一种机床热误差温度敏感点的自适应选择方法技术

本发明专利技术公开了一种机床热误差温度敏感点的自适应选择方法，属于数控设备控制领域。该方法基于ARD平方指数核函数来建立热误差高斯过程回归模型，能够实现快速自适应温度敏感点的选择，不对建模温度变量进行增量处理，保留了有用的环境温度信息，有效保证了热误差预测模型的高预测精度和高稳健性。模型的高预测精度和高稳健性。模型的高预测精度和高稳健性。

【技术实现步骤摘要】
一种机床热误差温度敏感点的自适应选择方法


[0001]本专利技术属于数控设备控制领域，更具体地说，涉及一种机床热误差温度敏感点的自适应选择方法。

技术介绍

[0002]作为装备制造的“工作母机”，数控机床象征着一个国家制造业水平的高低，而数控机床的加工精度往往代表着机床性能的高低。数控机床在实际加工运行过程中，由于受到摩擦热、切削热和环境温度等因素的影响，机床零部件会膨胀产生热变形。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。
[0003]据统计，数控机床热误差在机床总误差中占40～70％，且随着机床性能等级的提升，该比例会进一步增大。通过建立预测模型实现对热误差的预测和补偿，是目前有效降低热误差影响的最常用的手段。为了提高所建立热误差预测模型的实际应用效果，通常在建立热误差预测模型之前，需要对温度变量进行筛选，即温度敏感点选择。从而精简模型的结构，提高模型的预测效果。
[0004]但是，随着工程应用对热误差预测模型的要求不断提高，自适应性逐步成为继预测精度和稳健性之后又一需要考虑的重要建模指标。当前热误差建模算法中，需要首先筛选温度敏感点，进而建立热误差关于温度敏感点的预测模型。而一旦切削材料、切削液使用、主轴转速和进给速度等机床工作条件变化较大时，则所建立的热误差预测模型不再适用，需要重新进行上述热误差建模过程。
[0005]中国专利申请号为：CN202010344411.8，公开日为：2020年7月14日的专利文献，公开了一种机床主轴热误差建模的加权集成温度敏感点组合选取方法，其包括在数控机床运行过程中同步采集随时间发生变化的温度变量和机床主轴的热变形量；结合聚类算法的优缺点，设置类簇数的取值范围，对温度变量进行聚类分析，获得对应于不同V值的聚类结果；应用相关性分析，对获得的聚类结果进行筛选以获得对应于不同V值的温度敏感点组合；结合温度变量和热变形量之间的非线性以及人工神经网络的原理，建立用于热误差预测的神经网络模型，并进行热误差模型性能的评估；为对应不同温度敏感点组合的热误差模型的测试结果赋权值，设置适应度函数，并使用CSO进行优化以获得最优权值组合即其对应的加权集成温度敏感点组合。
[0006]中国专利申请号为：CN202011139178.6，公开日为：2021年2月2日的专利文献，公开了一种基于温度综合信息的热误差温度敏感点选择方法及系统，在机床运行过程中，同步采集温度数据与热误差数据；利用温度数据与热误差数据，构建温度综合信息矩阵；利用多个聚类有效性指标，确定最佳聚类数；利用温度综合信息矩阵与最佳聚类数进行模糊聚类，将温度测点分组；计算温度与热误差的相关系数，选出每组中相关性最大的温度测点作为待选温度测点；待选温度测点中，去除相关系数在
‑
0.4到0.4的温度测点，剩余的待选温度测点为温度敏感点。
[0007]上述两个方案均涉及到了机床热误差预测模型建立时的温度敏感点的选择，但是，两个方案均无法实现对温度敏感点的自适应选择，即二者均是在建模之前进行的温度敏感点的选择，且现有的热误差预测模型建立时温度敏感点也难以实现自适应选择，造成热误差预测模型建模过程复杂，在由于工作条件变化导致的机床热误差规律发生变动而需要重新建模的情况下，需要花费较长的时间。
[0008]另外，传统的热误差建模算法中，均需对温度变量进行增量处理，即使用温度变量的测量值减去初始值，这样会导致一部分温度信息，主要是环境温度信息的丢失，而环境温度是影响热误差规律的一个重要因素，因此导致热误差预测模型的精度和稳定性会受到影响。

技术实现思路

[0009]1、要解决的问题
[0010]针对现有的机床热误差预测模型建立时，温度敏感点难以实现自适应选择的问题，本专利技术提供一种机床热误差温度敏感点的自适应选择方法，基于ARD平方指数核函数来建立热误差高斯过程回归模型，能够实现快速自适应温度敏感点的选择，不对建模温度变量进行增量处理，保留了有用的环境温度信息，有效保证了热误差预测模型的高预测精度和高稳定性。
[0011]2、技术方案
[0012]为解决上述问题，本专利技术采用如下的技术方案。
[0013]一种机床热误差温度敏感点的自适应选择方法，包括以下步骤：
[0014]一、提取参与建模的热误差变量数据和温度变量数据；
[0015]二、选用ARD平方指数核函数计算温度变量数据间的相关函数；
[0016]三、根据高斯过程回归算法建立高斯过程回归模型；
[0017]四、计算并提取高斯过程回归模型中各个温度测量点对应的尺度系数，并设定尺度系数额定值；
[0018]五、判断各个温度测量点对应的尺度系数是否超出额定值，并将超出额定值的温度测量点剔除；
[0019]六、重复步骤二至步骤五，直至无温度测量点的尺度系数超出设定值为止。
[0020]于本专利技术一种可能实施方式中，所述步骤一的具体过程为：
[0021]定期同时测量机床的热误差变量和温度变量数据，得到：
[0022]S
D
＝[S
D1
，S
D2
，...，S
Dn
]T
；
[0023][0024]其中，S
D
为热误差变量数据，D＝X，Y，和/或Z，所述X、Y、Z分别代表机床的X向、Y向和Z向；T为转置符号；T
mn
为温度变量数据；t
k
表示第k个温度测量点的温度变量数据；m为温度测量点的个数；n为热误差变量和温度变量的测量次数。
[0025]于本专利技术一种可能实施方式中，所述步骤一中，每个温度测量点处均设置有一个温度传感器，热误差测量点处设置有位移传感器。
[0026]于本专利技术一种可能实施方式中，所述步骤一中，测量间隔时间为4
‑
6分钟，测量总时间为5
‑
7小时。
[0027]于本专利技术一种可能实施方式中，所述步骤二的具体过程为：
[0028]使用以下ARD平方指数核函数计算任意两次温度变量测量数据之间的相关函数k(x
i
,x
j
)：
[0029][0030]其中，x
i
为第i次测量的温度变量数据，x
ki
为第k个温度测量点第i次测量的温度变量值；x
j
为第j次测量的温度变量数据，x
kj
为第k个温度测量点第j次测量的温度变量值；σ
f
为x
i
和x
j
的所有测量数据的标准差；σ
k
是对应于每个温度测量点的尺度系数。
[0031]于本专利技术一种可能实施方式中，所述步骤三的具体过程为：
[0032]通过高斯过程回归算法建立以下高斯过程回归模型：
[0033][0034]m(x)＝E[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机床热误差温度敏感点的自适应选择方法，其特征在于：包括以下步骤：一、提取参与建模的热误差变量数据和温度变量数据；二、选用ARD平方指数核函数计算温度变量数据间的相关函数；三、根据高斯过程回归算法建立高斯过程回归模型；四、计算并提取高斯过程回归模型中各个温度测量点对应的尺度系数，并设定尺度系数额定值；五、判断各个温度测量点对应的尺度系数是否超出额定值，并将超出额定值的温度测量点剔除；六、重复步骤二至步骤五，直至无温度测量点的尺度系数超出设定值为止。2.根据权利要求1所述的一种机床热误差温度敏感点的自适应选择方法，其特征在于：所述步骤一的具体过程为：定期同时测量机床的热误差变量和温度变量数据，得到：S
D
＝[S
D1
，S
D2
，...，S
Dn
]
T
；其中，S
D
为热误差变量数据，D＝X，Y，和/或Z，所述X、Y、Z分别代表机床的X向、Y向和Z向；T为转置符号；T
mn
为温度变量数据；t
k
表示第k个温度测量点的温度变量数据；m为温度测量点的个数；n为热误差变量和温度变量的测量次数。3.根据权利要求2所述的一种机床热误差温度敏感点的自适应选择方法，其特征在于：所述步骤一中，每个温度测量点处均设置有一个温度传感器，热误差测量点处设置有位移传感器。4.根据权利要求3所述的一种机床热误差温度敏感点的自适应选择方法，其特征在于：所述步骤一中，测量间隔时间为4
‑
6分钟，测量总时间为5
‑
7小时。5.根据权利要求2所述的一种机床热误差温度敏感点的自适应选择方法...

【专利技术属性】
技术研发人员：魏新园，吴金桃，丁鑫龙，冯旭刚，潘巧生，钱牧云，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：