【技术实现步骤摘要】
本专利技术涉及机床制造，具体涉及一种数据-模型混合驱动的滚珠丝杠热误差预测方法。
技术介绍
1、数控机床误差包括几何误差、切削力引起的误差、热变形误差、刀具磨损误差、数控监测系统误差等，其中热误差占比较大，约40％左右，在精密机床中热误差甚至达40％-70％。热误差具有高度非线性、影响因素多且耦合程度高。
2、在数控机床领域，滚珠丝杠进给系统是实现精确加工的核心组件之一。它负责将电机的旋转运动转化为刀具或工作台的精确直线运动，直接决定了数控机床的加工精度、表面质量和生产效率。然而，在数控机床长时间、高负荷的运行条件下，滚珠丝杠进给系统不可避免地会出现精度衰退。这主要归因于持续的摩擦生热，热量堆积形成热膨胀影响滚珠丝杠进给系统的精度。热误差会使丝杠的螺距误差增大、运动平稳性下降，进而导致加工零件的尺寸精度超差、表面粗糙度增加，严重影响产品质量。
3、在现有热误差预测技术中，大部分是由单一的数据驱动方法，可解释性差，并且缺乏对滚珠丝杠热特性的精确建模，忽略了一些可能内在影响的因素。
技术实现思路
1、针对现有技术中存在的不足之处，本专利技术的目的在于提供一种数据-模型混合驱动的滚珠丝杠热误差预测方法，通过建立滚珠丝杠热特性模型，采集数控机床滚珠丝杠的温度、电压、振动等信息，将热特性模型与状态信息耦合，构建数据模型混合驱动的滚珠丝杠进给系统热误差预测模型，最终实现对数控机床滚珠丝杠进给系统热误差预测。相比于单一的数据驱动方法，本专利技术能够利用模型的先验知识对数据
2、为了实现本专利技术的上述目的和优点，本专利技术通过以下技术方案来实现：
3、一种数据-模型混合驱动的滚珠丝杠热误差预测方法，包括以下步骤：
4、步骤1，建立数控机床滚珠丝杠热误差物理模型，获取理论数据；
5、步骤2，通过ansys workbench对滚珠丝杠进行稳态热特性分析，确定温度传感器的最佳布置位置；
6、步骤3，搭建数控机床滚珠丝杠进给系统测试平台，获取滚珠丝杠进给系统的温度、功率、转速、电流和热误差数据；
7、步骤4，对实验数据和理论数据进行预处理，包括灰色关联度分析、异常值处理和归一化，将处理过的数据作为数据-模型混合驱动模型训练的样本数据集；
8、步骤5，构建数据-模型混合驱动模型，即卷积长短期记忆网络(c-lstmn),将步骤4的数据-模型混合驱动模型的样本数据集进行训练；
9、步骤6，根据步骤5数据-模型混合驱动的预测模型，实时计算数控机床滚珠丝杠进给系统热误差。
10、进一步地，所述步骤1建立数控机床滚珠丝杠热误差物理模型，其过程如下：
11、根据传热学理论，直线进给轴热传递过程主要包括：热传导、热对流和辐射换热。根据傅里叶导热定律，热传导过程的数控机床滚珠丝杠零部件热流密度的表达式为：
12、
13、其中，qt是热传导的热流密度；λ是导热系数，tp是零部件的温度，是零部件的温度梯度，负号代表传热方向于温度梯度方向相反。
14、数控机床滚珠丝杠零部件对流换热的热流密度可以根据牛顿冷却公式计算，其表达式为：
15、qc＝hc·(tp-tf)
16、其中，qc是对流换热过程的热流密度，hc是对流换热系数，tf是与零部件表面接触的空气温度。
17、数控机床滚珠丝杠零部件向外辐射是的热流密度可以采用斯忒藩-玻尔兹曼定律的修正形式进行计算，其表达式为：
18、
19、其中，qro是辐射换热过程的热流密度，ε是零部件的放射率，其值再0～1之间，cr是黑体辐射系数；
20、然后，通过热传导、热对流和辐射换热公式，计算出丝杠因轴承和丝杠螺母作用下的温度场tst(x,t)。
21、最后，丝杠在任意时刻t的热误差：
22、
23、其中，c1是丝杠的热膨胀系数，c2是热漂移修正系数。
24、进一步地，所述步骤2通过ansys workbench对滚珠丝杠进行稳态热特性分析，其步骤如下：
25、首先，将滚珠丝杠进给系统模型进行简化，导出成.x_t格式文件，输入到workbench中；然后，对滚珠丝杠模型进行网格划分；接着，根据各零件材料属性进行设置参数；最后，求解滚珠丝杠的稳态热特性。通过有限元分析，确定滚珠丝杠中重要的测温点。
26、进一步地，所述步骤3搭建数控机床滚珠丝杠进给系统测试平台，其过程如下：
27、通过布置温度传感器于上述步骤3中的测温点，测量滚珠丝杠进给系统中关键温度点温度，以及室温；通过激光干涉仪测量滚珠丝杠轴向热误差；通过滚珠丝杠试验台控制系统自带的模块测量滚珠丝杠进给系统的功率和转速。滚珠丝杠的数据矩阵可表示为xt＝(tt1,tt2,tt3,tt4,tt5,et,pt,it,n)，其中，xt表示t时刻滚珠丝杠的状态数据矩阵，tti表示t时刻第i个测温点的温度，it表示t时刻电机的电流，et表示t时刻通过激光干涉仪测量得到的热误差，pt表示t时刻滚珠丝杠进给系统的功率，n表示滚珠丝杠的转速。
28、进一步地，所述步骤4对实验数据和理论数据进行预处理，包括灰色关联度分析、异常值处理和归一化，将处理过的数据作为数据-模型混合驱动模型训练的样本数据集，其过程如下：
29、首先，将收集到的实验数据和理论数据进行异常值处理，根据物理模型和先验数据，初步筛选出异常的数据；
30、然后，通过灰色关联度分析，确定不同因素影响滚珠丝杠热误差的关联程度，给出不同因素的影响因子αi；
31、最后，采用最大最小归一化对滚珠丝杠热误差理论数据进行数据归一化处理，处理方法如下：
32、
33、其中，e为滚珠丝杠热误差物理模型得到的理论值，emin为滚珠丝杠热误差物理模型得到的理论值最小值，emax为滚珠丝杠热误差物理模型得到的理论值最大值。
34、进一步地，所述步骤5构建数据-模型混合驱动模型，即卷积长短期记忆网络(c-lstmn)模型，包括卷积神经网络(cnn)模块和长短期记忆网络(lstmn)模块。
35、所述卷积神经网络(cnn)层通过两个卷积核大小k1＝1×1，k2＝3×3进行卷积，上述步骤4中经过灰色度关联分析、异常值处理和归一化后的数据经过输入层卷积后，提取了变量之间的特征，通过不同卷积核学习不同特征。特征向量包含温度、电流、功率的组合信息，保留了与热误差相关性最强的变量特征，用于后续的模型训练；
36、所述长短期记忆网络(lstmn)由输入层、隐藏层和输出层组成；
37、所述输入层由为上述卷积神经网络的输出；
38本文档来自技高网...
【技术保护点】
1.一种数据-模型混合驱动的滚珠丝杠热误差预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种数据-模型混合驱动的滚珠丝杠热误差预测方法，其特征在于，所述步骤1建立数控机床滚珠丝杠热误差物理模型的过程如下：
3.根据权利要求1所述的一种数据-模型混合驱动的滚珠丝杠热误差预测方法，其特征在于，所述步骤2通过ANSYS Workbench对滚珠丝杠进行稳态热特性分析的步骤如下：
4.根据权利要求1所述的一种数据-模型混合驱动的滚珠丝杠热误差预测方法，其特征在于，所述步骤3搭建数控机床滚珠丝杠进给系统测试平台的过程如下：
5.根据权利要求1所述的一种数据-模型混合驱动的滚珠丝杠热误差预测方法，其特征在于，所述步骤4的过程如下：
6.根据权利要求1所述的一种数据-模型混合驱动的滚珠丝杠热误差预测方法，其特征在于，所述步骤5中的卷积长短期记忆网络C-LSTMN模型，包括卷积神经网络CNN模块和长短期记忆网络LSTMN模块；
7.根据权利要求1所述的一种数据-模型混合驱动的滚珠丝杠热误差预测方法，其特征在于
...【技术特征摘要】
1.一种数据-模型混合驱动的滚珠丝杠热误差预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种数据-模型混合驱动的滚珠丝杠热误差预测方法，其特征在于，所述步骤1建立数控机床滚珠丝杠热误差物理模型的过程如下：
3.根据权利要求1所述的一种数据-模型混合驱动的滚珠丝杠热误差预测方法，其特征在于，所述步骤2通过ansys workbench对滚珠丝杠进行稳态热特性分析的步骤如下：
4.根据权利要求1所述的一种数据-模型混合驱动的滚珠丝杠热误差预测方法，其特征在于，所述步骤3搭建数控机床滚珠丝杠进给系统测试平台的过...
【专利技术属性】
技术研发人员：吴全会，施燚，潘柏松，顾大卫，吕佳伟，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。