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。

数控机床热误差补偿模型在线修正方法研究

提出了一种数控机床热误差补偿模型在线修正或在线建模的方法。所得模型结果不是一个固定的公式,而是由几个简单公式组成的一个确定算法。它在根据模型得出误差预测值的同时,可不断根据输入的新数据修正补偿模型本身,且在修正运算中由于不重复使用已用的数据而使运算时间极短,可用于在线建模。研究结果表明使用本方法可大大提高热误差补偿模型的鲁棒性、通用性和精度。

一种五轴数控机床热误差建模方法

针对五轴数控机床多个发热源叠加导致的较为复杂的热误差测控难题,提出了一种五轴数控机床热误差建模方法,采用狮群优化算法优化最小二乘支持向量机(LSO-LSSVM)方法对热误差模型的重要参数进行求解,从而有效提高热误差预测模型的效率和精度。使用偏相关分析对大量温度传感器位置进行初步筛选,选取关联性较大的温度变量,根据选取的实测温度数据,分别采用多元线性回归、粒子群优化最小二乘支持向量机与LSO-LSSVM建模方法进行热误差建模,同时对各热误差模型的预测能力进行对比分析,结果表明:使用LSO-LSSVM建立的热误差预测模型的精度和鲁棒性都有很大的提高。对五轴数控机床主要部位实施热误差补偿测试,测试结果表明,采用LSO-LSSVM建模方法可使试件在X、Y、Z三个方向的误差分别减小35.3%、32.2%和43.9%。

基于QGA算法优化支持向量机回归的数控机床主轴热误差建模研究

针对精密数控机床主轴的热误差的实时监测反馈问题,提出了一种用于主轴热误差的建模方法。该方法利用QGA(Quantum Genetic Algorithm)寻优算法和支持向量机回归方法的复合建模方式,建立了机床主轴热误差回归模型。并通过搭建主轴热特性测试平台,采用聚类方法筛选主轴的温度敏感点,将采集到的热特性数据用于构建的热误差建模中。实验结果表明,该方法在机床主轴热误差预测中,残差值小于1.5μm,能够为主轴热误差的闭环控制过程提供准确反馈。