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BP神经网络的数控机床综合误差补偿方法

针对多轴数控机床热影响导致的加工精度衰减问题,结合神经网络自学习与数据拟合能力,提出基于优化BP神经网络的多轴数控机床综合误差补偿方法。针对BP神经网络神经元误差曲面下降缓慢影响收敛效率的问题,引入陡度因子和放大因子,并基于此对数控机床运动轴加工精度进行预测和补偿。将大型A/B双摆角龙门数控铣床各关键发热源的温度检测数据和运动轴误差检测数据作为精度预测模型的输入量和输出量,采用改进后的BP神经网络进行训练,获得温度变化与位移误差量之间的非线性映射关系,并据此修改被加工工件的刀位数据文件,实现数控机床加工精度的提高。模拟算例和实验结果表明,该方法降低了传统BP神经网络的预测误差和运算时间,对机床平均误差补偿率达到50%以上。开发的数控机床误差补偿系统无须对现有机床进行大规模硬件改造,应用简便易于推广。     

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.     

基于粒子群算法的数控机床切削力误差实时补偿

通过分析数控机床主轴传动系统,推导出主轴伺服电机电流信号与切削力之间的关系,运用BP神经网络理论和粒子群优化算法建立起切削力误差模型,研制出数控机床上的切削力误差实时补偿系统,并通过加工实例对补偿系统进行了验证.结果表明:所建的切削力误差模型具有鲁棒性强和精度高的特点;切削力误差实时补偿系统使用方便,应用性强.     

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GM-LS-SVM层级模型的数控机床热误差建模

为了更精确地对数控机床热误差进行预测及补偿以提高其加工精度,针对单独使用灰色模型或最小二乘支持向量机模型进行机床热误差建模的不足,并利用这2种模型在数据不同处理阶段的优点,提出一种基于灰色模型和最小二乘支持向量机层级模型的数控机床热误差建模方法。根据机床关键点温度数据和热误差数据,首先建立多个不同数据序列长度的机床热误差灰色模型作为前处理层,然后把经过前处理层前处理的热误差和实测热误差分别作为最小二乘支持向量机模型的输入和输出,作为后处理层,以进行预测精度校正。利用该方法在一台精密卧式加工中心上进行建模实验,并与单独使用灰色模型、最小二乘支持向量机模型和BP神经网络模型进行预测精度对比分析。研究结果表明:基于灰色模型和最小二乘支持向量机层级模型的数控机床热误差建模方法具有更高的预测精度和更强的泛化能力。     

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。     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。     

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%.