机床直线轴温度测点筛选与热误差预测方法

为揭示数控机床直线进给轴温度场信息与热误差之间的非线性映射关系,提高热误差预测模型效率和精度,提出了基于鹈鹕优化算法(POA)与随机森林(RF)的直线轴热误差预测方法。首先,采用Featts聚类算法将温度测点进行聚类分组,通过Spearman相关性分析计算温度与热误差之间的相关程度及热敏感点;其次,使用POA优化算法对RF模型参数进行寻优,确定RF网络的最佳决策树数量及叶子数等;最后,在三轴铣床加工中心上进行实验验证。结果表明,使用Featts聚类算法与Spearman相关分析方法提高了模型精度,有效避免温度测点间的多重共线性。与传统的BP神经网络及RF网络相比,POA-RF预测网络的均方根误差分别降低了46%和43%。

基于热图像的GWOA-BiLSTM机床主轴热误差预测

热误差是影响高精密数控机床加工精度的重要因素。为了提高机床加工精度和性能,减少机床运行中产生的热误差,文章提出一种基于热图像的灰狼优化算法(grey wolf optimization algorithm,GWOA)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)混合的热误差预测模型。首先,采用热成像仪获取机床主轴区域的温度场信息;其次,利用DBSCAN聚类(density-based spatial clustering of applications with noise)算法和相关系数法筛选出温度敏感点;然后,通过模拟灰狼群体捕食行为,在参数空间中进行搜索以找到BiLSTM所需的最优参数;最后,使用获得的机床温度敏感点和热位移数据进行热误差预测,并在试验机床上进行验证。实验结果表明,使用GWOA优化BiLSTM神经网络的预测模型相比BiLSTM神经网络预测模型的均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)分别减小了约0.5180、0.3823μm,决定系数R^(2)提升了0.0578。与BiLSTM神经网络模型相比,利用GWOA优化后的模型具有更加优良的预测性能。

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。

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。

基于粗糙集与偏相关分析的机床热误差温度测点约简

为了合理减少温度测点数量并有效提高温度数据采集与分析的效率,提出了一种基于粗糙集与偏相关分析相结合的温度测点约简方法.首先,利用偏相关分析的方法建立了温度变量与主轴热误差之间的偏相关系数,并以此为依据辨识了主要的敏感温度变量.然后,在基于粗糙集理论获取的可行温度测点组合基础上,筛选出包含敏感温度变量最多及偏相关度高的温度测点组合.最后,建立了热误差线性回归模型,并在某型号数控机床上进行验证与分析.结果表明:温度传感器测点可由22个减少到6个,在很大程度上提高了热误差模型的精确性和鲁棒性.

基于偏相关分析的数控机床温度布点优化及其热误差建模

提出了一种基于偏相关分析的数控机床温度布点优化方法。数控机床热误差建模一般采用多元线性回归方法,该方法中由于自变量之间的相互作用,各自变量与因变量之间的相互关系不再与简单相关系数所反映的情况完全吻合。使用偏相关分析对温度变量进行优化选择,实现了温度测点优化布置,并建立了数控机床热误差的多元线性回归优化模型,提高了热误差模型的精确性和鲁棒性。

基于模糊聚类与偏相关分析的机床温度测点优化

机床温度测点优化是热误差补偿技术的难点之一,采用模糊聚类与偏相关分析相结合的方法对温度测点优化。首先利用模糊聚类和F统计量对温度变量进行分类,再根据温度变量与热误差之间的偏相关系数确定每类中的关键温度变量,最后采用关键温度变量建立热误差线性回归模型。此方法在精密卧式加工中心MCH63上进行了验证。结果表明,该方法有效地减少了温度测点的数量,机床轴向热误差由45μm左右减少到7μm。此外,利用F统计量对阈值进行优化,可以快速准确地确定温度变量的分类。

基于逐步回归的机床温度测点优化及热误差建模技术

通过对机床温度测点进行优化,建立其与机床热误差之间的数学模型,对机床热误差进行实时预测与补偿控制,是提高数控机床加工精度的重要途径。为解决现有机床热误差模型预测精度低、鲁棒性差的问题,提出一种基于逐步回归的数控机床温度测点优化方法。通过偏F统计量的检验,在初步建立的回归模型中逐个引入新变量,剔除不显著的老变量,实现温度测点的优化布置,获得数控机床热误差的最优回归模型。将该方法应用于某数控机床,结果表明,基于逐步回归的机床热误差模型,所用温度变量最少,且预测精度最高。

基于灰色模糊聚类和LS-SVM加工中心的热误差补偿模型

为实现数控机床热误差的补偿,提出了基于灰色综合关联度的灰色-模糊聚类算法和最小二乘支持向量机(LS-SVM)对数控机床热误差元素进行优化建模的方法.该方法通过计算各温度测点和热误差数据间的灰色综合关联度,确定灰色相似矩阵,并利用最大树法,得到基于不同水平的聚类结果形成的谱系图,从而确定关键测温点,再利用最小二乘支持向量机方法构建数控机床热误差补偿模型.以MDV-55立式精密加工中心为实验对象进行建模补偿,结果表明,该方法不仅减少了温度传感器的数量,而且机床的加工精度也得到了显著改善.

基于粗集方法的机床热补偿误差的温度测点优化

机床热误差是影响机床加工精度稳定性的最大误差源,因此减小热误差对提高机床的加工精度至关重要。采用粗集理论对机床热变形建模及补偿技术中温度测点的选择进行优化,以HMC800A立式三轴加工中心温度测点的选择为例进行研究,结果表明该方法能有效地减少温度测点数量,既可以保证模型的精度,又可节省工作量。

机床热误差温度测点优化和补偿建模研究现状

机床热误差是影响机床加工精度稳定性的最大误差源,因此减小热误差对提高机床的加工精度至关重要。本文综述了关于机床温度测点位置优化方法和热误差补偿建模的方法,并对几种方法进行了比较,阐述了各方法的优缺点。最后给出了运用其它方法来解决此类问题的思路。

数控机床主轴组件热特性研究

文章对机床主轴组件温度场和热变形动态特性之间的差异进行了分析。并通过采用最佳温度测点建模的方法,对XH755C型数控铣床主轴进行了热特性分析,达到了减少由于这种特性差异所带来的影响,简化测量过程及便于进行机床主轴组件热特性研究的目的。

基于岭回归的数控机床温度布点优化及其热误差建模

提出一种基于岭回归分析的数控机床温度布点优化方法。数控机床热误差建模一般采用多元线性回归方法,在多元线性回归模型中,隐含着要求解释变量之间无强相关性的假定。然而在实际的建模中,各自变量与因变量之间的相互关系并不与简单相关系数所反映的情况完全吻合。通过岭迹对温度变量进行优化选择,实现了温度测点优化布置,并选用适当的岭参数k建立了数控机床热误差的多元线性回归优化模型,提高了热误差模型的精确性和鲁棒性。

数控机床热误差测点优化模型预测与实时补偿的研究

数控机床加工过程中温度场的变化产生的热误差严重影响工件的加工精度,需要进行热误差的检测与补偿。通过灰色关联算法筛选出关键的温度测点作为热误差预测模型的参变量,运用多元线性回归数学模型准确高效预估热误差值,采用热误差脉冲量叠加到反馈脉冲序列的方法实现热误差的实时补偿。从而低成本地消除数控机床加工热误差,提高工件的加工精度。

数控机床主轴热误差测点优化及建模技术研究

为了减少热误差对数控机床加工精度的影响,首先利用热成像仪初步找出机床温升明显的位置,然后利用灰色理论对16个温度测点的试验数据进行优化处理,找出与热误差关联度较高的测点;将优选出的温度测点数据和实测的Z轴热误差数据进行划分,采用GM (1,n)灰色预测和BP神经网络建立热误差预测模型,并在试验机床上进行验证。试验结果表明:采用灰色GM (1, n)模型预测结果与实际测量平均相对误差为10.17%,采用BP神经网络预测与实测结果平均相对误差为5.19%,优于灰色GM (1,n)预测,能起到提高热误差预测精度的作用。

数控机床温度测点优化

通过模糊聚类分析方法将不同位置测点的温度按特征进行归类,用热误差敏感度分析方法从每一类别中选出一个最优测点组成最优测点组合,实现数控机床温度测点优化,并利用最小二乘法进行多元线性回归分析对机床热误差进行建模,与实验对比,验证了此温度测点优化选择方法的有效性。

基于灰色理论的数控机床主轴热误差温度测点优化

为了保证数控机床的加工精度,提高其加工质量,针对影响数控机床热误差的机床主轴温度场分布问题,对主轴系统在加工过程中的温度场变化情况进行了实际的测温实验,在实验的基础上利用灰色理论中关联度分析的方法,对主轴温度场上温度传感器的优化布点进行了研究,从初始实验中的8个温度测点减少到3个关键的温度测点,更有利于提高今后的建模及热误差预测的精度。

温度测点优化在机床主轴组件热特性研究中的应用

对机床主轴组件温度场和热变形动态特性之间的差异进行了分析。并通过采用最佳温度测点建模的方法,对XH755C型数控铣床主轴进行了热特性分析,达到了减少由于这种特性差异所带来的影响,简化测量过程及便于进行机床主轴组件热特性研究的目的。

数控机床热变形模型中测温点的优化选择研究

在数控机床热误差控制补偿技术中,合理选择温度变量,是建立补偿模型的关键所在。先采用模糊聚类对温度变量进行分组,然后根据温度变量与热变形的相关性在每组中选择典型的温度变量,最后根据回归分析中经过修正的相关系数选择测温点。以XH718数控机床为实验对象,结果表明,此方法既能减少测温点,又能保证模型精度。

基于有序聚类的机床热误差测点优化

温度测点的选择直接影响数控机床热误差补偿模型的性能。考虑到温度有序传递的特点,提出了有序聚类测点优化的方法。以试验数据为基础,计算类直径并比较目标误差函数;然后对温度变量分类,确定最佳分类数;通过计算热误差和温度之间的相关系数,确定最优测点。采用定位误差分解建模法结合选取的最优测点建立热误差预测模型,分别与模糊聚类和变量分组测点优化建立的模型进行比较,试验结果表明,有序聚类测点优化法精度较高,具有一定的应用前景。