为解决某加工中心电主轴的热误差补偿问题,建立预测精度高、鲁棒性强的热误差补偿模型。搭建实验台,利用美国雄狮回转误差分析仪采集电主轴的温度场和热误差数据。介绍麻雀搜索算法(SSA)原理、具体优化流程。采用SSA优化BP神经网络的权值和阈值,建立SSA-BP神经网络预测模型。与之前建立的BP神经网络预测模型相比,优化后预测效果更优,为电主轴热误差建模提供新的思路。

为提高热误差补偿精度和实现热误差补偿群控,提出了一种车间机床热误差补偿群控方法,采用分布式采集、补偿控制以及集中式建模计算,有效提高了采集端的扩展性,充分利用了服务端的高性能。基于CAN总线,构建了机床状态信息采集平台,结合PSO-BP神经网络进行了热误差建模研究,开发了热误差补偿群控系统,开展了机床状态信息采集监控及误差补偿实验。实验结果表明:该系统具有较好的扩展性,适应多类型机床信息采集与交互;热误差补偿群控模型有效提高了机床定位精度,具有较好的工程应用前景。

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。

为满足机床精度要求,提出有传感器热误差补偿方法。详细介绍了热误差补偿原理,通过测试对比和数据分析,对机床的热误差问题进行实验研究。依据统计数据得出结论,将结论及方法应用于数控系统中,对数控系统热误差补偿模块进行完善。结果表明:传感器热误差补偿方法可以解决机床热误差造成的精度问题,广泛应用于机床质量检验。

在精密及超精密加工过程中,数控机床热误差是影响加工精度的一项重要误差源,最经济和有效地减少热误差的方法是热误差补偿技术。针对热误差补偿预测模型的预测精度问题,提出一种非线性组合预测模型。该预测模型利用灰色关联度方法对单项预测模型进行筛选,对筛选出的单项预测模型基于不同优化准则进行线性组合,通过广义回归神经网络对该线性组合模型进行非线性组合,得到非线性组合预测模型。误差预测结果表明:对比典型的BP神经网络预测模型,非线性组合预测模型的预测精度更高,最大误差由4.78μm减小到0.7μm。

为了提高热误差模型的预测精度和减少布置在机床内部的温度传感器数量,提出一种基于单个温度传感器数据的主轴轴向热误差辨识模型。该模型的输入由单个温度传感器采集的数据处理生成,内部参数少,利用智能优化算法的全局寻优能力辨识模型参数,减少人工干预,使得模型泛化性更强。以某型号三轴机床为实验对象,通过机床切削工件,验证模型辨识效果。通过与神经网络主轴热误差预测模型对比分析及实验验证,结果表明:提出的热误差模型预测主轴轴向

当实际工况与建模工况存在差异时，传统的热误差模型往往表现出较差的鲁棒性和预测精度。主要原因在于建模数据的局限性和模型的未建模动态。为了改善上述状况，提出了一种基于数据驱动的数控机床主轴补偿模型。此模型采用无模型自适应控制算法建模，结合机床运行中生成的数据（温度数据和误差数据）对热误差模型进行实时修正，使模型能快速适应新的加工工况，从而提高模型的鲁棒性。在一台数控车床主轴上进行了试验验证。结果表明：无模型自适应控制与多元回归模型比较，其标准差、最大残差和误差平方和分别提高了41％、62％和56％，此模型的鲁棒性和预测效果好。同时，此方法为大数据在机床主轴热误差补偿中的应用奠定了基础。