数控机床热误差动态灰色优化建模研究.pdf

《数控机床热误差动态灰色优化建模研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2011年6月机床与液压Jun．201l第39卷第11期MACHINET0OL&HYDRAULICSVo1．39No．1lDOI：10．3969／j．issn．1001—3881．2011．11．015数控机床热误差动态灰色优化建模研究李一民(南京信息职业技术学院机电学院，江苏南京210046)摘要：为降低热误差对加工精度的影响，以减少补偿成本、简化数据采集、提高补偿精度为目标，提出采用灰色GM(0，Ⅳ)模型进行数控机床热误差建模预测；以优化数据配置、改善补偿系统动态品质、提高鲁棒性为目的，建立了GM(0，N)优化模型。采用智能温度传感器和位移传感器采集了MCH63精密卧式加工中心温度

2、数据和主轴3个方向热位移量，并根据采集数据构建热误差模型。试验结果表明：GM(0，N)建模方法简单，数据量少，运算时间短，预测精度较高；优化模型可根据在线输入的新数据不断修正模型本身，其精度高、鲁棒性强、通用性好，适合于在线建模。关键词：数控机床；热误差；建模；优化中图分类号：TG659文献标识码：A文章编号：1001—3881(2011)11—054—4ResearchonDynamicGreyOptimizationModelingforThermalErrorinNumericalControlMachineLIYimin(DepartmentofMechanicalandEle

3、ctricalEngineering，NanjingCollegeofInformationTechnology，NanjingJiangsu210046，China)Abstract：Toreducethermalerror’sinfluenceonmachiningaccuracy，agreyGM(0，N)modelwaspresentedforpredictingCNCmachine’sthermalerrorwiththeaimofloweringcompensationcost，simplifyingdatacollectionprocessandimprovingcompe

4、nsa—tionaccuracy．TheGM(0，N)optimizedmodelwasestablished，whichcouldoptimizedataallocation，improvesystemdynamiccharacterandenhancerobustness．Intelligenttemperaturesensorsanddisplacementsensorswereusedtocollecttemperaturedataandspindle’Sthermaldisplacementinformationinthethreedirectionsofprecisehor

5、izontalmachiningcentreMCH63．Thermalerormodelwasbuiltupwiththecollecteddata．TheexperimentalresultsshowthattheGM(0，N)modelingmethodissimplewithlessdata，shortoperationtimeandhigherpredicationaccuracy，andtheoptimalmodelcanmodifyitselfduetoinputnewdataonlinewithhighaccuracy，goodrobustnessandgeneralus

6、age，whichisfitformodellingonline．Keywords：CNCmachine；Thermaleror；Modeling；Optimization随着精密、超精密技术研究的深入发展，对机床向量机进行数控机床热误差建模预测的方法；上海热误差补偿精度的要求不断提高。目前，热误差补偿交大的李永祥对GM(1，1)模型进行了修正，得出3技术已经成为现代精密工程的重要技术支柱之一。许种模型：全数据模型、新信息模型和新陈代谢模多精密机床、精密仪器及某些精密制造设备均采用了型⋯。这些研究成果有力地推动了热误差建模技术的误差补偿技术。热误差建模作为热误差补偿的核心技发展，但也存

7、在一些不足：术，受到了各国学者、专家的关注，迅速成为众多学(1)神经网络建模法虽可提高预测精度和鲁棒者研究的热点课题。性，但在隐含层神经元数目、网络学习速度的设置上近年来，国内外研究者从多个角度深入研究了机很难找到满意的有效方法，且计算强度大。床热误差状况，提出了各种热误差模型。如上海交大(2)基于贝叶斯网络的建模方法动态特性良好，的学者运用粒子群优化算法、蚁群算法、遗传算法等但在高采样频率时，采用该方法对网络节点数量多、结构复杂的系统进行建模