[发明专利]数控机床热误差补偿建模温度测点组合的选择优化方法

说明书

技术领域

本发明涉及一种精密机床切削加工过程中机床热变形的测量和误差补偿建模所用的温度变量组合的优化方法。

背景技术

机床热误差是影响机床加工精度稳定性的最大误差源，可导致工件和刀具之间产生相对位移,它对精密加工的影响很大，因此减小热误差对提高机床的加工精度至关重要。建立热误差预测模型对机床进行有效的热误差补偿是现在发展起来的一种经济、方便和高效的提高机床加工精度的方法。要建立热误差预测模型必须获得与热误差相关的机床温度场分布，因为机床温度场分布是影响热误差的主要因素，并且极其复杂。这就需要在机床上布置大量的温度传感器，用来测量机床运行过程中的实时温度场分布。

然而，大量的温度传感器又加重了误差测量和计算的工作量，且实际中布线过多会影响机床正常工作，还会使相邻测点的输出信号有较大的相关性。所以，选择几个关键温度测点实现精确热误差建模就显得特别重要，但是如何选择温度测点是机床热变形建模及补偿技术中的关键问题之一。

针对这个关键问题，本发明基于权积法，在主因素策略和BP神经网络算法的基础上，分析机床温度场分布中的各影响因素对机械加工热误差的重要程度，提出了根据对机床产生热误差影响特别敏感的几个测量点的传感器组合作为热误差补偿精确建模使用的变量的方法。

发明内容

本发明提供一种精密数控机床热误差补偿温度测点组合的优化方法，用于解决数控机床热误差补偿中如何优化温度测点组合的技术问题。

为解决上述技术问题，本发明采用的技术方案是：

数控机床热误差补偿建模温度测点组合的选择优化方法，具体步骤是：

步骤1，采集数控机床运行过程中随时间变化的温度变量和热变形量：

首先，在数控机床的重要位置安装k个测量精度为0.1℃的温度传感器进行温度测量，将位移传感器安装固定在机床刀架上，标准检测芯棒装夹在机床主轴上；

然后，使机床以1000r/min到1500r/min之间的某一速度运行，让主轴转动、托板移动和冷却液流动，机床运行3.5小时，再停机1小时，之后再运行3.5小时，通过运行机床可以得到：①k个位置的温度传感器测得的温度随时间的变化量T{T1(t)，T2(t)，…，Tk(t)}，②位移传感器测得的机床热变形量Y(t)；

步骤2，应用主因素策略筛选出m个测点位置温度传感器：

利用主因素策略建立所有k个温度测点数据和热误差数据之间的相关系数ρ，相关系数ρ>0.8的则认为符合主因素策略；将不符合主因素策略的机床温度测点除去，剩下的m个温度测点T’{T’1(t)，T’2(t)，……T’m(t)}进入下一步骤；

步骤3，根据人工神经网络的原理，建立能模拟热误差变化的BP神经网络模型：

将剩下的m个温度测点的数据T’和热变形量Y(t)建立BP神经网络，BP神经网络包括输入层、中间隐含层和输出层，输入层由m个神经元组成，代表m个测点温度变量；输出层有1个神经元，代表热误差；隐含层的神经元个数S由经验公式

S=(m+n)^1/2+a

来确定取值范围，其中，m为输入节点数，n为输出节点数，a为1～10之间的调节常数，S一般为[3，15]；把S设为可变模式，在MATLAB中建立(m-S-1)的3层BP神经网络，输入层、隐含层采用tansig传递函数，输出层采用tansig传递函数，利用trainlm函数对网络进行训练，把T’和Y(t)的训练数据分别代入输入层和输出层，根据训练结果选取使误差最小的神经元个数值作为隐含层神经元个数；同时变量存储框里保存了神经网络最终的权值数列[W]和[V]；

步骤4，利用权积法来辨识机床关键温度测点：

根据上一步得到的热误差的BP神经网络的权值[W]和[V]，应用权积法从m个温度测点T’{T’1(t)，T’2(t)，…，T’m(t)}中辨识机床的关键温度测点，得到m个温度测点位置中每个位置对热误差的敏感度值，并将这些敏感度值从大到小依次排列，分别表示这些测点位置温度变化对机床产生热误差的影响大小；

步骤5，设定一个阈值b’，敏感度值不小于b’的a个温度测点位置被保留下来，而其余位置的温度变化对热误差影响很微小，都被舍去，即将k个温度测点成功的缩减至a个最优的测点位置组合，完成选择优化方法。

所述步骤1中温度测量分为7组：测量机床主轴前后轴承端盖和主轴外壳法兰的温度、测量机床主轴箱的温度、测量机床室内环境的温度、测量机床导轨的温度、测量冷却液的温度、测量滚珠丝杠螺母的温度、测量电动机的温度。