[发明专利]一种考虑热迟滞的数控机床主轴热误差分段建模方法

说明书

本发明公开了一种考虑热迟滞的数控机床主轴热误差分段建模方法，包括以下步骤：进行加热、冷却交替变化的多周期热误差实验；根据温度‑热误差关系草图筛选出温度超前点；采用模糊聚类(FCM)算法将温度超前点分类，计算温度超前点与热误差的相关系数，选取各类中相关系数最高的温度超前点作为温度敏感点；通过PSO算法计算各个周期的升温和降温过程中温度敏感点的滞后阶数，将各周期的热误差模型分为初始加热段、加热段、初始冷却段和冷却段，对初始化段采用MLR进行热误差建模，对加热段和冷却段采用DL模型进行热误差建模；对各模型中的常数项进行修正，得到S‑PSO‑DL热误差模型。本发明充分考虑了机床热误差的变热迟滞效应，实现对数控机床热误差的分段建模。

技术领域

本发明属于精密加工与机械制造领域，具体涉及一种考虑热迟滞的数控机床主轴热误差分段建模方法。

背景技术

随着精密制造技术的迅速发展，在制造领域对数控机床的加工误差有了更加严格的要求，在机床的加工过程中，有诸多因素导致机床的加工精度降低，其中热误差的影响占机床总误差的50-80％，是造成机床加工精度降低的主要原因。降低热误差的方法主要为误差预防法和误差补偿法，由于误差预防法在提高精度较高的零件的加工精度时所需成本非常高，使该方法使用具有一定的局限性；而误差防止法作为一种高效率、低成本的降低机床热误差的方法有着更加广泛的工业应用。

对于误差补偿法，一个具有强鲁棒性和较好预测性能的热误差模型是取得良好补偿效果的关键。在热误差建模的研究中，提出了如多元线性回归(MLR)、神经网络(BP)、支持向量机(SVR)等用于热误差建模的机器学习算法。在以往的热误差建模中，对于机床持续升温工况的热误差模型常常具有良好的预测效果，而对于升温和降温过程都存在的较复杂工况进行热误差建模的效果并不理想。同时热迟滞往往是一个热误差建模中常被忽略的现象，即热误差变化与温度变化之间存在迟滞时间，热迟滞严重影响着热误差模型的鲁棒性和预测效果，在频繁的周期性机床升温与降温过程交替的工况下，考虑热迟滞在热误差建模中显得尤为重要。且温度与热误差之间的迟滞时间随机床运行时间是不断变化的，在不同周期间及同一周期的升温和降温过程中，热误差与温度间的迟滞时间是不同的。为了使热误差模型在更贴近升温降温交替的实际加工工况，本文采用时间序列中的分布滞后模型(DL)充分考虑了热迟滞现象对于热误差建模的影响，并对热误差模型进行分段处理，使通过该方法建立的热误差模型在预测数控机床主轴热误差时有着更强的鲁棒性和更好的预测效果。

发明内容

有鉴于此，本文的目的是为了解决热迟滞现象对于机床热误差建模的影响以及周期性冷热交替工况的热误差建模，提高预测模型的鲁棒性和预测精度。

为达到上述目的，本发明提供如下技术方案：一种考虑热迟滞的数控机床主轴热误差分段建模方法包括以下步骤：

1)数据采集：在数控机床上的主要热源处布置温度传感器用于采集温度数据，在主轴处布置位移传感器用于采集热误差数据，数控机床主轴进行多周期的运行、停机交替的热误差实验；

2)温度超前点筛选：处理实验数据，去除温度无关测点，并根据温度-热误差关系草图筛选出温度超前点；

3)温度敏感点选择：采用模糊聚类(FCM)算法将温度超前点分类，计算每个温度超前点与热误差之间的相关系数，选取每一类中相关系数最高的温度超前点作为温度敏感点；

4)滞后阶数确定：通过粒子群算法(PSO)计算各个周期的升温和降温过程中各温度敏感点的滞后阶数，得到各过程中温度敏感点的最大滞后阶数；

5)分段建模：根据各周期升温和降温过程的最大滞后阶数，将各周期的热误差模型分为初始加热段、加热段、初始冷却段和冷却段；对每个周期中的初始加热段与初始冷却段采用多元回归算法(MLR)进行热误差建模，对各周期加热段和冷却段采用分布滞后模型(DL)进行热误差建模；

6)系数修正：对各分段模型中的常数项进行修正，将各段模型组合成基于粒子群的分布滞后分段热误差模型(S-PSO-DL)。