基于MLR-AHP算法的数控机床热误差建模方法技术

本发明专利技术是一种基于MLR

【技术实现步骤摘要】
基于MLR
‑
AHP算法的数控机床热误差建模方法


[0001]本专利技术属于精密加工机床
，涉及的是一种基于MLR
‑
AHP模型的数控机床热误差预测方法,适用于数控机床热误差预测。

技术介绍

[0002]机床作为装备制造的“工作母机”，是一个国家制造业水平高低的象征。在实际加工过程中，电机发热、摩擦生热、切削热和环境温度等内外部热源变化会造成机床零部件发生热变形。进而刀具与工件之间的相对位置与预定值产生偏差，即热误差，从而造成机床精度下降。随着数控机床性能逐步提升，热误差逐渐成为影响机床精度的主要因素。
[0003]机床热误差补偿研究存在两个问题，一是温度测量点的选择，二是建模方法。目前最为常用的温度测量点的选择算法有热模态分析法、模糊聚类和核主成分法等筛选温度敏感点，这些研究均在一定程度上实现了对温度测点的优化。另一方面，对于热误差预测模型的构建，经过专家学者多年的研究，先后建立了多种机床热误差模型，比如支持向量机、神经网络、有限元模型、最小二乘支持向量机等。其中最小二乘支持向量机模型在预测非线性小样本的回归问题上有较高的精度。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提出一种科学合理，适用性强，鲁棒性好，能够显著提高热误差预测模型精度和稳健性的基于MLR
‑
AHP数控机床热误差模型的建立方法。
[0005]实现本专利技术目的采用的技术方案是：一种基于MLR
‑
AHP算法的数控机床热误差建模方法，其特征是，所述方法包括以下步骤：
[0006]1)测量机床不同温度状态下的直线轴定位误差；
[0007]2)利用K调和均值聚类算法提取热误差建模所需要的温度敏感点；
[0008]3)利用层次分析法进一步筛选温度敏感点，以简化模型；
[0009]4)建立机床热误差MLR
‑
AHP模型；
[0010]5)求取所述MLR
‑
AHP模型的热误差预测值，根据所述热误差预测值与热误差测量值的差异状态，获得MLR
‑
AHP模型的预测性能。
[0011]进一步，所述步骤1)测量机床不同温度状态下的直线轴定位误差的内容包括：
[0012]a.根据温度传感器布点策略在机床上初始安装11个PT100铂电阻温度传感器温度，利用XSR90记录仪实时采集机床的温度分布；
[0013]b.对机床热源和所处环境的温度值进行连续间隔采样；
[0014]c.利用Renishaw XL
‑
80激光干涉仪测量机床不同温度状态下直线轴Y的定位误差；
[0015]d.利用误差分离方法分离定位误差，得到初始的几何定位误差和不同温度状态下的热定位误差。
[0016]进一步，所述步骤2)利用K调和均值聚类算法提取热误差建模所需要的温度敏感点包括：
[0017]i.选择初始聚类中心c
j
：
[0018]随机选j个初始聚类中心c1,c2,
…
,c
j
，其中c
j
表示第j类的聚类中心，设置t为迭代次数；
[0019]ii.计算适应度函数：
[0020][0021]式中：X＝{x1,x2,
…
,x
n
}，n为要聚类的对象的数量；p为一个输入参数，通常来说p≥2；
[0022]iii.对于每个温度敏感点x
i
，计算其在每个聚类中心中的隶属关系；
[0023][0024]iv.对于每个聚类中心c
j
，根据其隶属关系、权重和所有的温度敏感点x
i
，重新计算聚类中心；
[0025][0026]v.重复步骤ii至iv，直至达到预定的迭代次数，筛选出最佳温度敏感点T1，T5和T6；
[0027]进一步，所述步骤3)利用层次分析法进一步筛选温度敏感点的内容包括：
[0028]i.建立层次结构模型:
[0029]筛选温度敏感点T1，T5和T6，以热误差为目标、以T1，T5和T6为决策准则，根据相互关系构建层次关系；
[0030]ii.构造判断矩阵:
[0031][0032]其中，a
ij
表示温度敏感点T
i
和T
j
间的相对重要程度；
[0033]iii.层次单排序
[0034]计算判断矩阵最大特征根λ
max
的特征向量并归一化，λ
max
＝3.0649，对应的特征向量为[0.2483,0.9628,0.1067]，其归一化后的w＝[0.1884,0.7306,0.0810]；
[0035]iv.一致性检验：
[0036]计算一致性指数CI
[0037][0038]其中，n是判断矩阵的阶数；
[0039]计算一致性比率CR
[0040][0041]其中，RI是平均随机一致性指数,n＝3时，取值0.52，
[0042][0043]CR小于0.1，能够接受判断矩阵的一致性；
[0044]v.重新分配温度敏感点：
[0045]T1，T5和T6的重分配权重系数分别为0.1184、0.7306和0.0810，因此，根据AHP的分析结果，为进一步减少温度敏感点的数量，其中影响最小的T6被剔除。
[0046]进一步，所述步骤4)建立机床热误差MLR
‑
AHP模型的内容包括：
[0047]①
几何定位误差拟合：选取五阶多项式进行拟合
[0048]δ
yy
(Y)＝
‑
0.48119y
‑
0.01246y2+1.36575
×
10
‑4y3‑
4.99795
×
10
‑7y4+6.19125
×
10
‑
10
y5[0049]其中δ
yy
(Y)表示Y轴定位误差，y表示Y轴位置；
[0050]②
热定位误差建模：以热变斜率为输出，AHP选取两个温度敏感点为输入，建立了多元线性回归热误差模型：
[0051]K
i
＝0.00429T1+0.04071T5‑
1.19986
[0052]其中K
i
是热变斜率；
[0053]③
构建综合定位误差模型：将几何误差项和热误差项合并，公式如下：
[0054]δ
yy
(Y,T)＝δ
yy
(Yy)+(K
i
‑
K0)y
[0055]＝(0.00429T1+0.04071T5‑
1.28584)y
‑
0.012本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MLR
‑
AHP算法的数控机床热误差建模方法，其特征是，所述方法包括以下步骤：1)测量机床不同温度状态下的直线轴定位误差；2)利用K调和均值聚类(KHM)算法提取热误差建模所需要的温度敏感点；3)利用层次分析法进一步筛选温度敏感点，以简化模型；4)建立机床热误差MLR
‑
AHP模型；5)求取所述MLR
‑
AHP模型的热误差预测值，根据所述热误差预测值与热误差测量值的差异状态，获得MLR
‑
AHP模型的预测性能。2.根据权利要求1所述的基于MLR
‑
AHP算法的数控机床热误差建模方法，其特征是，所述步骤1)测量机床不同温度状态下的直线轴定位误差的内容包括：a.根据温度传感器布点策略在机床上初始安装11个PT100铂电阻温度传感器温度，利用XSR90记录仪实时采集机床的温度分布；b.对机床热源和所处环境的温度值进行连续间隔采样；c.利用Renishaw XL
‑
80激光干涉仪测量机床不同温度状态下直线轴Y的定位误差；d.利用误差分离方法分离定位误差，得到原始的几何定位误差和热定位误差。3.根据权利要求1所述的基于MLR
‑
AHP算法的数控机床热误差建模方法，其特征是，所述步骤2)利用K调和均值聚类算法提取热误差建模所需要的温度敏感点包括：i.选择初始聚类中心c
j
：随机选j个初始聚类中心c1,c2,
…
,c
j
，其中c
j
表示第j类的聚类中心，设置t为迭代次数；ii.计算适应度函数：式中：X＝{x1,x2,
…
,x
n
}，n为要聚类的对象的数量；p为一个输入参数，通常来说p≥2；iii.对于每个温度敏感点x
i
，计算其在每个聚类中心中的隶属关系；iv.对于每个聚类中心c
j
，根据其隶属关系、权重和所有的温度敏感点x
i
，重新计算聚类中心；v.重复步骤ii至iv，直至达到预定的迭代次数，筛选出温度敏感点T1，T5和T6。4.根据权利要求1所述的基于MLR
‑
AHP算法的数控机床热误差建模方法，其特征是，所述步骤3)利用层次分析法进一步筛选温度敏感点的内容包括：
i.建立层次结构模型：筛选温度敏感点T1，T5和T6，以热误差为目标、以T1，T5和T6为决策准则，根据相互关系构建层次关系；ii.构造判断矩阵:其中，a
ij
表示温度敏感点T
i
和T
j
间的相对重要程度；iii.层次单排序计算判断矩阵最大特征根λ
max
的特征向量并归一化，λ
max
＝3.0649，对应的特征向量为[0.2483,0.9628,0.1067]，其归一化后的w＝[0.1884,0.7306,0.0810]；iv.一致性检验：计算一致性指数CI其中，n是判断矩阵的...

【专利技术属性】
技术研发人员：李阳，杨悦，史和轩，王佳奇，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：