电主轴转子热误差是导致机床加工误差最主要的因素。为了准确预测电主轴热误差,开展了基于HPO-ELM的电主轴热误差建模研究,采集电主轴温升和热误差数据,利用Kmeans++聚类结合灰色关联度理论对其进行分析,提出基于猎人猎物算法优化极限学习机的热误差建模方法,最后建立电主轴热误差预测模型。对电主轴热误差进行仿真分析,并将所提方法与ELM、GA-ELM方法进行热误差预测准确性对比。结果表明相比ELM、GA-ELM方法,基于HPO-ELM建立的热误差模型具有更高的准确性,预测精度可达98.08%,预测残差值小于1μm,证明了此模型具有更好的预测精度和鲁棒性。

提出一种从机床定位误差数据中分离出热误差的新方法。设计了由双频激光干涉仪、温度传感标签与接收器等组成的热误差测试系统,可实现热误差温度信号的无线智能检测和热变形信号的非接触高精度采集;从机床冷态开始,来回循环测量定位误差并记录热敏测点温度值;对各循环内的前后测点定位偏差做插值、相减、平均等处理,再与冷态下的平均定位误差相减分离得到热误差。在2515龙门加工中心上进行了实验,数据处理不仅可得到定位偏差、重复精度、回程误差等6个几何精度指标,还分离出测量范围内各个测点的热误差,其最大值为9.67μm;最小二乘法建模结果表明热误差的建模精度在[-2.60μm-2.28μm]之间,建模精度平均值为0.73μm。

为提高数控车床主轴热误差的预测精度,以某型号数控车床主轴为研究对象,提出基于小波神经网络(WNN)的主轴热误差建模方法。利用K-means++聚类结合相关性分析理论,将温度测点从10个减小到2个。针对小波神经网络对初始值敏感的问题,采用蝙蝠算法(BA)将预测输出值与实验测量值之差的绝对值作为个体适应度函数,将蝙蝠个体的位置向量映射为小波神经网络的初始连接权值、尺度因子及平移因子,实现对小波神经网络初始值的优化。利用优化后的小波神经网络建立车床主轴热误差预测模型,与未优化的小波神经网络和BP神经网络预测模型对比。结果表明:BA-WNN对主轴轴向热误差的预测精度较高、残差较小、预测能力更强。

针对VMC1165B立式加工中心,进行机床热特性及温度场分析,基于试验数据,避免进行热机制分析和计算温度场边界条件。采用模糊聚类结合Pearson相关系数法选出4个稳健性温度敏感点建立热误差模型,验证模型预测性能,并与模糊聚类结合灰色关联度选出的非稳健性温度敏感点热误差预测模型对比。结果表明:稳健性温度敏感点热误差预测模型的机床X向最大残差下降了25.44%,Y向最大残差、平均绝对误差和均方差分别下降了25%、23.03%和33.25%。

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络（FNN）建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析（FEA）软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示：在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.

为了减少电主轴在长时间运行过程中因热变形所产生的误差、提升数控成形磨齿机的加工精度,提出了基于多元二次回归理论的电主轴热误差建模方法。以某成形磨齿机的电主轴为研究对象,通过进行基于工况条件的热误差实验,检测电主轴径向、轴向热误差与温度变化之间的关系;然后运用多元二次回归建模方法并结合最小二乘法理论,建立了其轴向、径向热误差模型。实验结果表明该误差模型的预测精确度高、适用性好,对促进成形磨齿机加工精度的提升具有较好的参考意义和实用价值。

为了提高立式加工中心热误差的预测精度,考虑影响立式机床热误差的主要因素,提出了支持向量机预测热误差预测模型,并用网格搜索算法对支持向量机的参数惩罚因子和核参数进行搜索。通过实验数据分析得出结论,基于GS-SVM模型对数控机床主轴热变形能够进行准确预测,并与BP算法模型进行对比。结果表明GS-SVM主轴热变形预测模型效果优于BP算法预测算法,具有较高的预测精度,为数控机床热误差研究提供参考。