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。     

ANSYS在数控机床热误差建模中的应用

机床热误差是影响机床加工精度最大的误差源,因此如何有效地选择机床的温度测点,对热误差补偿具有重要的意义。讨论了应用ANSYS与热误差模态分析相结合的方法,该方法极大地增强了选择测点的准确性。     

基于状态空间模型的飞行器角误差控制

针对飞行器装配角误差过程控制问题,提出了基于状态空间模型的逐步最小化角误差法及全局最小化最终角误差法,并与直接装配法进行了对比.研究结果表明:直接装配法角误差服从莱斯分布并逐渐增加;逐步最小化角误差法和全局最小化最终角误差法角误差服从广义极值分布,逐步最小化角误差法不受装配零件个数的影响,全局最小化最终角误差法角误差均值与标准差均随零件增加收敛于0.     

基于对角线测量的机床空间定位误差热变化分析

为了研究数控机床温度变化对机床空间定位精度的影响,提出了一种通过分步测量机床工作空间4条体对角线以快速获得机床空间定位误差的方法.基于这种方法,在不同的温度条件下测量了6组数控机床的空间定位误差,并以z轴定位误差为例进行了分析.在某一机床温度条件下,对空间定位误差进行了预测和补偿,z轴定位误差最大从15μm降低到5μm以内,精度得到了改善.结果证明,分步体对角线测量是一种研究机床空间定位误差与机床温度变化之间对应关系并加以补偿的有效手段.     

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.     

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。     

基于物理建模法的加工中心主轴热误差建模

针对主轴热误差对机床精度稳定性产生严重影响的问题,提出了一种基于传热理论及热变形机理的主轴热误差预测模型.首先,基于传热机理分析推导出主轴系统的实时温度场模型.然后,根据机床结构尺寸对主轴热变形进行机理分析,并利用物理建模法得到温度场与热误差的关系.最后,在两台同类型的立式加工中心上进行主轴热误差仿真和实验验证.结果表明:主轴热误差模型的平均预测精度达到了95.0%,这证明了该模型具有很高的精度和强鲁棒性.     

基于对角线测量的机床空间定位误差

为了研究机床温度变化对数控机床空间定位精度的影响,提出了一种通过分步测量机床工作空间4条体对角线快速获得机床空间误差的方法.基于这种方法在不同的温度条件下,测量了6组数控机床空间定位误差并以z轴定位误差为例进行了分析并在某一机床温度条件下,对空间定位误差进行了预测和补偿,z轴定位误差最大误差从15 μm降低到5 μm以内,精度得到了改善。结果证明分步对角线测量方法是一种研究机床空间定位误差热变化的有效手段.     

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。     

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%.     

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.     

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.     

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．     

基于插值算法的数控机床复合误差补偿技术

为提高数控机床的加工精度,提出了基于线性插值法和牛顿插值法的数控机床几何与热的复合误差建模方法,并利用数控系统外部机床坐标系的偏置功能,应用自行研发的综合误差实时补偿系统进行误差在线实时补偿.结果表明:所提出的模型具有计算简便、预测精度高等优点,可用于各种复杂加工场合中的数控机床几何误差与热误差的实时补偿.