机床温度测点优化方法研究及试验验证

针对机床热误差补偿技术中的关键温度测点选取问题,提出了一种温度测点优化新方法.首先采用简单相关分析,剔除掉与热误差明显不相关的测点.然后对初步筛选出的测点进行模糊聚类分析,以消除温度变量间的复共线性问题,同时进行灰色综合关联度分析,判断各测点与热误差间的紧密程度.根据分析结果,建立多个不同测点的热误差模型,对模型进行基于统计学理论的分析,确定出关键温度变量,将温度测点由20个减少至4个.根据优化结果,重新建立多元线性回归模型.误差预测结果表明,主轴Z向最大热误差从17.903μm减小到1.850μm.     

基于IFCM-GRA的空间多维热误差温度测点优化

热误差是精密、超精密加工中主要的误差源之一,热误差温度测点优化是热误差补偿的关键问题.在机床空间多维布置的大量温度测点之间存在多重相关性,从众多测点中选取特征点的优劣程度,将直接影响到热误差补偿效果.通过对温度测点间多重相关性及温度与热误差关系的综合分析,采用改进的模糊C-均值(IFCM)聚类算法对温度测点进行聚类,以减小类与类之间温度测点的相关性,且避免FCM算法对初始聚类中心敏感易局部收敛的缺点.对温度测点按灰色关联分析(GRA)中的灰色综合关联度进行排序,从变化量和变化率的角度综合反映温度与热误差的关系.采用IFCM-GRA对温度测点进行优化,提高了热误差模型的鲁棒性及准确性,使温度测点数量大幅度减少.在某型号精密卧式加工中心上进行实验,温度测点从17个减少到4个.在不同转速下,利用多元线性回归对优化出的温度测点与热误差建立模型,所建立模型均能很好地预测热误差变化情况,经对预测模型分析,轴向热误差由几十微米减小到5μm以内.     

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。     

基于灰色综合关联度的数控机床温度测点分组优化

提出了基于灰色系统理论中的灰色关联分析方法对数控机床热误差元素进行优化建模的方法.该方法先根据温度测点之间灰色综合相关度矩阵,对依据工程经验布置在机床上的温度测点进行分组;再通过计算各温度测点数据与热误差数据间的相关程度,从各组中选择代表测点,并对其进行排列组合;通过计算各温度测点组合所建立模型的理论输出与实际热误差间灰色综合相关度,确定关键温度测点.将该方法应用于一台数控车削中心的热误差建模,温度测点数量由16个减至4个,据此表明建立的模型能够避免温度测点之间相互耦合的影响,准确性和鲁棒性均得到较大提高.     

我国天然气消耗量的影响因素分析及预测

基于我国1994～2021年天然气消耗量相关数据,选取可能影响天然气消耗量的23个指标,采用灰色关联分析法分析各指标与天然气消耗量的关联程度,用GM(1,1)和GM(1,N)两种灰色模型进行预测。结果显示,国民生产总值GDP和可使用天然气人口数量与天然气消耗量的关联程度最大,基于4个核心因素建立的的GM(1,4)模型较GM(1,1)能够更好地拟合历史消耗量数据,具有良好预测性能。由此可为中国能源产量结构调整,以及经济产业建设战略布局提供决策参考。     

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.     

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.     

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.     

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。     

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.     

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.     

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.     

数控滚齿机热变形误差分析与补偿新方法

为了对数控滚齿机的热变形误差进行补偿,提高齿轮加工精度,利用聚类回归分析方法,优化选择了热误差补偿过程中的温度测量点.采用最小二乘回归方法建立了热误差模型,实验结果验证,该模型精度高.提出了一种热误差差动螺旋补偿方法,该方法完全采用外部硬件补偿,能够独立地实现对热变形误差的实时补偿.与其他补偿方法对比,该方法不受限于数控系统的开放性,通用性较强.     

机床热特性优化研究综述

随着精密加工技术的发展,探究机床各部件生热对精密加工的影响,以提升机床加工精度及精度稳定性成为当前研究重点。本文介绍了精密机床热特性的内、外环境影响因素及控制优化方法,从车间及其机床热环境、结构设计、冷却方式、热误差补偿技术4个方面展开,分析了现代精密机床中误差防止及误差补偿中使用的热设计措施,并针对现有机床温度分布不均、换热效果较差等特点,运用帕尔贴、碳纤维、相变微胶囊材料,结合传热学知识原理,提出了未来解决机床重要部件温升的可发展关键技术方案,以资参考。     

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.     

机床热特性研究

机床热误差严重影响机床的加工精度,必须对其加以控制,在研究机床的热误差时,首先需要明确机床的热特性,该工作可以为后续热误差建模提供模型输入值.主要综述了机床热误差的来源、机床温度场的获取方法、温度传感器布置策略及常用温度测点优化方法,同时对上述研究中的方法进行了优缺点分析,并结合目前的研究现状,展望了未来的发展.     

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.