[发明专利]一种基于无偏估计拆分模型的数控机床热误差预测方法及系统

说明书

本发明公开了一种基于无偏估计拆分模型的数控机床热误差预测方法及系统，所述预测方法按如下步骤进行：1.获取机床主轴的温度变量和热变形量；2.提取热误差建模所需的温度敏感点变量；3.建立机床热误差无偏估计拆分模型；4.求取所述无偏估计拆分模型的热变形量预测值，根据该值与热变形量测量值的差异状态，获得无偏估计拆分模型的预测性能；所述系统包括：红外热成像仪、温度传感器、电涡流位移传感器和工控机；本发明有效地解决了温度自变量之间的耦合效应，并将温度敏感点选择方法与热误差建模模型配合使用，显著提高了热误差模型的预测精度和稳健性。

技术领域

本发明属于精密加工机床技术领域，涉及的是一种基于无偏估计拆分模型的数控机床热误差预测方法及系统，尤其适用于强耦合性温度场的机床热误差预测。

背景技术

随着精密和超精密加工技术的高速发展，对数控机床及加工中心的加工精度和可靠性提出了更高的要求。数控机床在实际加工运行过程中，由于工艺系统受到摩擦热、切削热和环境温度等因素的影响，导致机床零部件膨胀产生热变形。此热变形会改变机床各部件之间的相对位置，使刀具偏离理想切削点，导致机床加工精度降低，而这种由热变形引起的误差称之为热误差。数控机床热误差对零件的加工精度影响显著，研究表明，热误差占机床总误差的40％～70％。因此，对于数控机床热误差预测方法的研究具有十分重要的意义。

数控机床热误差预测方法，主要包括温度敏感点的选择和数学建模算法的应用。针对温度敏感点的选择，2013年，苗恩铭等人利用模糊聚类结合灰色关联度方法对温度敏感点进行了相关研究，首先利用模糊聚类分析将所有温度变量按相关性强弱分类，接着采用灰色关联分析法计算各类中的温度变量与热变形量之间的关联度大小，确定各类中的敏感点变量，最后将每类中的敏感点变量组合起来用于热误差建模(参看文献“Temperature-sensitive point selection of thermal error model of CNC machining center”，来自期刊《International Journal of Advanced Manufacturing Technology》)。此方法虽然通过聚类分析降低了模型中的变量耦合，但并未有效地解决误差模型中的变量耦合。专利号为201410097157.0的中国发明“数控机床热误差补偿建模温度测点组合的选择优化方法”，该专利根据主因素策略排除一部分温度测点位置，由建立的热误差BP神经网路模型的权值，利用权积法过滤传感器剩余温度测点位置。该专利所述方法减少了机床温度测点的数量，解决了补偿模型稳健性差的问题。但该专利也没有对温度变量间的耦合效应进行有效处理。

针对机床热误差建模算法的应用，常用的线性热误差建模算法主要有：多元线性回归建模方法、时间序列建模方法等。2013年，田国富等人探讨了多元线性回归算法在机床热误差建模中的精度，通过实验数据验证了多元线性回归可以达到较高的建模精度(参看文献“多元线性回归理论在数控机床热误差补偿中的应用”，来自期刊《机械工程与自动化》)。2011年，苗恩铭等人研究了精密机床中的热误差时间序列建模技术，由于考虑了所研究序列的过去值对模型的影响，因此具有较高的建模精度(参看文献“精密数据机床热误差时间序列建模技术研究”，来自2011年全国精密工程学术研讨会)。然而，上述数学建模算法却受变量耦合影响较为严重。由于机床温度场复杂的非线性和时变性特征，当机床所处环境发生较大变化时，往往使得温度变量间的耦合程度也发生较大变化，若此时用这些算法建立机床热误差模型，将会出现模型参数的估计值敏感地随样本容量的变化或自变量数目的增加而发生改变的现象，从而使建立的热误差模型极不稳定。

另外，目前的温度敏感点选择方法与热误差建模方法并未被要求统一配合起来，这在一定程度上也降低了热误差预测的稳健性能力。

发明内容