数控铣床在铣削零件过程中,主轴会受到温度变化影响而发生热变形,导致铣削零件误差较大,从而降低产品精度。对此,采用一阶线性微分方程推导GM(1,1)模型,创建灰色预测模型。将神经网络模型与灰色预测模型进行组合,建立灰色神经网络预测模型。引用粒子群算法,在粒子群算法中增加变异操作和修改惯性权重系数,给出改进粒子群算法优化灰色神经网络预测模型的具体操作步骤。采用实验测试铣床铣削过程中所产生的热误差,并与预测模型进行比较。结果显示在铣床主轴X、Y、Z轴三个方向上,灰色神经网络预测模型对铣床主轴补偿后,得到的残差较大;而改进灰色神经网络预测模型对铣床主轴补偿后,得到的残差相对较小。采用改进粒子群算法优化灰色神经网络预测模型,能够提高铣床主轴铣削精度。

高速电主轴是现代机床的核心部件,针对其运转中存在振动、温升导致的热误差等问题,设计了由装夹平台和监测软硬件组成的测试系统。为精确获取振动量及变化微小的热延伸量,采用高精度的加速度传感器和激光位移传感器测量电主轴的振动和轴向位移;设计了一种温度传感标签用于监测电主轴的温度变化,可实现数据的无线传输,且测试时操作简便,信号传输稳定;基于LabVIEW开发了上位机软件可对原始数据进行预处理并实时显示和保存数据至指定位置;通过精度对比实验表明该测试系统可有效监测电主轴运转过程中的温度、热延伸和振动变化。

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。

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。

在数控加工中,加工误差直接关系到产品的质量,对其建模的研究显得十分重要。动态误差特别是热误差的精密建模显得困难重重,却一直是相关研究的重点。文章讲述工作中的微V槽超精密机床会经历升温、热平衡和降温3个阶段,并探究维系热平衡所需的条件;发现微V槽超精密机床在空间同一位置处产生的加工误差的主要成分是热误差,基于热平衡维系条件该误差的变化过程是一个欠阻尼二阶系统的阶跃响应。因此,基于热平衡维系条件,对加工误差的精密建模进行研究会显得事半功倍。

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.

结合国内外的发展状况,指出热误差是影响机床加工精度的一个十分重要因素.分析了数控机床热误差产生的原因及其测量的方法,同时对各种控制热误差的常用方法进行了简要分析,并对以后的发展方向做了展望.