基于迁移学习的异工况下机床热误差建模方法

机床热误差预测模型在不同工况下难以保持高预测精度是导致热误差实际补偿效果差的重要原因,对此本文提出一种基于迁移学习的异工况下机床热误差建模方法。首先利用核均值匹配算法获取不同工况下机床温度数据间的迁移权重,从而提出基于迁移学习的热误差建模方法;对不同工况下热误差数据进行差异显著性检验,并利用本文所提方法建立热误差预测模型,分析建模效果;然后比对分析本文所提建模方法与常用建模方法的实际预测效果,最后进行补偿验证实验以证明本文所提方法的有效性。结果表明,本文所提基于迁移学习的建模方法能够有效提升建模效果,其中迁移学习结合LASSO算法针对不同工况下热误差数据的预测精度和稳健性分别达到3.73和1.14μm,补偿后机床X/Y/Z 3个方向热误差分别保持在-2.3~3.1μm、-3.4~3.9μm和-3.3~4.6μm范围内。

基于SOM神经网络聚类以及支持向量机的数控机床热误差建模方法的研究

为了减小主轴季节性热误差影响,提高机床的加工精度,提出了基于针对机床热源进行SOM神经网络预聚类后的支持向量回归机的主轴热误差综合模型。针对一台型号为HTM40100h的车铣复合中心,对主轴的关键温度测点进行了内外热源的划分,并在冬夏两个季节对所有测温点温度和热误差数据进行采集,将外部热源温度数据作为SOM网络的输入变量进行季节性聚类,聚类后的外部热源温度数据连同同时刻的内部热源温度数据一起作为不同季节支持向量回归机模型的输入变量,得到热误差拟合值。将通过聚类预处理的方法与未经聚类的方法进行了对比试验,结果表明:该综合预测模型在冬夏两个季节均获得了较高的建模精度和鲁棒性。

支持向量机在机床热误差建模补偿中的机理研究

针对数控机床热误差预测补偿功能,以Leaderway-V450数控机床为试验对象,通过跨季度的5批次数据,比对分析支持向量机(ε-SVR)和多元回归(MLR)两种建模方法的拟合和预测精度。研究得出,环境温度会对数控机床热误差预测模型产生干扰,模型拟合精度和预测精度在这种干扰下不具备等同性。线性ε-支持向量机在试验条件相近、环境温度接近的情况下鲁棒性较好,拟合精度、预测精度要高于多元回归算法,但当环境温度变化较大时,其预测精度较差。将跨季度环境温度条件下的数据进行综合建模,两种模型的预测精度均有所提高,但拟合精度优越的支持向量机算法建立的模型鲁棒性则低于传统的多元回归算法模型。

基于LabVIEW的机床热误差检测系统设计

针对机床高速旋转主轴的安装偏心及各种外界干扰对热误差精确测量的影响,本文选用了精度较高的电容式位移传感器及NI数据采集卡,基于LabVIEW平台开发了一套机床温度和位移数据实时检测系统。该检测系统可实现在主轴高速旋转下位移数据的高速率采样,并采用软件数字滤波方法对位移数据处理。最后将该检测系统进行实验测量,实验结果表明该检测系统具有一定的实用性。

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点人为选取的弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化,以提高热误差模型的精度与泛化能力。该方法在对G460L型数控车床的热误差验证中表现出较高的预测精度。与基于BP神经网络、多元回归、CNN网络等热误差模型比较,本文方法在泛化性性能上表现更优。

数控机床主轴系统热误差温度测量点的最优化设计方法

基于信息论与机床热误差有限元分析方法,提出了一种对数控机床温度测量点的位置进行优化的计算方法,这些测点包含机床热变形误差互信息量最大点。将该方法应用于一台数控螺纹磨床主轴系统的热误差温度测点位置的最优化设计选择,并通过主轴热误差测量实验验证了所提出方法的有效性。

环境温度变化引起的精密卧式加工中心热误差建模

环境温度变化引起的机床热误差建模是揭示热误差演化规律并进行热误差补偿的基础。以普通车间中一台精密五轴卧式加工中心为研究对象,分析了车间环境温度波动的特性,揭示了环境温度变化引起的机床热误差的形成过程。从工程实际出发,设计了含3个环境温度测点和多个机床温度测点的热误差实验。建立了考虑变量间共线性的岭回归热误差模型,并通过坐标下降法求解了模型参数。结果表明,提出的模型比传统单点和多点线性回归热误差模型的预测性能分别平均提高了约33%和22%,为后期热误差补偿提供了一种有效的参考模型。

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。

改善数控机床主轴系统热特性有限元分析精度的方法

提出了一种根据数控机床主轴系统实测温度数据来调整有限元模型热载荷的方法,给出了基于实测数据调整有限元分析关键参数的方法。以数控螺纹磨床主轴系统有限元模型校准为例,通过仿真实验方法说明了所提出方法的应用步骤,并证明了其有效性。

基于神经网络机床热补偿温度监控位置确定

在具体研究了机床变温变形特性的基础上，提出了基于神经网络确定机床热误差补偿的温度监测点及控制源位置的基本思想和具体实现方法，从而为最佳控制源及温度监测点位置的选择提供了新的思路及手段。实际应用及实验结果证明了该方法的可行性。

立式加工中心的热误差实时补偿应用

论文根据机床长时间加工零件时,会导致机床局部运动部件的温度升高而影响加工精度。通过实验介绍了TMV-850A立式加工中心在零件加工时的主要热误差来源和实际精度补偿方法,进而提高了机床长时间加工时的精度。

K-C33磨床高速电主轴加工过程中的温升特性分析

针对温度变化的测量提出了一种基于PT100高性能温度传感器的4通道温度测量系统,可以在磨床工作的同时对其电主轴水平垂直方向、电气柜以及环境温度进行精确的监控。经实践证明:该测量系统可以高效记录K-C33数控万能内外圆磨床高速电主轴的温度变化。

基于西门子PLC的智能工业机电一体化机床控制研究

针对机床加工精度低和稳定性差的问题,提出以数控机床为研究对象,设计一种基于PLC的智能工业机电一体化机床控制系统。首先构建热误差建模算法,然后通过PLC实现热误差的补偿控制调节,可提高机床的加工精度和稳定性。具体实现为,由状态信息采集模块实现机床温度的测量;再在上位机数据处理模块中,通过建立机床温度与热误差同步测量系统,实现对热误差值的预测;再将预测值输入PLC控制模块,由PLC控制程序完成热误差预测值的补偿;并且对SIEMENS系统温度补偿功能的热误差补偿方法进行了研究。实验结果证明:在热误差补偿功能开启后,热误差最大值降低了78.9%。由此可知,本研究构建的机床控制系统可有效提高机床的加工精度以及稳定性,在实际应用中具有可行性。

Thermal Error Compensation for Telescopic Spindle of CNC Machine Tool Based on SIEMENS 840D System

In this paper, eddy current sensors and thermocouple sensors were employed to measure the thermal field and thermal deformation of a spindle of a telescopic CNC boring-milling machine tool, respectively. A linear regression method was proposed to establish the thermal error model. Furthermore, two compensation methods were implemented based on the SIEMENS 840D system by using the feed shaft of z direction and telescopic spindle respectively. Experimental results showed that the thermal error could be reduced by 73.79% when using the second compensation method, and the thermal error could be eliminated by using the two compensation methods effectively.