为能够准确地分析导轨的温度特征,采用适应性FCM聚类分析法对导轨温度测点进行合理改进研究,其改进依据为导轨温度及热变形量,通过设置聚类数C的适应性目标分析函数,建立适应性FCM聚类算法可靠性仿真模型,得到温度测点收敛性与鲁棒性较好的多元回归关键测点热误差样本。研究表明,采用对机床导轨预先布置温度测点,通过适应性FCM聚类分析法对温度测点进行合理优化,可将测点数由5个缩减至3个,同时提高了模型预测的准确性与鲁棒性。

数控机床主轴热误差是影响机床加工精度的主要因素之一,主轴热误差温度测点优化对于准确建立机床主轴热误差模型、提高机床精度具有十分重要的意义。提出一种基于模糊聚类与灰色理论的机床测温点优化方法,通过对主轴测温点进行模糊聚类分析,根据Xie-Beni有效性指标评定,将温度点归为几类,然后通过对模糊聚类后的测温点与主轴热误差进行灰色相关性分析,实现机床主轴温度测点的进一步优化。试验结果验证了该方法的可行性与有效性。

在加工过程中,机床会因热变形而产生误差,这将严重影响加工精度。减少加工过程的热误差是提高加工精度的有效途径,而确定关键温度测点不仅能提高计算效率,还可避免温度数据间复共线性问题,提高热误差模型的预测精度。提出基于改进模糊聚类和最大信息系数(MIC)的温度测点选择方法,通过改进模糊聚类对温度测点进行分类;根据MIC方法选择每类温度数据中的关键温度测点;使用BP神经网络对热误差进行建模。结果表明:与传统温度测点选择方法相比,利用