基于灰色GM(1,4)模型的数控机床热误差补偿技术

为降低机床加工过程中温度场变化对机床加工精度的影响,分析了数控机床生产过程中热源组成及热误差产生机理,根据灰色关联度理论从原设定的8个温度测量点中计算选定4个机床温度关键测量点,建立了灰色GM(1,4)预测模型。该模型搭建了4个关键测温点的温度变化情况与机床热误差值之间的映射关系,能在生产过程通过获取关键点温度实时预测机床热误差值,再通过数控系统将预测值补偿到刀具进给位置,以此形成机床热误差补偿机制。最后,以精密卧式加工中心THM6380为实验对象,检验GM(1,4)模型预测结果与实际热误差值间的差距,拟合残差在±1μm以内,拟合效果良好。     

基于RBF神经网络的数控车床热误差建模

对于数控车床而言，热误差是其最大的误差源，而其中最困难的是热误差建模．现有BP算法的神经网络模型存在学习收敛速度慢，容易陷入局部极小点的缺点．文中使用径向基函数理论建立了基于RBF神经网络的数控机床热误差数学模型．讨论了RBF网络参数的初始化及学习；给出了两种建模方式的RBF网络建模算例，将其建模性能指标与经典最小二乘法建模指标进行综合对比，可知RBF网络各项指标均优于经典最小二乘方法．最后验证了RBF网络建模的鲁棒性．结果表明：径向基神经网络模型与经典最小二乘线性模型相比，拟合性能更好，预测补偿能力强且建模时间短．     

机床热变形误差实时补偿技术

研究了通过实时补偿热误差提高数控机床加工精度的方法,采用一维球列加快和简化了热误差的测量。利用多元线性回归方法建立了热误差与温度的数学模型,在外部微机的帮助下,可在加工过程中实时补偿热误差,切削实验表明补偿效果良好。     

基于AVQ聚类和OIF-Elman神经网络的机床热误差建模

针对数控机床热误差补偿技术中温度布点选取的问题,提出了基于前馈神经网络的自适应矢量量化(AVQ)网络聚类的方法,将AVQ网络聚类法应用于一台加工中心并将18个测点减少到3个,基于输出-输入反馈Elman(OIF-Elman)神经网络模型建立了机床热误差与关键测点温度之间的关系.结果表明,采用基于AVQ网络聚类法和OIF-Elman神经网络预测模型,能够降低机床温度测点之间耦合作用的影响,提高热误差建模的准确性与鲁棒性.     

基于状态空间模型的机床热误差动态建模

提出了一种基于状态空间模型的机床热误差建模方法,以几个关键温度点的温升为输入,结合状态变量和干扰来确定热误差输出,由子空间辨识算法得到模型参数.同时,在一台数控车床上进行实验,以探究模型的精度和鲁棒性.结果表明:在不同的转速条件下,所提出的模型能够补偿70%的热误差;与自回归模型的建模方法相比,状态空间模型表现出更优异的鲁棒性.     

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SSO算法优化神经网络的数控机床热误差建模

针对影响五轴数控机床加工精度的复杂热特性,提出了一种用于摇篮式五轴数控机床热误差建模方法.该方法主要采用鲨鱼嗅觉优化(SSO)算法和神经网络的复合建模方式,有效提高了机床热误差预测模型的精度和建模效率.首先通过使用热成像仪筛选出机床的温度敏感点,然后将温度传感器布置在机床热敏感点的位置,将采集到的热特性数据采用本文所提方法进行热误差建模,结果表明,该方法在建模速度和精度上要优于ABC和PSO神经网络,最后将该热误差预测模型应用于五轴数控机床热误差补偿实验,将试件加工精度提高了32%.     

机床热误差补偿建模方法研究

在机床热误差补偿技术研究中,热误差鲁棒建模是机床热误差补偿的成功关键之一。对国内外几种主要的热误差建模方法进行了较为深入的分析研究,比较了不同方法各自的优缺点,并针对缺点介绍了一些改进方法。在此基础上,总结归纳了目前研究存在的问题,并对未来的发展方向进行了探讨。     

数控机床热误差的最优线性组合建模

提出数控机床热误差的最优线性组合建模方法及其相关算法.该方法通过线性和的方式对基于不同数学理论所建立的热误差模型进行综合,并以不同拓扑结构及训练算法的反向传播神经网络为例,建立了最优线性组合神经网络.通过对一台CNC机床的实际加工数据进行分析,对该建模方法进行验证,并探讨了该方法的最佳使用条件及其原因.建模结果表明,所提出的方法能够在节省建模时间的同时大幅提高所建立模型的预测精度,是一种高性价比的建模方法.     

数控机床热误差实时补偿应用

将由机床热变形引起的、决定工件加工误差的工件与刀具间相对热位移通过机床数控系统的外部机床坐标系偏置来实现实时补偿,并研制开发了高精度、低成本、满足实际加工要求的热误差实时补偿控制器,经数家企业实际生产使用,数控机床的加工精度大幅度提高,从而验证了本方法的正确性和本实时补偿控制器的有效性。     

数控机床主传动热变形误差实时补偿的应用研究

利用FANUC 0 I-MC系统外部机床坐标系偏置实现了数控机床主传动系统热误差补偿,在多台数控机床上试验,使得机床的精度大幅提高,从而验证了此方法的正确性和实用性。     

数控机床热误差的混合预测模型及应用

基于机床热变形误差的产生机理及其表现形式的复杂性,综合时序分析方法建模和灰色系统理论建模的优点,研究了一种智能混合预测模型.将该模型应用于一台数控车削加工中心进行热误差趋势预测,以进行机床热误差补偿研究.结果表明,混合预测模型预测精度高于时序分析模型和灰色系统模型,其优异的预测性能可使数控机床进行实时补偿更加有效,从而大大提高机床热误差的补偿精度.     

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.     

并联机床平面约束机构误差分析与建模

针对五轴数控机床平面约束机构进行了误差分析,指出了并联机床平面约束机构误差主要影响因素为机构的制造误差和安装误差·前者与由其引起的约束机构顶边中点沿x方向的位移成非线性关系,而后者则成线性关系·提出了一种依据测量数据反演非线性误差模型的建模方法,给出了五轴并联机床约束机构实测信息与模型输出间的多项式误差模型·比较仿真结果与测量结果可知,基于上述方法建立的误差模型精确,进而利用该模型对机床进行实时精度补偿,可使机床x方向定位精度大为提高     

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.     

数控机床热补偿中温度变量的选择与建模

叙述了一种在机床热补偿过程中,利用多元统计分析中的聚类分析方法对温度变量进行初步筛选,然后利用逐步回归方法获得最优模型的方法.对一台车削加工中心温度测量的变量进行了选择,并且利用逐步回归方法得到了补偿模型.结果表明,这种建模方法,不但很好地避免了温度测点的相互影响,保证了模型精度,而且节省了工作量和成本.