车床主轴与进给轴耦合热误差建模及补偿研究

针对车床实际加工中主轴与进给轴的热误差相互耦合共同影响工件精度的问题,建立了综合热误差模型并进行了有效补偿。以海德曼HTC500/500精密车床为研究对象,对车床主轴与进给轴热误差的耦合关系进行了解耦;利用模糊聚类理论实现了车床测温点的优化分组,建立了主轴与进给轴的耦合热误差多元线性回归模型,并在精密车床上得到实际应用。结果表明:车床耦合热误差模型符合实际工况,模糊聚类有效降低了温度变量之间的多重共线性,提高了模型的预测精度;主轴x/z方向的预测精度达88.4%、90.7%,进给轴x/z方向的预测精度达82.9%、71.3%;补偿后车床x/z方向精度分别提高了60.3%、56.6%,证明了耦合热误差模型的准确性。     

基于遗传RBF神经网络的高速电主轴热误差建模

针对高速电主轴热误差建模,对HMC80加工中心电主轴单元进行了热误差测量实验,综合利用模糊聚类法和灰色关联度分析法对测温点进行优化,使测温点数量从8个减少到3个,该方法同时考虑了温度变量之间的复共线性和测温点温度与热误差之间的相关性.以优化后的温度变量为输入,热误差为输出,建立基于遗传算法径向基函数(RBF)神经网络预测模型,并与其他方法进行比较.分析结果表明:相比于传统RBF神经网络法和多元线性回归法,遗传RBF神经网络建立的热误差预测模型精度更高、鲁棒性更强.     

基于粒子群算法与BP网络的机床主轴热误差建模

为了避免基于反向传播(BP)神经网络的主轴热误差模型精度低、通用性不强和收敛性较差等缺点,利用模糊聚类理论与相关分析法对温度变量进行优化,并且选取热敏感点以挖掘温度变量与热误差间的相关性,降低温度变量间的耦合性.利用粒子群优化算法(PSO)将预测输出与期望输出间误差平方和的倒数作为个体适应度函数,将个体头部分与身体部分的表现码分别映射为网络的隐含层节点数、权值和阈值,实现了对BP网络的拓扑结构的有效优化,通过跟踪个体极值和全局极值实现了粒子群个体速度与位置的更新.分别建立了基于BP和PSO-BP网络的热误差模型,以精密坐标镗床主轴为研究对象,采用五点法对高速主轴热误差进行测量.结果表明,PSO-BP模型可实现不同工况下主轴空间位姿状态的高精度预测,验证了测量及建模方法的有效性.     

数控机床温度测点优化及热误差预测方法研究

热误差补偿技术是提高机床加工精度经济有效的方法,确定最佳关键温度测点布置位置和数目将极大提高机床热误差模型的精度和鲁棒性。针对一台立式加工中心,进行了机床热误差测量试验,根据其温度场,提出了模糊聚类与信息论相结合的方法,寻找最佳温度测点布置位置。该方法根据温度变量间的相似性,对温度变量聚类分组,然后利用互信息法对组内变量单独寻优,实现温度测点优化布置,最后利用多元线性回归分析建立机床热误差预测模型。在VMC1165立式加工中心进行了试验验证,温度测点减少为4个,热误差模型的拟合最大残差降低到5μm以内,相对于其他方法进一步提高机床热误差预测精度。     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。     

采用天鹰优化卷积神经网络的精密数控机床主轴热误差建模

针对数控机床因主轴热误差而严重影响加工精度等问题，结合求解最优解能力强的天鹰优化算法(AO)以及自学习和自适应能力强的卷积神经网络(CNN),提出一种采用AO-CNN的数控机床主轴热误差模型。根据磨齿加工过程特点，总结磨齿机主轴系统热变形规律，确定了X方向热误差为影响齿轮加工的主要因素；利用模糊C均值聚类(FCM)和相关系数法筛选出关键温度点；利用AO算法优化CNN结构的卷积核，并且建立AO-CNN的数控机床主轴X方向热误差预测模型。在2种不同转速的工况下对所建立模型的性能进行了验证，结果表明，采用AO-CNN进行热误差建模，数控机床X方向的热变形预测精度相比于CNN模型提高了15%,具有更加优越的预测精度。     

数控机床多变量关联热误差组合模型及其实验验证

针对主要基于受综合因素影响的机床本体温度所建立的热误差模型鲁棒性较差的问题.综合考虑机床本体温度、动力源转速、冷却液温度及环境温度提出了多变量关联热误差组合模型.将最小二乘支持向量机(LS-SVM)的方法运用到热误差建模中,并利用偏最小二乘(PLS)方法提取输入变量的主成分作为LS-SVM的输入,形成PLS-LSSVM组合热误差模型.此外根据数控加工过程及材料热变形原理,将相对起始温度的差温值作为温度输入,使热误差补偿更加准确.在某型号精密加工中心进行实验验证,结果表明:PLS-LSSVM模型比LS-SVM更稳定,比PLSR预测精度高;考虑差温多变量的PLS-LSSVM模型较单纯考虑机床本体测量温度值的PLS-LSSVM~*模型,热误差预测值的均方根误差(RMSE)平均减少了5.5μm.     

大型数控滚齿机热误差补偿建模

针对某大型数控滚齿机,提出滚刀与工件主轴中心距热误差计算新模型,建立热误差实验检测系统,进行热误差与温度的关系实验;在此基础上,采用模糊聚类与多元线性回归法建立滚刀与工件主轴中心距热误差补偿模型;将补偿模型与实验数据进行对比分析,揭示滚齿机热误差规律,得到热误差随加工温度变化曲线。研究结果表明:经热误差理论、实验及补偿模型值比较,三者热相对误差均低于5%,验证了所建立热误差补偿模型的正确性与有效性,表明该热误差补偿模型精度高,实用性及鲁棒性强,可为滚齿机热误差预测、控制及实时补偿提供有益参考与指导。     

大型数控成形磨齿机热误差建模及补偿

基于大型数控成形磨齿机热误差是影响齿面加工精度的重要因素,通过建立磨齿机热误差实验平台,研究砂轮与工件轴的径向热误差随温度变化的关系。结合模糊聚类法基本原理和最小二乘法理论,建立砂轮与工件轴的径向热误差补偿模型,并将补偿模型的计算值与实验检测值进行对比。进行热误差补偿加工实验,验证热误差补偿模型的准确性与可靠性,揭示成形磨齿机热误差与温度之间的关系。研究结果表明:该误差模型的补偿精度高、可靠性好,与实验测量值的相对误差小于2.000%,可有效提升齿面整体加工精度(ISO)3级以上。     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

基于球杆仪的三轴数控机床热误差检测方法

热误差是影响机床加工精度的主要误差项．为了快速检测机床自身热误差，在研究机床综合误差和球杆仪检测原理的基础上，提出了一种快速有效的检测方法——球杆仪法．通过建立三轴数控机床的几何误差和热误差的综合误差模型，提出机床的几何误差和热误差的检测及分离方法，并对影响加工精度较大的主轴与Z导轨的平行度误差、标尺热变形导致的比例误差以及滚珠丝杠变形导致的周期性误差等主要热误差项进行了球杆仪圆轨迹测试法的模拟仿真，通过进行球杆仪检测实验，测得机床空载时的主轴端热漂移误差，得到其变化规律曲线．相对于传统热误差检测法，该方法简捷有效．     

基于时间序列算法的数控机床热误差建模及其实时补偿

提出了一种基于时间序列算法的机床热误差建模方法.通过时序算法综合分析软件,对实测的热误差数据进行预处理、模式识别、模型参数估计、循环定阶判别以及模型整合,建立表征机床热误差变化规律的实时补偿模型,并通过判别温度变化趋势,实时调整模型迭代系数.通过实时补偿系统,利用所建立的热误差补偿模型对数控机床的热漂移误差进行实时补偿加工.结果表明,工件的径向尺寸误差从补偿前最大的112μm降低到7μm,机床加工精度和稳定性大幅度提高.     

基于支持向量机的结霜过程特性参数预测模型

为解决结霜过程中有明显的非线性和时变性特征及测试数据中受噪声干扰较大、特性参数预测效果较差的难题,引入了基于结构风险最小化的支持向量机方法,建立了以热力参数集、时间、空间等为特征向量的预测模型.应用实验数据对模型进行了验证和评估,并与基于最小二乘法的预测模型进行了对比分析.结果表明,基于支持向量机的预测模型具有良好预测性能、非线性逼近能力和抗噪声干扰能力.     

基于改进支持向量机的作物叶水势软测量建模

在标准最小二乘支持向量机(least square supportvector machine,LS-SVM)的基础上,利用改进的粒子群算法(i mproved particle swarmopti mization,IPSO)来优化LS-SVM模型参数,提出了基于IPSO-LS-SVM的软测量建模方法,建立了作物叶水势软测量模型.仿真结果表明,该方法比基本LS-SVM和PSO-LS-SVM模型具有更高的精度,能够很好地预测作物叶水势信息.     

基于支持向量机的武器装备研制项目风险评价方法

针对武器装备研制项目风险评价方法在实际应用中存在的问题,对支持向量机在武器装备研制项目风险评价中应用的可行性进行了分析,提出了基于支持向量机的武器装备风险评价模型.应用收集相关项目的数据资料进行了实证研究,并与神经网络和模糊综合评价法进行了比较分析.结果表明,基于支持向量机的评价模型具有良好的自学习性和特征提取能力,可为武器装备研制项目风险评价提供有益的参考.     

数控机床动压主轴的热误差建模技术研究

为了降低加工过程的热误差,提高数控机床加工精度,基于时序相关分析理论与数值计算方法,建立了一种以温度场分布及加工参数为输入的新型机床主轴热误差建模方法.所建模型由热误差模型、主轴动压轴承热特性模型以及主轴热传递模型三部分组成.该方法首先根据时序相关理论建立热误差与温度测点之间的相关模型,再通过灰色相关理论完成关键温度测点位置与数量的优化,同时,基于数值计算与热传导理论,建立了动压主轴系统热特性模型.以一台大型龙门导轨磨床为实验对象,建立了磨床主轴箱热误差预测模型.实验结果表明,所建立的热误差模型具有良好的热误差辨识性能.     

基于电流的主轴性能退化评估方法

为提高精密机床主轴检测的准确性,提出了一种基于电流的主轴性能退化评估方法.建立了主轴性能退化模型,使主轴状态便于监测和评估.首先采用小波包阈值对电流信号进行去噪处理,对去噪后的电流信号提取时频域特征量,构造多域特征空间.然后利用主成分分析法（PCA）进行数据降维,用降维后的样本进行支持向量机回归建模.采用粒子群算法（PSO）对支持向量机模型进行参数优化,以获得最优性能退化模型.将该模型应用于主轴实验台主轴性能退化评估,实验结果表明该方法原理正确,可以准确评价主轴性能.      

一种基于支持向量机的PCA分析方法

提出一种更简洁的用于主要成分分析 (PCA)及其非线性分析的公式 .给出一个含有规则化项的原始权空间的约束最大优化问题 ,应用核技巧来解决其对偶问题 .该公式同最小二乘支持向量机 (LS SVM )分类器相似 .遵循常规的SVM方法 ,将输入空间的数据映射到高维特征空间 ,然后使用核技巧 ,利用主对偶约束最大优化来解释线性和非线性PCA分析问题 .其优点在于对偶问题适用于高维输入空间 ,而原始问题在N很大时能被更好地解决 .