数控机床热误差变参数GM(1,1)的建模

为提高数控机床的加工精度,减少热误差对零件加工质量的影响,对热误差变参数灰色GM(1,1)在线预测模型进行研究.变参数灰色GM(1,1)在线预测模型能直接运用热误差时间序列值进行单序列建模,并给出模型参数的逐步迭代公式,根据不断输入的新数据,变参数模型能利用迭代公式,及时修正模型参数.以某精密卧式加工中心为研究对象,对所提出的变参数灰色GM(1,1)模型进行应用验证,并与传统的,1)模型和新陈代谢GM(1,1)模型进行对比研究.对比分析的结果表明:变参数灰色GM(1,1)模型很好地解决了传统的GM(1,1)模型难以预测大样本数据和非线性变化趋势的问题,且比新陈代谢GM(1,1)模型建模运算量小、求解时间短.变参数灰色GM(1,1)模型的预测值与实验结果对比表明,该模型预测精度高、通用性好,适用于机床热误差建模预测,进而提高机床的加工精度.     

基于人体免疫系统RBF网络的数控机床热误差建模

针对现有误差预测模型无法实现结构自适应调整和在线训练的不足,通过对比人体免疫系统和人工神经网络,提出人工免疫RBF(AIRBF)网络,实现了网络结构的动态调整和在线学习.通过数控车削中心进行的实验验证,并将预测结果同传统RBF网络预测结果进行比较.结果表明,该网络结构简单,能够很好适应热弹性变形的非线性时变特性,并能获得更高的热误差预测精度和更好的对突变数据点的跟随性.     

五轴数控机床综合误差建模分析

分析了机床运动副的误差运动学原理，利用齐次坐标变换对一台包含3个移动副和2个转动副的五轴加工中心建立了误差综合数学模型．模型中不仅包含了几何误差且包含了热误差，共计57个误差元素．本分析方法可为其他类型的多轴数控机床、机器人的误差综合建模及补偿提供理论参考．     

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%.     

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.     

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。     

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3次样条插值的数控机床几何与热复合定位误差建模

通过分析机床整个温升直到热平衡的误差数据,总结误差分布的数学规律,将热误差和几何误差分离,运用基于压紧样条条件下的3次样条插值算法,以线性拟合后的余差为建模数据,建立了数控机床几何与热复合定位误差数学模型.实验结果表明,该数学模型能很好地拟合数控机床定位误差曲线,补偿后数控机床定位精度提高了80%以上.该方法可运用于不同时刻或不同机床温度下的机床定位误差补偿,建模原理明了、过程快速,模型适用性好.     

五轴数控机床几何误差建模研究

阐述了五轴机床的综合误差建模过程,对传统的建模过程进行了优化处理,得到了包含方向误差在内的综合数学模型。     

基于误差分解的数控机床热误差叠加预测模型及实时补偿应用

针对数控机床热误差变化复杂而难以用常规方法预测的问题,将温升过程的热误差按不同的误差因素分解为静态基准误差和温升影响误差2个部分,分别建模并叠加生成热误差整体预测模型;利用所建模型对一台典型三轴数控铣床进行热误差预测;同时,结合自主研发的误差实时补偿系统,采用模型预测值对机床热误差进行实时补偿.结果表明：所提出的模型可以准确预测温升过程中任意温度的变化状态和坐标位置的热误差;模型预测值对机床热误差的补偿效果显著,可大幅降低热误差对加工精度的影响.     

基于最优分割和逐步回归方法的机床热误差建模方法研究

根据机械结构的基本热变形模式,分析加工过程中的机床热误差模态,对温度测点进行初步选择.通过最优分割法优化温度测点和逐步回归法建模,将温度测点个数从初始的16个减少到3个热关键点.机床热误差模型拟合结果与实际热误差测量结果进行比较,检验结果说明该热误差模型精确度优良.     

基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。     

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。     

机床热变形误差综合

本文作者提出一种新方法和方程式来综合按热变形规律变化的尺寸对机床精度的影响,并建议采用机床的精度失控时间来评价机床的热态精度。     

精密车削中心热误差鲁棒建模与实时补偿

为了减小数控机床的热误差.提高数控机床的加工精度,使用BP神经网络和遗传算法相结合的方法建立了热误差模型,并基于所建模型开发了数控机床热误差实时补偿系统.基于对数控机床热动态过程的分析,利用4个关键温度点,建立BP神经网络热误差模型.用遗传算法优化BP神经网络连接权值和阈值,提高了模型的预测精度和收敛时间.试验结果表明:对精密车削中心进行实时补偿后,加工误差从32 μm降低到大约8 μm,明显提高了数控机床的加工精度.     

大型机床热误差检测及建模

以大型机床热误差补偿为研究列标、以大型龙门机床为研究对象,开发了温度热误差检测系统,实测了机床的热误差和温度场,并利用热误差及温度变量间的相关性,选取了建模温度变量,采用多元回归,建立了Z向热误差模型,并预测了后续热误差的变化。预测结果有效地将热误差带宽从60μm降为18μm,有效证明预测的可行性。     

分段修正系数建模数控机床热误差

首先分析了建立在最小二乘法基础上的线性回归分析建模原理的不足及其局限性,在此基础上提出了分段修正系数建模机床热误差方法,并对其原理及建模补偿策略进行了详细推导.通过对数控车削加工中心主轴径向热误差进行建模补偿试验,可以看到,在建模时使用的原始采样点处,拟合误差几乎为零,代入非原始采样点数据时,由模型算得的热误差补偿值和原始采样数据具有很好的拟合性,表明这种建模方法可有效提高热误差补偿精度.
     

机床热误差的检测与建模方法

热误差作为影响机床加工精度的主要因素,通过误差补偿可以对其进行有效控制.在误差补偿法中,获得机床热误差并建立热误差模型是整个补偿过程的核心与关键.综述了机床热误差的检测方法和建模方法,包括直接、间接检测法,和多元回归分析法、人工神经网络法、支持向量机法、灰色系统理论法及贝叶斯算法.并结合目前的研究现状,展望未来的发展.