数控车床主轴热误差SHO–LSTM预测建模

在高精度加工过程中,数控机床主轴误差对加工精度的影响较为严重。数控机床热误差占总误差比例高达40%~70%,是主要的误差源之一。为了提高热误差预测的精度,本文提出一种使用海马优化算法(SHO)优化时序预测网络(LSTM)的精密车床主轴热误差预测建模方法。首先,利用羚羊优化算法(GOA)对模糊C均值聚类(FCM)的模糊矩阵常数、最大迭代次数、迭代终止条件进行优化并结合皮尔逊(Person)、斯皮尔曼(Spearman)和肯德尔(Kendall)相关分析方法优化温度测点,使用手肘法确定最优分组规模,根据DB(Davies–Bouldin)、BWP(Bregman Within–class Projection)和Silhouette(Silhouette coefficient)聚类评估指标评估温度测点聚类效果。其次,以车床主轴五点法获取的热误差数据和优化后的温度数据作为输入,使用海马优化算法(SHO)对时序预测网络(LSTM)的隐含层节点、全连接层节点、学习率、L2正则化常数进行优化,并使用S折交叉试验方法确定最优分组规模,建立主轴热误差SHO–LSTM预测模型。再次,在不同转速下对构建的热误差模型对基于平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)的预测效果进行评估。最后,在CKA6163A型车床上进行实例验证,使用五点法进行测量辨识,同时测量主轴附近的温度。结果表明:本文所提出的温度测点优化算法相比未优化的模糊C均值聚类(FCM)的DB指标降低了89.00%,BWP和Silhouette分别提高了59.00%和8.17%,优化后的聚类算法可有效降低温度测点间的共线性,提高预测模型的预测效率。本文所提出的海马优化算法(SHO)优化时序预测网络(LSTM)与未优化的时序预测网络(LSTM)相比,均方根误差降低了42%,表明海马优化算法(SHO)可以提高时序预测网络(LSTM)的准确性;与天鹰(AO)优化卷积神经网络(CNN)、反向传播神经网络(BP)相比,本文所提出的预测网络的均方根误差分别降低了3%、57%,SHO–LSTM主轴热误差预测模型的鲁棒性和准确性更高。

龙门数控机床主轴热误差及其改善措施

依据ISO和ASME标准建立龙门数控(Numerical control,NC)机床热误差测试条件,通过主轴恒转速和变转速热误差试验分析主轴箱温度场分布及其对主轴热误差的影响趋势。建立龙门机床误差元素模型,分析影响机床各坐标轴加工精度的主轴热误差分量。研究发现,主轴热误差和主轴箱温度存在单调对应关系,温度对主轴轴向的热伸长误差的影响要远大于主轴径向的热漂移误差,但温度变化相对各坐标变形存在热延迟和热惯性等特性。对主轴径向精度影响最大的热误差分量是由机床生热产生的同方向的偏移误差和与之垂直的偏转误差;对轴向精度影响最大的则是轴向的偏移误差。针对热误差特点和分布规律,提出结构优化、热平衡、误差补偿建模等3种减小热误差的措施,并对其各自优点进行了分析。

基于集成BP神经网络的数控机床主轴热误差建模

为了解决单一BP神经网络模型预测性能不稳定的问题,提出一种集成BP神经网络的数控机床主轴热误差建模方法。采用模糊c均值聚类法筛选温度敏感点,消除了冗余温度变量间的多重共线性。从机器学习的角度出发,分别采用平均法、中位数法和普通最小二乘法将几种具有弱预测性能的典型BP神经网络模型进行集成。以THM6380卧式加工中心为研究对象进行了主轴热误差实验,热误差预测性能分析结果表明,集成模型的预测精度和泛化能力优于单一BP神经网络模型,为机床主轴热误差建模及后续热误差补偿提供了新的思路。

基于单光束干涉仪的机床主轴热误差实时测量

主轴热误差是数控机床的主要热误差源 ,本文提出了一种使用三路单光束干涉仪 (SBI3)进行机床主轴热误差的非接触式实时测量方法 ,可以快速准确地测量主轴热误差。实验结果表明 ,所测立式加工中心主轴热误差沿Z轴方向最大 ,约为 50μm ,测量误差约为 1 0 μm。

双转台五轴数控机床主轴热误差测量与建模

为了测量数控机床实际切削加工过程中主轴的热误差,并优化热误差模型的输出,提出利用热测试件测量机床主轴热误差的方法,并利用误差特性分离出热误差。针对机床热误差建模中温度测点优化选择的问题,提出基于K-means++算法和相关系数法相结合的方法选取温度敏感点,采用K-means++算法对所有温度测点进行聚类,相关系数法计算各个温度变量与主轴热误差之间的相关性,从而确定温度敏感点,结合分离出的热误差建立主轴热误差多元线性回归模型。在VMC-C50双转台五轴数控机床上对该方法进行试验验证,结果表明,温度测点的数量由8个减少为2个,模型的预测精度及鲁棒性得到有效提升。

加工中心主轴热误差的灰色残差修正模型研究

介绍了一种基于灰色残差修正模型的加工中心主轴热误差预测的建模方法。仿真结果表明,这种新的建模方法具有较高的精度,为高度复杂的非线性模型化提供了一条新途经。此方法利用某一机床厂具体的数据进行检验,得到了满意的结果。

CNC加工中心主轴热误差测量与补偿研究

热误差是影响数控机床精度的最重要的一个误差源,误差补偿技术是一种消除机床误差经济有效的方法,而有效地误差补偿依赖于准确的误差模型。在测量加工中心主轴系统多次实验的基础上,研究了主轴热变形误差与温度之间的关系,并用LS-SVM方法建立了两者的预测数学模型。经研究分析,利用最小二乘支持向量机回归法进行建模,实现了较高的预测精度,可以满足加工中心热误差实时补偿的应用要求。仿真结果表明,这种新的建模方法具有较高的精度,为高度复杂的非线性模型化提供了一条新途经,此方法利用某一机床厂具体的数据进行检验,得到了较为理想的应用效果。

基于均匀设计的主轴热误差相关性试验研究

为更优预测机床主轴热变形,提高热误差建模精度,从测试工况影响角度出发,采用均匀设计法进行热误差相关性影响试验研究,结合工厂实际测试需求,选取合适因素及因素水平构建均匀设计方案表,以减少试验次数;利用无线温度采集传输系统及激光位移传感器采集系统对主轴进行热误差测试,通过直观分析法确定主轴在4000r/min,运转160min工况下,测试效果最优,回归结果表明主轴转速比时间对试验影响更显著。最后,对优工况下的结果构建最小二乘模型,通过复相关系数法验证了该模型可信度较高。

基于GA-ACO-BP网络的机床主轴热误差预测

为解决反向传播(BP)神经网络建立的主轴热误差预测模型精度低、收敛速度慢和易陷入局部最优解的缺点,利用K-means++算法和相关性分析对温度测点进行优化并提取热敏感点,并利用遗传算法(GA)对蚁群进行交叉变异处理,构建GA-ACO网络来确定最优的隐含层节点数、权值、阈值,实现对BP神经网络拓扑结构的优化。分别建立基于BP和GA-ACO-BP网络的主轴热误差预测模型,以双转台五轴加工中心为研究对象,采用五点法对主轴热误差进行测量。热误差实验结果表明:K-means++算法与Person、Sperman和Kendall相关分析相结合可有效降低温度变量间的多重共线性;GA-ACO-BP模型可实现对主轴热误差的预测具有更高的预测精度。

基于信息粒化支持向量机的主轴热误差综合预测模型

主轴热变形是影响数控机床加工精度的主要因素。为提高主轴热误差的预测精度,提出了基于信息粒化支持向量机(SVM)的主轴热误差综合预测模型。使用信息粒化方法对采样温度数据与主轴热误差数据进行预处理,分别建立基于SVM的主轴热误差的回归预测模型和时间序列模型,通过计算两个模型权重系数,最终建立主轴热误差综合预测模型。以2MZK7150五轴数控可转位刀片工具磨床为研究对象,实验表明,较之于单一模型该模型具有良好的泛化能力和较高建模精度。

机床主轴热误差通用型温度敏感点组合选取

本文提出一种基于数量自动确定的机床主轴热误差通用型温度敏感点组合选取方法以解决敏感点数量的选取依赖人工经验的问题。首先,计算各温度变量与热误差之间的绝对均相关系数以评估各温度点对主轴热误差的相关程度。其次,将绝对均相关系数最大的温度点作为K-Means++聚类算法的首个初始聚类中心,进一步选取一系列数量不同的温度敏感点组合。然后,将所得的一系列敏感点组合和热误差作为输入,建立反向传播(Back Propagation,BP)神经网络热误差模型,并通过评价指标选取预测性能最优的温度敏感点组合。最后,在VMC850数控机床上进行了最优温度敏感点组合在不同工况相同误差项、相同工况不同误差项中的有效性以及在不同热误差模型中的通用性验证。结果表明,本文提出的温度敏感点组合选取法适用于不同工况下的误差预测,且在不同的热误差模型中具有良好的通用性。

主成分算法在数控机床主轴热误差补偿中的应用

为了提高数控机床热误差补偿模型的预测精度与稳健性,对主成分算法在数控机床主轴热误差建模中的应用进行了研究。首先,根据主成分算法原理,提出基于主成分分析的温度敏感点选择算法和热误差建模算法。然后,以一台三轴立式加工中心为对象进行全年温度范围内的主轴热误差测量实验,并基于实验数据建立主轴热误差主成分回归(Principal Component Regression,PCR)模型。进而,将所建立的PCR模型与多元线性回归模型、BP神经网络模型和岭回归模型的预测精度与稳健性进行比对分析,实验结果表明PCR模型在该四种模型中具有最高的预测精度和稳健性,分别达到6.8μm和2.4μm。最后,使用所建立的PCR模型对按照转速图谱运行的机床主轴热误差进行预测,预测精度和稳健性分别为6.12μm和3.43μm。并将PCR模型嵌入到热误差补偿控制器中进行热误差补偿实验,以验证本文建模算法的有效性。

基于球杆仪的主轴热误差检测及识别方法

提出一种基于球杆仪的机床主轴热误差检测和识别方法,将球杆仪运动轨迹设计为X、Y轴联动构成的圆锥体,建立杆长变化值与主轴热变形量之间的空间矢量几何关系。通过求解主轴端小球的位置变化量,快速、简单地辨识分离出精度较高的主轴五项热误差元素,并在数控机床上验证了该方法的有效性。

基于MEA-NARX神经网络主轴热误差建模

为了有效提高基于非线性时间序列的热误差预测模型精度,利用F统计检验确定模糊C均值聚类的聚类数目,结合不同量纲一化处理的灰色关联分析排序筛选出关键温度测点,建立基于NARX神经网络的热误差预测模型,通过设置输入延时阶数、输出延时阶数和隐含层神经元个数的范围,利用思维进化算法对输入、输出延时阶数和隐含层神经元个数进行寻优,与随机选取参数的NARX神经网络预测模型相比,模型预测精度提高了36.98%。

加工中心主轴关键热敏感点选取与热误差预测

为探究数控机床主轴温度场信息与主轴热误差之间的非线性映射关系,提出一种基于人工蜂群优化算法(ABC)与广义回归神经网络的主轴热误差预测模型。首先,使用热成像技术布置温度传感器,并利用K-medoids算法对温度测点进行聚类分组,使用灰色关联度分析方法计算温度与主轴热误差之间的相关程度,进而提取出最佳热敏感点;其次,引入调节因子优化ABC算法的寻优过程,使用改进后的ABC网络确定GRNN网络的最佳参数及光滑因子;最后,以三轴数控加工中心为研究对象,进行温度数据与热误差数据的采集,建立基于ABC-GRNN热误差预测模型并与优化前进行比较。热误差实验结果表明,K-medoids算法与灰色关联分析相结合,有效避免了温度测点之间的多重共线性;ABC-GRNN模型可以更准确地预测出主轴各项误差值。

精密卧式加工中心主轴轴向热误差补偿方法

热误差是精密机床最主要的误差源之一。主轴是机床的关键部件,其热误差直接影响机床的加工精度。文章以某型号精密卧式加工中心主轴为对象,对其温度场和热变形进行了仿真分析。根据仿真结果发现主轴轴向热变形更严重,并结合机床结构确定温度传感器布置位置。在此基础上,对不同转速下主轴部分位置温度和轴向热误差进行现场测试。运用最小二乘法建立热误差补偿模型,直接结合机床FANUC数控系统实施主轴轴向热误差补偿。经实验验证,补偿后主轴轴向热误差减小了85%以上。

主轴热误差的自组织补偿原理及其仿真

主轴热误差是工件加工误差的主要来源之一,针对传统补偿策略算法复杂、成本较高且通用性不强等问题,提出了一种基于自组织原理的主轴热误差补偿策略,它只需根据对主轴热倾斜状态的定性测量结果即可进行定量误差补偿,从而可以大大降低对误差测量精度的要求及测量成本,同时各补偿力间的协调关系根据自组织原则自动建立,简化了补偿算法。经过对某型加工中心主轴热误差进行的自组织仿真补偿,其主轴热倾斜误差减小了92%以上,热偏移误差减小了46%以上。

基于径向基网络模型的机床主轴箱热误差模型研究

由于机床主轴转速相对机床其它运动部件的运动速度较高,所以机床主轴热误差在机床热误差中占有很大的比例,严重影响数控机床的加工精度。机床热误差建模在热误差补偿过程中具有非常重要的意义,文章针对某立式三轴加工中心的主轴箱,利用径向基神经网络模型理论,研究机床主轴箱关键测温点温升和机床热误差之间的关系模型。通过和线性回归模型对比分析,表明径向基神经模型能有效地提高热误差模型的精度。

精密主轴热变形误差的实验研究

主轴是机床的关键部件,其热变形误差是影响精密机床工作精度的主要因素之一。文章对镗床主轴的不同热变形误差形式及对加工精度的影响进行了讨论。依据ISO和ASME标准建立某型号精密卧式坐标镗床热变形误差的测试环境,采用高精度测试系统对其主轴进行温度和热变形误差的实验测试与分析。结果表明,主轴热变形误差严重影响机床加工精度,主轴转速影响其达到热平衡的时间及热误差大小,需采取有效措施对热变形误差进行补偿,优化热结构,进一步提高机床加工精度。

基于时序算法的主轴轴向热误差建模与应用

为解决金属手机外壳加工行业内的机床主轴轴向热误差问题,提出了一种基于时间序列算法的主轴轴向热误差建模方法,对一台钻攻中心建立了主轴轴向热误差实时补偿模型。实践结果表明:通过该模型实时补偿,机床的主轴轴向热误差由原来62μm补偿到7μm,加工工件尺寸控制在10μm左右。