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。

数控机床稳健性温度敏感点的选择

为解决温度敏感点变动性带来的模型精度稳健性缺陷,研究了稳健性温度敏感点选择方法。从温度敏感点变动性的机理出发,解释了温度敏感点变动性产生的原因,并在此基础上提出了一种稳健的温度敏感点选择方法,通过全年的实验数据验证了这一方法的有效性。分别使用稳健性温度敏感点选择方法和非稳健性选择方法建立了两个热误差补偿模型,并对它进行了精度分析和比对。分析发现,因未考虑温度敏感点变动代入错误温度敏感点建立的模型会造成模型拟合精度、预测精度和长期预测稳健性的大幅损失。基于机床稳健性温度敏感点选择方法的热误差补偿模型不仅可以保证模型精度的稳健性满足工况需求,而且避免了带入错误温度敏感点建模,实现用5个温度传感器就将模型全年的预测精度均值控制为5.18μm,全年的预测精度的波动性控制为2.57μm。机床稳健性温度敏感点选择方法具有重大的理论价值和工程应用价值。

数控机床实切工况下温度敏感点稳健性选择方法研究

热误差对数控机床尤其是高精度数控机床的精度影响严重,温度敏感点选择是建立热误差补偿模型的关键技术。而数控机床在主轴空转和实切状态下的热误差特性是不相同的。针对实切工况,提出了一种基于平滑数据干扰处理的稳健机床温度敏感点选择方法,大幅减小了由温度传感器噪声数据引起的温度敏感点变动性,通过6批次实切数据验证了这一方法的有效性。分别使用稳健性温度敏感点选择方法和非稳健性选择方法建立了2个热误差补偿模型,并对其进行了精度分析和比对。分析发现,因未考虑温度敏感点变动性而代入建立的模型会造成模型拟合精度、预测精度的损失。基于稳健机床温度敏感点选择方法的热误差补偿模型不仅可以保证模型稳健性满足实切工况需求,而且可以实现用2个温度传感器将模型的预测精度均值控制在10μm以内。