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。     

普通机床加工误差分析

对误差进行有效分析及寻找改进措施就成为加工企业的重生产课题,本文着重分析了普通机床在加工过程中的误差种类,并提出若干改进措施,以供参考。     

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。     

机床夹具的误差及误差系统图

从几何和物理的角度系统地分析与夹具有关的各项误差及其关系，并制定出夹具误差系统图，为夹具设计和分析计算夹具误差提供参考。     

机床误差辨析

本文就机床误差的概念、机床误差的组成及分析方法进行了理论上实践上的探索,用该方法进行教学效果颇佳,并就在特种柱面加工数控机床上的应用作了分析。     

机床加工中的定位误差分析

文中主要针对机械加工中的定位误差进行了分析，并给出相关误差的计算公式。     

机床热误差建模的组合小样本LKL方法

在辨识机床的热变形模型时，由于所能得到的样本较小且含有测量噪声，因此简单地采用传统的辨识方法效果并不理想。为此本文提出了一种组合样本的ＬＫＬ方法，将多个小样本组成一个大样本进行辨识。实验结果表明，该方法可以明显提高辨识精度。     

机床定位误差的微机补偿方法

本文介绍了机床和仪器定位误差的各种微机补偿方法,采用列表法和水平分割,在由单片机控制的误差补偿系统中,对感应同步器数显装置的定尺零位误差进行了补偿,使其误差基本控制在正,负一个脉冲当量内。理论分析和实验结果表明,微机误差补偿技术可以大幅度提高机床和仪器的定位精度。     

基于蚁群算法的机床热误差建模技术

通过分析机床热变形机制,采用蚁群算法对BP神经网络的权值进行训练,得到一种新的仿生预测模型,并将该模型应用于Y3150K型滚齿机中进行热误差补偿实验,使滚刀主轴的热变形误差控制在6 μm以内.结果表明,该模型不但避免了BP神经网络算法易于陷入局部极小的缺陷,且其预测能力较强、鲁棒性更佳,大幅提高了热误差补偿精度.     

基于弹性变形和矢量叠加原理的新型整骨机器人误差分析

整骨机器人作为医疗智能化辅助装备,考虑到其作业对象的特殊性,其结构设计在精度方面具有极高要求。本文针对一种新型的整骨机器人机械结构,分析了其静力学精度特性。首先确定其主要误差来源,建立了误差传递模型。然后根据几何关系和弹性变形理论对各个误差分别进行分析和研究,确定了影响误差值的结构参数与对应关系,并根据工程样机的具体数值计算出误差值。最后根据空间矢量叠加原理计算出整骨机器人末端最大变形位移,并与工程样机加载实验结果进行对比。结果表明,最大变形误差为0.638 82 mm,与实验结果基本一致,满足偏差不超过2 mm、运动精度为±0.8 mm的定位和手术要求。本文的研究为整骨机器人的结构参数设计和优化提供了理论基础。     

机床热误差建模技术研究进展

切削加工过程中,机床会由于受不同热源影响而发生热变形,产生机床误差即热误差。在各种类型的机床误差中,热误差可占机床总误差的40%~70%,是影响机床加工精度的主要因素。为减小不同热源对机床热误差的影响,提高机床加工精度,目前主要有3种方法:1)通过对机床零部件进行优化设计,提高机床热刚度;2)应用更为有效的隔离措施,尽量减小或隔离热源影响;3)热误差补偿,通过对热误差进行在线预测及实时补偿,减小机床热变形。热误差建模是实时补偿热误差的前提和基础。首先对机床热误差建模技术进行了介绍,并对热误差建模技术领域的国内外研究现状进行分析,总结了目前热误差建模领域存在的主要问题,进而对热误差建模技术的未来发展方向进行了展望。     

3-PRS serial-parallel machine tool error calibration and parameter identification

3-PRS serial-parallel machine tool consists of a 3-degree-of-freedom (DOF) implementation platform and a 2-DOF X-Y platform. The error modeling and parameter identification methods were deduced based on 3-PRS serial-parallel machine tool. 3-PRS serial-parallel machine tool was researched, and the mechanism of error analysis, modeling, identification of error parameters and measurement equipment for the use of agency error of measurement were conducted. In order to achieve the geometric parameters calibration and error compensation of the serial-parallel machine tool, the nominal structural parameters of the controller was adjusted by identifying the structure of the machine tool. With the establishment of a vector space size chain, we can do the error analysis, error modeling, error measurement and error compensation can be done.     

3-PRS serial-parallel machine tool error calibration and parameter identification

3PRS serialparallel machine tool consists of a 3degreeoffreedom (DOF) implementation platform and a 2DOF XY platform. The error modeling and parameter identification methods were deduced based on 3PRS serialparallel machine tool. 3PRS serialparallel machine tool was researched, 〖JP2〗and the mechanism of error analysis, modeling, identification of error parameters and measurement equipment for the use of agency error of measurement were conducted. In order to achieve the geometric parameters calibration and error compensation of the serialparallel machine tool, the nominal structural parameters of the controller was adjusted by identifying the structure of the machine tool. With the establishment of a vector space size chain, we can do the error analysis, error modeling, error measurement and error compensation can be done.     

3-PRS serial-parallel machine tool error calibration and parameter identification

3-PRS serial-parallel machine tool consists of a 3-degree-of-freedom (DOF) implementation platform and a 2-DOF X-Y platform. The error modeling and parameter identification methods were deduced based on 3-PRS serial-parallel machine tool. 3-PRS serial-parallel machine tool was researched, and the mechanism of error analysis, modeling, identification of error parameters and measurement equipment for the use of agency error of measurement were conducted. In order to achieve the geometric parameters calibratio...     

五自由度并联机床数控系统软件开发

充分利用PMAC运动控制卡的多轴联动控制和实时通讯能力,以Windows操作系统为平台,用Visual Basic 6.0开发了开放式数控系统软件.针对并联机床的特点,重点介绍了数控系统人机交互、运动控制、标定校准、故障诊断、位姿检测等各功能模块.PC机负责整个系统的管理、实时通讯、反解运算、代码编译等任务,PMAC卡实现伺服更新、位置反馈及输入/输出端口监控等功能.控制系统软件运行速度快且平稳,控制精度高,安全性好,并可根据不同需求移植和扩展各功能模块,已成功应用于实际五自由度并联机床控制中.     

多项式回归理论在机床热误差建模中的应用

通过理论分析,利用多项式回归理论中的增广样本相关系数,结合复相关系数的方法剔除与因变量和其他自变量相关系数均很低的自变量,建立机床热误差补偿模型.该方法与逐步线性回归热误差建模法相比,可避免出现温度变量耦合现象,缩短建模时间.通过残差及拟合图验证该模型具有较高的回归精度.     

基于优化最小二乘支持向量机的数控机床热误差建模分析

数控机床热误差是降低加工精度的主要因素之一.针对热误差建模问题, 结合布谷鸟算法的随机莱维飞行机制和最小二乘支持向量机结构风险最小化与线性规划等优点, 提出基于布谷鸟算法优化最小二乘支持向量机的热误差建模方法.在最小二乘支持向量机将低维非线性问题转化为高维线性问题时, 构建了混合核函数.同时,采用布谷鸟算法对最小二乘支持向量机惩罚因子γ、核宽度参数σ和混合核权值λ进行了优化.以GMC2000A机床为实验对象, 分别对热误差数据进行了聚类分析和建模分析.通过误差预测对比分析得出结论, 基于布谷鸟算法优化混合核最小二乘支持向量机建立的误差模型取得了良好的预测效果, 且明显优于BP神经网络模型和未优化的最小二乘支持向量机模型的预测效果.     

数控机床小样本类型子系统的可靠性建模

数控机床中很多子系统故障数很少,属于小样本的类型,使用传统经典可靠性建模方法进行建模往往会有较大的误差。对于小样本类型的故障数据,首先使用极大似然估计方法估计出各子系统故障间隔时间威布尔分布模型的参数,再采用参数偏差修正方法对各威布尔分布的模型进行修正。最后使用D检验法和误差面积比检验法检验参数偏差修正的效果,检验结果证明了修正后的模型更优。     

计算机辅助主轴回转误差测试与分析

讨论了计算机辅助主轴回转误差检测原理,分析了影响测量精度的因素,通过傅立叶变换分析,指出检测元件安装偏心和形状误差是影响主轴回转误差测量精度的主要因素.采用滤波技术消除检测元件安装偏心和形状误差的影响,达到精确获取主轴回转误差信息的目的.     

ENSO ensemble prediction: Initial error perturbations vs. model error perturbations

Based on our developed ENSO （El Nino-Southern Oscillation） ensemble prediction system （EPS）, the impacts of stochastic initial-error and model-error perturbations on ENSO ensemble predictions are examined and discussed by performing four sets of 14-a retrospective forecast experiments in both a deterministic and probabilistic sense, These forecast schemes are differentiated by whether they con- sidered the initial or model stochastic perturbations, The comparison results suggest that the sto- chastic model-error perturbations, which are added into the modeled physical fields to mainly represent the uncertainties of the physical model, have significant, positive impacts on improving the ensemble prediction skills during the entire 12-month forecast process, However, the stochastic initial-error perturbations have relatively small impacts on the ensemble prediction system, and its impacts are mainly focusing on the first 3-month predictions.