为提高数控机床热误差预测的准确性和适应性,提出一种基于序列深度学习网络的数控机床热误差建模和预测方法。提出一种基于LSTM的序列深度学习预测网络,构建包含历史序列数据的动态数据矩阵为模型输入;通过截断式训练方法降低深度预测网络中每项参数更新的复杂度,利用序列深度学习网络自动提取温度时间序列的时空特征,准确表征温度序列信号与热误差之间复杂的映射关系,采用Softmax输出层对热误差进行准确预测。实验结果表明:该方法解决了传统浅层方法因未考虑历史序列数据对当前输出的影响而存在的预测精度不高、鲁棒性差等问题,将热误差预测的均方根误差降低到2.5μm以内,优于传统的SVM和BP等浅层神经网络预测方法,为数控机床热误差补偿提供了参考。

数控机床热变形引起的误差通常占到总体误差的40%~70%。以某公司生产的某型卧式数控车床为研究对象,检测主轴热误差和X进给轴热误差,基于最小二乘法对该机床主轴X、Y、Z向和X进给轴分别建立热误差模型。考虑到实测环境温度相对参考温度20℃时滚珠丝杠伸长的因素,对主轴热误差实测值进行了修正。根据主轴X向修正后的热误差模型和X进给轴热误差模型建立了X轴综合热误差模型,并采用西门子840D系统进行了热误差补偿试验,热误差降低了54.5%,CP值由1.34提升至1.88,证明此该建模与补偿方法有效、可行。

机床的热误差已成为影响机床工作性能的最主要因素之一,滚珠丝杠作为机床进给系统关键部件,其热变形直接影响着机床的加工精度。因此,对滚珠丝杠进行热误差控制与补偿十分重要。过去几十年里,国内外学者对滚珠丝杠进给系统热误差研究可以分成三部分内容:热特性研究,热误差建模和热误差补偿。先通过滚珠丝杠热特性分析获取必要的参数,然后以此为基础进行合理的热误差建模,最后进行热误差检测及其补偿。以此为脉络展开,分别探讨了三部分内容国内外的研究现状以及存在的优缺点,并对未来的研究趋势进行了展望。

为研究精密数控机床的加工精度,针对以气浮平台和旋转平台为主要方式的四轴抛光平台进行了几何与热的综合误差建模,利用XL-80激光干涉仪、PT100温度传感器及XSR90彩色无纸记入仪等仪器对X、Z轴的温度、定位误差进行测量、记录。分析精密数控机床移动轴的定位误差与温度之间的规律。运用切比雪夫多项式及最小二乘法分别建立X、Z轴几何误差模型和热误差模型,两模型进行叠加得到机床X、Z轴的综合定位误差模型,依据模型分别计算出X、Z轴定位误差拟合值,与实验测量值进行对比。结果表明:建立的模型具有预测精度高、鲁棒性好的特点。

为减小数控机床热误差对加工精度的影响,实现对热误差的补偿控制,提出一种基于遗传算法(GA)优化的最小二乘支持向量机(LSSVM)数控机床热误差建模方法。利用遗传算法优化选择LSSVM惩罚因子C和核函数参数σ2,构建针对某卧式加工中心主轴热误差的GA-LSSVM模型。根据该模型得到热误差的模拟值和测量值对比曲线,通过分析发现GA-LSSVM模型性能较好,模型残差较小,预测精度较高。建立热误差LSSVM模型和传统BP模型并与GA-LSSVM模型作对比,结果表明:GA-LSSVM模型绝对残差δ及均方误差MSE均为最小,模型决定系数R2最大,验证了GA-LSSVM建模方法的有效性。

为了提高数控机床的加工精度，提出了数控机床丝杠的热误差建模和补偿方法。通过分析丝杠的热变形云图得出温度传感器的布置位置。根据温升与误差的关系进行线性拟合建立热误差的数学模型。利用HNC-848数控系统的补偿模块进行参数设置从而实现在线实时补偿。经过激光干涉仪测量验证该补偿方法能够有效地提高机床的加工精度。

机床的热误差建模与补偿技术是提高机床加工精度的行之有效方法,而关键温度测点的选择是成功实施该技术的重要前提,由此提出一种基于偏相关-灰色综合关联度的温度测点优化方法。采用偏相关分析法,分析单一温度测点与主轴热误差间的相关性,剔除掉不相关或弱相关的测点,对剩余测点进行基于灰色综合关联度算法的分析,量化各测点与机床主轴热误差间的紧密程度,将测点数量由16个减少至4个。根据优化结果,建立4测点的热误差预测模型,分析表明,主轴Z向最大热误差由10.338μm减小至1.299μm,验证了温度测点优化结果的有效性。

为提高数控机床精度，提出一种基于卡尔曼滤波法的机床误差建模新方法，将统计模型的回归系数看作状态向量，统计模型视为观测方程，利用卡尔曼滤波法实现了统计模型的建模，由于卡尔曼滤波法属于线性最小方差估计，所以相比最小二乘法可望获得更高的建模精度。对一台立式加工中心，利用温度传感器与非接触式激光位移传感器同步测量主轴温度变化及热误差，利用卡尔曼滤波法构建的热误差模型分别与利用最小二乘法（IS）、最dxz乘支持向量机法（LS-SVM）构建的模型进行对比，结果表明：卡尔曼滤波法的建模精度比最小二乘法和最小二乘支持向量机法分别高10．5％和1．8％，且建模时间比最小二乘法和最小二乘支持向量机法分别少0．9％和6．8％。

为了降低机床热误差对主轴加工精度的影响,采用了混合粒子群算法优化BP神经网络结构,并对优化结果进行实验验证.引用了粒子群算法耦合遗传算法,给出BP神经网络结构简图,通过混合粒子群算法优化BP神经网络结构.构造机床热误差优化目标函数,采用混合粒子群算法优化目标函数,给出了混合粒子群算法优化BP神经网络流程图.建立BP神经网络热误差预测模型和BP神经网络热误差优化模型,采用三轴立式铣床对两种预测结果进行实验验证.实验结果表明：采用BP神经网络热误差预测模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为6.9μm和6.7μm;采用BP神经网络热误差优化模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为3.3μm和3.5μm.采用混合粒子群算法优化BP神经网络结构,能够提高机床热误差预测精度.

为综合考虑高速异步电主轴径向形变及轴向形变对其热误差的影响，分析电主轴各部分损耗。计及径向及轴向形变热误差，提出一种基于电磁一热一机械多物理场耦合的电主轴形变分析方法。分析电主轴机械结构、损耗、温升、电磁等物理场的耦合关系，设计多物理场耦合热误差分析模型计算流程。对异步电主轴进行三维有限元建模，并对其采样点的温升进行计算，并通过实验得出采样点的温升曲线，对比两条电主轴采样点的温升曲线可以验证有限元仿真的准确性。在有限元模型基础上进行多物理场计算，计算结果表明，电主轴由于机械和电磁损耗产生轴向热误差为6．541μm，由于径向形变而产生的基频气隙磁感应强度畸变率为7．6％，基于Maxwell张力张量法得到径向热误差为39μm。研究结果为机床误差分析及优化设计提供了理论基础。