機床商務(wù)網(wǎng)技術(shù)文章
國內(nèi)CNC加工中心熱誤差建模研究
閱讀：134 發(fā)布時間：2020-8-11伯特利數(shù)控 加工中心 鉆攻中心
前言：
精密加工技術(shù)在現(xiàn)代機械制造屮越來越_t要，精密加工技術(shù)的關(guān)鍵是降低加工中心加工過程中產(chǎn)生的熱誤
差。熱誤差是加工中心加工誤差的重要來源，指的是加工中心3：作中各部件產(chǎn)生熱變形，造成加工中心各零件之間相對位移，導(dǎo)致加工誤差。相比其他導(dǎo)致加工誤差的因素，熱誤差對工件加工精度的影響非常顯著，基本上達(dá)到總誤差的A W、Df•且越精密的加工中心其影響越大。熱誤差補償是在加工中心各部位放置溫度傳感器，實時監(jiān)控和收集溫度變化的數(shù)據(jù)，再通過特定的數(shù)學(xué)模型分析和預(yù)報誤差，并將其信息反饋到CNC加工中心控制器，對該誤差進行實時補償。這里面有兩個關(guān)鍵點:①能否選擇全面準(zhǔn)確地顯示加工中心周身溫度變化的傳感器的安放部位；②能否建立準(zhǔn)確有效的數(shù)學(xué)模型。后者的重要性尤為明顯。
1熱誤差數(shù)學(xué)模型的種類
近年來人們構(gòu)建的熱誤差數(shù)學(xué)模型主要有小二乘法(LS)擬合建模、人工神經(jīng)網(wǎng)絡(luò)（ANN)模型、灰色系統(tǒng)理論/新陳代謝(GM)建模、回歸模型（如多元線性回歸MRA模型、平滑自回歸ARMA模型、投影尋蹤回歸模型PSOPPR等)及基于時間序列分析的估計方法和綜合多種數(shù)學(xué)理論的綜合模型[3_4]等。本文將紹這些熱iV:差建模在W內(nèi)的研究現(xiàn)狀,.，
2熱誤差補償?shù)闹T種模型
2. 1基于小二乘法（LS)的擬合建模
基于小二乘法(LS )的擬合建模是較早的補償加工中心熱誤 的一種方式，111十其原理尚單• K此在實際操作中較容易實現(xiàn)，但是相比其他各種熱誤差數(shù)學(xué)模型，該模型的精度不理想，因而就產(chǎn)生了一些對該模型改進的建模方法。林偉青等人采用了在線小二乘支
持向量機（OL&SVM)的熱誤差回歸建模方法，實驗結(jié)果說明OL&SVM的建模方法不僅精度高，而且建模
時M ):!卜系統(tǒng)的魯棒n也較好[___1。Vnpnik在統(tǒng)計學(xué)習(xí)JVilm險小化擬理上發(fā)現(xiàn)了乞持X m機（Su|「p()r1 v(‘r1()r machine. SVM)方法卜]。在此墻礎(chǔ)上，Suykens等人提出LS~SVM方法，該方法在非線性函數(shù)估計、模式識別中*％'
L&SVM建模法需要的數(shù)據(jù)量比較少，能保持較A的精度：林偉青等人嘗試用LS及LS_ SVM兩種方法對同一CNC加工中心進行試驗，通過測量裝夾在主軸上的工件來間接獲得主軸g向與軸向變形量以測定熱變形誤差。實驗表明L&SVM建模方法的計算精度遠(yuǎn)A于ft統(tǒng)的LS迚模[1]]。他們在此基礎(chǔ)上義提出了動態(tài)自適應(yīng)加權(quán)小二乘支持矢量機（WLS-SVM)的方法，并對一臺XK713CNC加工中心進行測試，結(jié)果顯示:WL孓SVM的精度高[9]。
2.2基于人工神經(jīng)網(wǎng)絡(luò)（ANN)模型建模
神經(jīng)網(wǎng)絡(luò)理論是一種非線性動力學(xué)系統(tǒng)，它通過工程技術(shù)手段模擬部分人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與功能[1°]。神經(jīng)網(wǎng)絡(luò)理論主要有兩類：前向網(wǎng)絡(luò)和遞歸網(wǎng)絡(luò)。較常用的模型是反向傳播(BP )網(wǎng)絡(luò)和徑向基(RBF)網(wǎng)絡(luò)。
劉國良等人對BP及RBF網(wǎng)絡(luò)進行研宄，實驗結(jié)果表明：在加工中心熱誤差補償方面，BP網(wǎng)絡(luò)由于其偏差帶窄、分散程度小、偏離中心值的趨勢緩，因此優(yōu)勢；RBF網(wǎng)絡(luò)建模快，效果略遜于BP網(wǎng)絡(luò)；小二乘法建模簡單，但補償效果相對較差[11]。后來張宏韜等人將模糊邏輯理論與一般的祌經(jīng)網(wǎng)絡(luò)模型相結(jié)合，提出了建立模糊神經(jīng)網(wǎng)絡(luò)，研究表明建模數(shù)據(jù)應(yīng)盡量覆蓋熱誤差的分布曲面，使訓(xùn)練過程充分利用模糊
規(guī)則調(diào)整網(wǎng)絡(luò)參數(shù)，從而使網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)得到優(yōu)化，獲得更有效的補償效果[12]。閆嘉鈺等人在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上提出了線性組合建模的方法，并在一臺CNC加工中心上進行了試驗，結(jié)果顯示，該模型比組成模型以及簡單平均組合模型獲得的熱誤差預(yù)測精度提高了 30%和22. 6%[13]。另外，在人體免疫系統(tǒng)理論的基礎(chǔ)上，閆嘉鈺等人還嘗試提出了免疫RBF網(wǎng)絡(luò)(AIRBF)及其在線訓(xùn)練算法，能更有效地跟蹤訓(xùn)練數(shù)據(jù)，提高數(shù)據(jù)預(yù)測精度，能更好地跟蹤突變數(shù)據(jù)點[14]。
總之，神經(jīng)網(wǎng)絡(luò)建模的方法在加工中心熱誤差補償方面精度較好，這方面優(yōu)點突出，但其模型本身較為復(fù)雜，計算量較大，因而影響反饋控制時間。
2.3基于灰色系統(tǒng)理論建模
灰色數(shù)學(xué)理論在對信息不確定系統(tǒng)的建模、分析方面有*的功能，具有能研究小樣本、貧信息、不確定性問題的優(yōu)點，理論上更適用于熱誤差建模[15_17]。
傳統(tǒng)的灰色a論系統(tǒng)模咽如GiM n，1 >模型能比較成功地實現(xiàn)加工中心的熱誤差補償，但該模型在通過機床某一熱誤差元素（如車削加工工向熱誤差）自身時序數(shù)據(jù)建立模型時，未能考慮相關(guān)熱源溫度變化的影響。因而閆嘉鈺、楊建國等人對傳統(tǒng)的灰色系統(tǒng)GM(1,1)模型進行了改進，在切削加工試驗中對GM(1，4)以及GM(0,4)兩個模型進行了驗證，結(jié)果表明：GM(1,4)以及GM(0，4)模型擬合的精度可提升40%以上；另外GM(X，N)模型建立簡單、計算量小、便于工程應(yīng)用[1S]。之后，閆嘉鈺等人又在加工中心試驗中應(yīng)用改進型的GM (2，1)模型，使建模精度提升了5 5. 7 %，實際應(yīng)用中更為便利[19]。而宋建軍等人提出了GM(1,1,«)模型，試驗結(jié)果顯示大幅提升了加工中心熱誤差的預(yù)測精度[?。