为了减小热误差对数控机床精度的影响,提出了基于DBSCAN聚类算法的温度传感器测点优化方法和基于BP神经网络的数控机床建模方法。通过DBSCAN对特征数据进行聚类分析消除部分线性相关传感器数据。求解聚类后的每个类别中的传感器数据与主轴误差值的皮尔森相关系数,将类别内相关系数按从大至小进行排序,选取类别内相关系数最大的作为优化后的传感器数据,以此将温度测量点从16个减少到5个。添加动态随机数完成数据增强,提高模型泛化性。建立了温度和主轴位移的BP神经网络模型,其准确度可达0.94,为机床热误差补偿提供了重要的理论依据。

对机床主轴系统的发热与变形情况进行理论与实验研究。对主轴系统进行受力分析,建立三维模型。运用传热原理对机床主轴系统的温度场进行有限元热特性分析,得出机床主轴高速运转下的热变形的仿真结果,机床主轴系统最右端轴向伸长3μm,上翘9.1μm。在此基础上开展实验,借助红外温度传感器与位移传感器测得机床主轴系统的热变形,验证了有限元分析得合理性,为下一步的机床热误差补偿提供必备的条件。该机床主轴系统的热变形在径向和轴向的差别较大,后续热误差补偿应主要考虑径向变形。