數控工具機熱誤差補償建模溫度測點組合的選擇優化方法

2023-10-07 17:30:34

數控工具機熱誤差補償建模溫度測點組合的選擇優化方法
【專利摘要】本發明涉及一種數控工具機熱誤差補償溫度傳感器測點位置的選擇方法，基於主因素策略和權積法理論來辨識各個位置的溫度測點對工具機熱誤差影響大小。其具體步驟是：1.在工具機特殊位置上安裝k個溫度傳感器來測量工具機在運行當中隨時間變化的實時溫度值，同時記錄安裝在刀架上的主軸熱位移；2.根據主因素策略排除一部分的溫度測點位置；3.建立能模擬熱誤差變化的BP神經網絡模型；4.利用權積法來辨識剩餘測點位置的影響大小。通過本發明可以解決數控工具機熱誤差補償建模過程中溫度測點過多或補償模型魯棒性差的問題。該方法能夠實現僅用最少的溫度傳感器的測量溫度建模來預測數控工具機動態熱變形產生的誤差，減少了工具機溫度測點的數量，節約成本。
【專利說明】數控工具機熱誤差補償建模溫度測點組合的選擇優化方法
【技術領域】
[0001]本發明涉及一種精密工具機切削加工過程中工具機熱變形的測量和誤差補償建模所用的溫度變量組合的優化方法。
【背景技術】
[0002]工具機熱誤差是影響工具機加工精度穩定性的最大誤差源，可導致工件和刀具之間產生相對位移，它對精密加工的影響很大，因此減小熱誤差對提高工具機的加工精度至關重要。建立熱誤差預測模型對工具機進行有效的熱誤差補償是現在發展起來的一種經濟、方便和高效的提高工具機加工精度的方法。要建立熱誤差預測模型必須獲得與熱誤差相關的工具機溫度場分布，因為工具機溫度場分布是影響熱誤差的主要因素，並且極其複雜。這就需要在工具機上布置大量的溫度傳感器，用來測量工具機運行過程中的實時溫度場分布。
[0003]然而，大量的溫度傳感器又加重了誤差測量和計算的工作量，且實際中布線過多會影響工具機正常工作，還會使相鄰測點的輸出信號有較大的相關性。所以，選擇幾個關鍵溫度測點實現精確熱誤差建模就顯得特別重要，但是如何選擇溫度測點是工具機熱變形建模及補償技術中的關鍵問題之一。
[0004]針對這個關鍵問題，本發明基於權積法，在主因素策略和BP神經網絡算法的基礎上，分析工具機溫度場分布中的 各影響因素對機械加工熱誤差的重要程度，提出了根據對工具機產生熱誤差影響特別敏感的幾個測量點的傳感器組合作為熱誤差補償精確建模使用的變量的方法。

【發明內容】

[0005]本發明提供一種精密數控工具機熱誤差補償溫度測點組合的優化方法，用於解決數控工具機熱誤差補償中如何優化溫度測點組合的技術問題。
[0006]為解決上述技術問題，本發明採用的技術方案是:
[0007]數控工具機熱誤差補償建模溫度測點組合的選擇優化方法，具體步驟是:
[0008]步驟1，採集數控工具機運行過程中隨時間變化的溫度變量和熱變形量:
[0009]首先，在數控工具機的重要位置安裝k個測量精度為0.1 °C的溫度傳感器進行溫度測量，將位移傳感器安裝固定在工具機刀架上，標準檢測芯棒裝夾在工具機主軸上；
[0010]然後，使工具機以1000r/min到1500r/min之間的某一速度運行,讓主軸轉動、託板移動和冷卻液流動，工具機運行3.5小時，再停機I小時，之後再運行3.5小時，通過運行工具機可以得到:①k個位置的溫度傳感器測得的溫度隨時間的變化量T{T1 (t)，T2(t),…，Tk (t)}，②位移傳感器測得的工具機熱變形量Y (t)；
[0011]步驟2，應用主因素策略篩選出m個測點位置溫度傳感器:
[0012]利用主因素策略建立所有k個溫度測點數據和熱誤差數據之間的相關係數P，相關係數P >0.8的則認為符合主因素策略；將不符合主因素策略的工具機溫度測點除去，剩下的m個溫度測點T』 {T』 l(t)，T』 2(t)，……T’m(t)}進入下一步驟；[0013]步驟3，根據人工神經網絡的原理，建立能模擬熱誤差變化的BP神經網絡模型:
[0014]將剩下的m個溫度測點的數據T』和熱變形量Y(t)建立BP神經網絡，BP神經網絡包括輸入層、中間隱含層和輸出層，輸入層由m個神經元組成，代表m個測點溫度變量；輸出層有I個神經元，代表熱誤差；隱含層的神經元個數S由經驗公式
[0015]S= (m+n) 1/2+a
[0016]來確定取值範圍，其中，m為輸入節點數，η為輸出節點數，a為I?10之間的調節常數，S—般為[3，15];把S設為可變模式，在MATLAB中建立的3層BP神經網絡，輸入層、隱含層採用tansig傳遞函數,輸出層採用tansig傳遞函數,利用trainlm函數對網絡進行訓練，把T』和Y(t)的訓練數據分別代入輸入層和輸出層，根據訓練結果選取使誤差最小的神經元個數值作為隱含層神經元個數；同時變量存儲框裡保存了神經網絡最終的權值數列[W]和[V]；
[0017]步驟4，利用權積法來辨識工具機關鍵溫度測點:
[0018]根據上一步得到的熱誤差的BP神經網絡的權值[W]和[V]，應用權積法從m個溫度測點τ』 {T』 I (t)，T』 2 (t)，-,Tj m(t)}中辨識工具機的關鍵溫度測點，得到m個溫度測點位置中每個位置對熱誤差的敏感度值，並將這些敏感度值從大到小依次排列，分別表示這些測點位置溫度變化對工具機產生熱誤差的影響大小；
[0019]步驟5，設定一個閾值b』，敏感度值不小於b』的a個溫度測點位置被保留下來，而其餘位置的溫度變化對熱誤差影響很微小，都被捨去，即將k個溫度測點成功的縮減至a個最優的測點位置組合，完成選擇優化方法。
[0020]所述步驟I中溫度測量分為7組:測量工具機主軸前後軸承端蓋和主軸外殼法蘭的溫度、測量工具機主軸箱的溫度、測量工具機室內環境的溫度、測量工具機導軌的溫度、測量冷卻液的溫度、測量滾珠絲槓螺母的溫度、測量電動機的溫度。
[0021]所述步驟I中採用兩個測量精度為Ium的位移傳感器，並分別安裝固定在工具機刀架的X軸向和Z軸向上，用來測量工具機X向的熱漂誤差和Z向的熱變形誤差。
[0022]所述步驟3中分開單獨建立X向和Z向BP神經網絡的模型，分別命名為X向BP神經網絡和Z向BP神經網絡，輸出層的I個神經元代表X向或Z向的熱誤差。
[0023]本發明的有益效果是:本發明在測量數控工具機溫度場和熱變形誤差的基礎上，利用主因素策略篩選出m個和工具機熱變形相關性高的傳感器布置點，再計算BP神經網絡每個傳感器布置點的權值積，根據權值積的大小分辨各個測點位置溫度變化對工具機熱變形的影響能力，從而確定出幾個特別敏感的傳感器布置點作為工具機熱誤差補償建模的安裝位置。BP神經網絡具有的能建立精確的描述複雜非線性系統的關係的能力，該方法利用它的這個性能模擬複雜、非線性變化的工具機溫度場，通過權積法實現關鍵溫度測點的組合優化。相比傳統的通過大量實驗次數尋找工具機關鍵溫度位置點的方法，本發明具有省時高效、節省溫度傳感器、選擇測點建模精度高等優點。
【專利附圖】

【附圖說明】
[0024]圖1是本發明工作流程圖；
[0025]圖2、圖3、圖4是數控車床示意圖及溫度傳感器測溫布置示意圖；
[0026]圖5是數控車床熱誤差測量布置示意圖；[0027]圖6是X向誤差預測BP神經網絡結構圖；
[0028]圖7是Z向誤差預測BP神經網絡結構圖。
【具體實施方式】
[0029]下面結合附圖和實施過程對本發明做進一步的說明:
[0030]本發明所述工具機熱誤差補償建模溫度測點的選擇優化方法，它是一種基於主因素策略和BP神經網絡的權積值選擇方法，依以下步驟實現:
[0031]首先考慮產生熱誤差的相關因素，包括工具機運動件往復運動產生熱量、電動機運行發熱、冷卻液和液壓油傳熱以及環境溫度的影響等等，依此分析確定採集工具機溫度數據實驗中傳感器的布置位置，如圖2、3、4所示，16個傳感器布置位置:編號為I和4的傳感器安裝在主軸後軸承座上，2和3號安裝在主軸前軸承座上，5安裝在滾珠絲槓左端軸承座上，6安裝在滾珠絲槓螺母外側，7安裝在滾珠絲槓右端軸承座上，8和9分別安裝在X軸滾針絲槓前、後端軸承座上，10和11安裝在床身導軌上，12號用來測量潤滑油溫度，13號測量室內環境溫度，14和15分別安裝在主軸箱前端面和左端面的內側，16安裝在工具機主電動機上。並且在工具機刀架上X向和Z向各安裝一個位移傳感器測量主軸熱變形，如圖5所示。然後運行工具機進行數據採集。再利用主因素策略分析採集到的數據，篩選出m個相關係數大的傳感器布置點。接著用篩選出來的m個溫度變化量作為BP神經網絡的輸入矩陣，X軸熱變形數據和Z軸熱變形數據分別作為BP神經網絡的輸出矩陣，對工具機的溫度和熱誤差進行建模，3層BP神經網絡結構如圖6所示。BP神經網絡建好以後，應用權積法分別計算各個傳感器布置點的權積。權積代表了各傳感器布置點溫度變化對X軸熱變形或Z軸熱變形產生的影響能力。設定一個閾值，根據權積值的大小選出a個權積值不小於閾值的傳感器布置點的優化組合。
[0032]本實施例的具體實現步驟是: [0033]1.採集數控工具機運行過程中隨時間變化的溫度變量和熱變形量
[0034]使工具機以1000r/min到1500r/min之間的某一速度運行,讓主軸轉動、託板移動和冷卻液流動，工具機運行3.5小時，再停機I小時，之後再運行3.5小時，通過運行工具機可以得到:①k個位置的溫度傳感器測得的溫度隨時間的變化量Τ--^ω,?^α)，…，Tk(t)}，②位移傳感器測得的工具機熱變形量Y {Yx (t)，Yz (t)}。
[0035]2.應用主因素策略篩選出m個測點位置溫度傳感器
[0036]利用主因素策略建立所有k個溫度測點數據和熱誤差數據之間的相關係數，相關係數P >0.8的則認為符合主因素策略。將不符合主因素策略的工具機溫度測點除去，剩下的m個溫度Τ』 {Τνυ』Τ'α)，……T’m(t)}測點進入下一步。
[0037]首先把所有溫度數據TIT1U), T2 (t)，…，Tk (t)}輸入到Matlab裡面，再用函數prestd對數據進行歸一化，得到一個新矩陣T』 {T'ahT』Jt)，…，T』k(t)}。然後用函數Pr印ca對T』 {T'ahT』Jt)，…T』k (t)}數據矩陣進行主因素策略分析，完整的格式如下:
[0038]P= [T1 (t), T2 (t),…，T k(t)];
[0039][Pn, meanP, stdP] =prestd (P);
[0040][Ptrans, transMat]=prepca(Pn, min_frac);[0041]經過主因素策略分析後得到矩陣Ptrans。接下來通過poststd函數將Ptrans的元素恢復到被歸一化前的數據，即得矩陣Po。該步運算的輸入程序是:
[0042][P0] =poststd [Ptrans, meanP, stdP];
[0043]即可獲得由m個測點溫度矢量組成的矩陣[PJ=T』 {!''(thT』Jt)，…，T’m(t)}。
[0044]3.根據人工神經網絡的原理，建立能模擬熱誤差變化的BP神經網絡模型
[0045]將剩下的m個溫度測點的數據T和熱變形量Y(t)建立BP神經網絡。BP神經網絡包括輸入層、中間隱含層和輸出層，具體結構如圖6所示。為了提高神經網絡的預測精度，分開單獨建立X向和Z向神經網絡的模型，分別命名為X向BP神經網絡和Z向BP神經網絡。根據本系統的特點，這兩個神經網絡的輸入和輸出層神經元個數相同，隱含層神經元數Sx和Sz可能不同，以及網絡參數不同。輸入層由m個神經元組成，代表m個測點溫度變量；輸出層有I個神經元，代表X向或Z向的熱誤差；隱含層的個數S由經驗公式[0046]S= (m+n) 1/2+a(I)
[0047]來確定取值範圍，其中，m為輸入節點數，η為輸出節點數，a為I~10之間的調節常數，S—般為[3，15]。把S設為可變模式，根據訓練結果選取誤差最小的神經元個數值。圖6是X向預測網絡的結構，各層神經元數為m-Sx-Ι ;圖7是Z向預測網絡的結構，各層神經元數為m-Sz-1。
[0048]運用Matlab軟體設定網絡最大訓練次數TrMax，最大允許誤差e，每迭代f次就顯示訓練誤差。神經網絡的其它參數比如權值[W]、閾值[B]、學習率a和動量項η由Matlab軟體裡的神經網絡工具箱確定。以下是在Matlab軟體中應用神經網絡工具箱創建X方向熱誤差補償BP網絡的程序:
[0049]
【權利要求】
1.數控工具機熱誤差補償建模溫度測點組合的選擇優化方法，其特徵在於，具體步驟是: 步驟1，採集數控工具機運行過程中隨時間變化的溫度變量和熱變形量: 首先，在數控工具機的重要位置安裝k個測量精度為0.1 °c的溫度傳感器進行溫度測量，將位移傳感器安裝固定在工具機刀架上，標準檢測芯棒裝夾在工具機主軸上； 然後，使工具機以1000r/min到1500r/min之間的某一速度運行，讓主軸轉動、託板移動和冷卻液流動，工具機運行3.5小時，再停機I小時，之後再運行3.5小時，通過運行工具機可以得到:①k個位置的溫度傳感器測得的溫度隨時間的變化量T{T1 (t)，T2(t)，…，Tk(t)}，②位移傳感器測得的工具機熱變形量Y (t)； 步驟2，應用主因素策略篩選出m個測點位置溫度傳感器: 利用主因素策略建立所有k個溫度測點數據和熱誤差數據之間的相關係數P，相關係數P >0.8的則認為符合主因素策略；將不符合主因素策略的工具機溫度測點除去，剩下的m個溫度測點T』 {T』 l(t)，T』 2(t)，……T’m(t)}進入下一步驟； 步驟3，根據人工神經網絡的原理，建立能模擬熱誤差變化的BP神經網絡模型: 將剩下的m個溫度測點的數據T』和熱變形量Y(t)建立BP神經網絡，BP神經網絡包括輸入層、中間隱含層和輸出層，輸入層由m個神經兀組成,代表m個測點溫度變量；輸出層有I個神經元，代表熱誤差；隱含層的神經元個數S由經驗公式S= (m+n)1/2+a(I) 來確定取值範圍，其中，m為輸入節點數，η為輸出節點數，a為I~10之間的調節常數，S—般為[3，15] JES設為可變模式，根據訓練結果選取使誤差最小的神經元個數值作為隱含層神經元個數，同時得到神經網絡最終的權值； 步驟4，利用權積法來辨識工具機關鍵溫度測點: 根據上一步得到的熱誤差的BP神經網絡的權值，應用權積法從m個溫度測點T』 {T』 l(t)，T』2(t)，…，T’m(t)}中辨識工具機的關鍵溫度測點，得到m個溫度測點位置中每個位置對熱誤差的敏感度值，並將這些敏感度值從大到小依次排列，分別表示這些測點位置溫度變化對工具機產生熱誤差的影響大小； 步驟5，設定一個閾值b』，敏感度值不小於b』的a個溫度測點位置被保留下來，而其餘位置的溫度變化對熱誤差影響很微小，都被捨去，即將k個溫度測點成功的縮減至a個最優的測點位置組合，完成選擇優化方法。
2.根據權利要求1所述的數控工具機熱誤差補償建模溫度測點組合的選擇優化方法，其特徵在於，所述步驟I中溫度測量分為7組:測量工具機主軸前後軸承端蓋和主軸外殼法蘭的溫度、測量工具機主軸箱的溫度、測量工具機室內環境的溫度、測量工具機導軌的溫度、測量冷卻液的溫度、測量滾珠絲槓螺母的溫度、測量電動機的溫度。
3.根據權利要求1或2所述的數控工具機熱誤差補償建模溫度測點組合的選擇優化方法，其特徵在於，所述步驟I中採用兩個測量精度為Ium的位移傳感器，並分別安裝固定在工具機刀架的X軸向和Z軸向上，用來測量工具機X向的熱漂誤差和Z向的熱變形誤差。
4.根據權利要求3所述的數控工具機熱誤差補償建模溫度測點組合的選擇優化方法，其特徵在於，所述步驟3中分開單獨建立 X向和Z向BP神經網絡的模型，分別命名為X向BP神經網絡和Z向BP神經網絡，輸出層的I個神經元代表X向或Z向的熱誤差。
5.根據權利要求4所述的數控工具機熱誤差補償建模溫度測點組合的選擇優化方法，其特徵在於，所述步驟3中得到的X向BP神經網絡的權值為 [W]x=[ w ij] [V]x=[vjj (2) 其中i=l，2，…，m ；j=l, 2，…，Sx, Sx為X向BP神經網絡的隱含層神經元數， 得到的Z向BP神經網絡的權值為 [W]z=[ w ij][V]z=[VjJ(3) 其中i=l，2，…，m ；j=l, 2，…，Sz, Sz為Z向BP神經網絡的隱含層神經元數， 步驟4中敏感度的權積法表達式: Sens(i)= Σ SJ=1 w Vjl(4) 其中i=l，2，…，m ;求X向權積時S=Sx,求Z向權積時S=SZ。
6.根據權利要求5所述的數控工具機熱誤差補償建模溫度測點組合的選擇優化方法，其特徵在於，所述步驟4應用權積法先得到從大到小依次排列的m個溫度測點位置中每個位置對X向熱誤差的敏感度值Sens (i) |x，然後得到從大到小依次排列的m個溫度測點位置中每個位置對X向熱誤差的敏感度值Sens (i) |z，再將每個測點溫度變量對X軸和Z軸熱誤差的敏感度值相加，即
Sens (i) =Sens (i) I X+Sens (i) I z(5) 並按大小順序依次排列m個Sens (i)值。
【文檔編號】G05B19/404GK103926874SQ201410097157
【公開日】2014年7月16日 申請日期:2014年3月17日 優先權日:2013年12月3日
【發明者】顧寄南, 汪樣興, 王樹林, 張雲峰, 凌玉箭, 尹青, 周培壟, 劉元琦 申請人:江蘇齊航數控工具機有限責任公司, 江蘇大學