数控机床温度敏感点变动性及其影响

数控机床热误差补偿技术中的核心问题是建立能够反映机床温升与热误差之间的数学模型,其精度和稳健性则取决于模型自变量能否准确地反映机床温度场分布特性,即温度敏感点选择结果是否准确和稳定。通过对Leaderway-V450型数控加工中心主轴Z向的多批次空转数据进行分析发现,温度敏感点存在变动性特征,导致自变量间多重共线性程度发生变化,进而对模型的预测精度和稳健性产生严重影响。由于主成分回归算法具有消除自变量共线性影响作用,故提出采用该算法进行建模,并通过实际机床进行实践检验。结果表明,采用主成分回归算法建模,显著降低了温度敏感点变动性对模型预测精度的影响,能保证模型具有很好的预测精度和稳健性。

基于数字孪生控制的精密机床热误差模型

已有的研究结果表明,机床的热误差约占其总加工误差的40%~70%,且机床越精密,其热误差所占比例就越大,因此,通过控制热误差以提升机床的加工精度很有必要。针对机床热误差模型的预测精度不高和泛化能力不强的问题,提出了一种引入主轴转速,并可嵌入数字孪生控制系统的机床热误差建模方法。首先,对模糊聚类分析(FCA)、灰色关联分析(GCA)及主成分回归(PCR)方法进行了理论分析;然后,以某立式加工中心为对象,通过热特性实验,获得了转速图谱下的温度数据和热误差数据,并采用模糊聚类分析结合灰色关联分析的方法选取了其温度敏感点;最后,以主轴转速和温度敏感点的温升值为输入变量,采用PCR方法建立了机床热误差模型,并将其与多元线性回归(MLR)模型进行了效果对比。研究结果表明:相比于MLR模型,所建立的PCR模型的预测精度提升9.5%,证明该模型拥有更高的预测精度和更强的泛化能力;可将模型嵌入到数字孪生控制系统中,对机床进行实时热误差预测和热误差控制。

融合时间的单温度敏感点机床热误差建模方法

针对敏感点变动性和敏感点共线性对热误差预测模型的预测精度和稳健性的影响,提出融合时间的单温度敏感点建模方法,将隐性参数时间显性化,进一步明确温度变量、时间变量与热误差之间的关系,提升热误差模型的预测精度和稳健性,降低温度敏感点的选择难度。在采用半年数控机床热误差实验数据时,仅选用一个温度测点作为敏感点,建立温度、时间与热误差之间的多元回归预测模型;与传统的选择多温度敏感点的多元回归热误差预测模型进行比对分析,验证所提方法的有效性。研究结果表明:对数控机床的Y向热误差,所提出建模方法的平均预测精度为2.57μm,模型稳健性为1.37μm,相较于传统的热误差预测模型,预测精度和稳健性提高了28.0%和47.1%;对数控机床的Z向热误差,所提出建模方法的平均预测精度为5.30μm,模型稳健性为3.40μm,相较于传统的热误差预测模型,预测精度和稳健性提高了45.1%和57.7%;能较好地降低温度敏感点的选择难度,提高热误差模型的预测精度和稳健性。