温度测点优化方法

数控机床主轴热误差是影响机床加工精度的主要因素之一,主轴热误差温度测点优化对于准确建立机床主轴热误差模型、提高机床精度具有十分重要的意义。提出一种基于模糊聚类与灰色理论的机床测温点优化方法,通过对主轴测温点进行模糊聚类分析,根据Xie-Beni有效性指标评定,将温度点归为几类,然后通过对模糊聚类后的测温点与主轴热误差进行灰色相关性分析,实现机床主轴温度测点的进一步优化。试验结果验证了该方法的可行性与有效性。     

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。     

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。     

数控机床热误差测点优化模型预测与实时补偿的研究

数控机床加工过程中温度场的变化产生的热误差严重影响工件的加工精度,需要进行热误差的检测与补偿.通过灰色关联算法筛选出关键的温度测点作为热误差预测模型的参变量,运用多元线性回归数学模型准确高效预估热误差值,采用热误差脉冲量叠加到反馈脉冲序列的方法实现热误差的实时补偿.从而低成本地消除数控机床加工热误差,提高工件的加工精度.     

基于改进PSO优化BP的数控机床热误差预测研究北大核心

热误差是影响数控机床加工精度的主因,为提高数控机床热误差模型的预测精度,提出了基于改进粒子群优化BP神经网络的数控机床热误差建模预测方法。针对BP易陷入局部最优、收敛速度慢,在标准粒子群算法的基础上,改进粒子的速度与位置更新策略,在此基础上优化BP神经网络的阈值和权值,并建立数控机床热误差预测模型;借助于MATLAB完成仿真实验,结果表明,与标准的BP神经网络和支持向量机相比,基于改进粒子群优化BP神经网络的数控机床热误差预测模型精度高、泛化能力强。     

改进粒子群优化BP的数控机床热误差预测研究

由于BP存在网络结构选取基于经验、易陷入局部最优、收敛速度慢等缺陷,致使基于BP的数控机床热误差预测模型精度不高,对此提出了一种改进粒子群优化BP的数控机床热误差预测建模的新方法。通过改进标准粒子群算法中粒子的位置与速度更新策略,以此寻找BP神经网络最优的阈值和权值,在此基础上建立数控机床热误差预测模型。仿真实验结果表明:与标准的BP神经网络和支持向量机相比,改进粒子群优化BP神经网络的数控机床热误差预测模型精度更高、泛化能力更强。     

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。     

基于多体系统理论的数控机床加工精度几何误差预测模型

针对多轴联动数控机床加工精度误差补偿问题,从分析数控机床误差产生机制和建立精度误差补偿模型的角度,提出基于多体系统理论的数控机床加工精度几何误差预测模型。分析B-A摆头五轴龙门数控机床的拓扑结构关系、低序体阵列、各典型体坐标变换,推导出B-A摆头五轴龙门数控机床的精度几何误差预测函数模型。采用平动轴十二线法误差参数辨识算法,计算出B-A摆头五轴数控机床21项空间几何误差,为精度几何误差预测函数提供有效的误差参数。该精度误差参数建模方法,对不同结构和运动关系的数控机床具有通用性,为后续数控机床误差动态实时补偿提高切削加工精度提供了理论基础。     

基于CS-GMC(1,N)的数控机床全新热误差建模优化方法

为降低机床热误差对数控加工精度的影响,提高灰色模型GMC(1,N)的预测精度,将布谷鸟搜索（CS）算法引入GMC(1,N)灰色模型中,用于优化灰色模型GMC(1,N)的生成系数,构建了基于CS-GMC(1,N)的数控机床热误差预测模型。以小型三轴立式数控铣床为研究对象进行了主轴热误差实验,热误差预测性能分析结果表明：CS-GMC(1,N)模型的预测精度高于PSO-GMC(1,N)模型,为机床主轴热误差建模及后续热误差补偿提供了参考。     

基于热设计的立式数控铣床主轴箱多目标设计与研究

主轴箱作为主轴系统不可或缺的一部分,其热误差是影响数控机床加工精度的重要因素之一。以热设计为核心,通过结合田口法和有限元法,对主轴箱进行多目标优化设计与研究。搭建了主轴系统热态特性实验平台,以某机床厂的立式数控铣床为研究对象,获得其主轴系统的温度数据;根据实验测得的数据建立9组主轴箱优化模型;采用有限元法对温度-结构场耦合的9组模型进行仿真分析,得到各组模型的温度场分布云图和热变形分布云图,并进一步获得主轴箱结构优化结果和较优水平的主次因素参数组合。结果表明:对主轴箱热变形影响程度由高到低的因素为底板长度L、距离B、肋板宽度A、距离C;对主轴箱质量影响程度由高到低的因素为底板长度L、距离B、距离C、肋板宽度A。该研究为降低数控机床研发成本提供了参考。     

滑枕综合热补偿研究

新设计的滑枕热伸长补偿机构消除了滑枕达到热平衡之前因热变形造成的瞬态热误差。通过试验,测出机床达到热平衡后主轴的温度误差和机床对应的温度场,并利用最小二乘法拟合出该误差和温度值之间的数学模型,将数学模型输入数控系统中进行机床主轴的稳态热补偿,即温度误差补偿。这两种热补偿相结合的方式进一步提高了机床的加工精度,保证了数控龙门柔性生产线各种零件的加工精度要求。     

基于单温度传感器的数控机床主轴热误差建模方法研究

为了提高热误差模型的预测精度和减少布置在机床内部的温度传感器数量,提出一种基于单个温度传感器数据的主轴轴向热误差辨识模型。该模型的输入由单个温度传感器采集的数据处理生成,内部参数少,利用智能优化算法的全局寻优能力辨识模型参数,减少人工干预,使得模型泛化性更强。以某型号三轴机床为实验对象,通过机床切削工件,验证模型辨识效果。通过与神经网络主轴热误差预测模型对比分析及实验验证,结果表明：提出的热误差模型预测主轴轴向热误差的残差较小,预测精度较高,且具有内部参数少和泛化能力强等优点,可支持数控机床的集成应用。     

基于蝙蝠算法优化的小波神经网络车床主轴热误差建模

为提高数控车床主轴热误差的预测精度,以某型号数控车床主轴为研究对象,提出基于小波神经网络(WNN)的主轴热误差建模方法。利用K-means++聚类结合相关性分析理论,将温度测点从10个减小到2个。针对小波神经网络对初始值敏感的问题,采用蝙蝠算法(BA)将预测输出值与实验测量值之差的绝对值作为个体适应度函数,将蝙蝠个体的位置向量映射为小波神经网络的初始连接权值、尺度因子及平移因子,实现对小波神经网络初始值的优化。利用优化后的小波神经网络建立车床主轴热误差预测模型,与未优化的小波神经网络和BP神经网络预测模型对比。结果表明:BA-WNN对主轴轴向热误差的预测精度较高、残差较小、预测能力更强。     

数控机床热变形误差超前预测研究

针对当前数控机床热变形误差实施补偿存在的预测值滞后实际补偿值问题，提出基于长短期记忆(LSTM)神经网络算法热误差超前预测解决方案，详细探讨LSTM神经网络算法的解析流程，建立基于LSTM神经网络算法热误差超前预测模型，并进行关键温测点及热变形误差超前预测实验。实验结果表明：热变形误差实际值与预测值的最大残差、平均值和均方差均在可控范围内，超前预测的准确度为86.3%，进一步论证了机床热变形误差超前预测的有效性。     

数控机床热变形误差补偿技术

热变形误差是影响机床加工精度的重要因素之一,通过实时热变形误差补偿可以提高数控机床加工精度.本文在分析产生机床热误差的原理的基础上, 探讨了热误差的测量方法,利用多元线性回归方法建立了机床热变形与温升之间的数学模型.应用数控系统的PLC补偿功能,对XH178加工中心加工过程中的热误差进行了实时补偿.实验结果表明误差补偿量达到80%以上.     

数控车床热误差实时补偿研究

热误差是数控加工中的主要误差源之一,对零件加工精度有非常大的影响。对数控车床热误差进行补偿可以有效地提高机床的加工精度。在数控车床的加工过程中,采用铂电阻温度传感器对数控加工中关键点的温度进行实时测量,再配合线性回归理论建立数控车床的热误差模型。最后根据热误差模型对数控车床的加工误差进行实时补偿,经验证该技术是可靠有效的。