数控机床热误差补偿建模温度测点组合的选择优化方法

摘要

本发明涉及一种数控机床热误差补偿温度传感器测点位置的选择方法，基于主因素策略和权积法理论来辨识各个位置的温度测点对机床热误差影响大小。其具体步骤是：1.在机床特殊位置上安装k个温度传感器来测量机床在运行当中随时间变化的实时温度值，同时记录安装在刀架上的主轴热位移；2.根据主因素策略排除一部分的温度测点位置；3.建立能模拟热误差变化的BP神经网络模型；4.利用权积法来辨识剩余测点位置的影响大小。通过本发明可以解决数控机床热误差补偿建模过程中温度测点过多或补偿模型鲁棒性差的问题。该方法能够实现仅用最少的温度传感器的测量温度建模来预测数控机床动态热变形产生的误差，减少了机床温度测点的数量，节约成本。

主权项

数控机床热误差补偿建模温度测点组合的选择优化方法，其特征在于，具体步骤是：步骤1，采集数控机床运行过程中随时间变化的温度变量和热变形量：首先，在数控机床的重要位置安装k个测量精度为0.1℃的温度传感器进行温度测量，将位移传感器安装固定在机床刀架上，标准检测芯棒装夹在机床主轴上；然后，使机床以1000r/min到1500r/min之间的某一速度运行，让主轴转动、托板移动和冷却液流动，机床运行3.5小时，再停机1小时，之后再运行3.5小时，通过运行机床可以得到：①k个位置的温度传感器测得的温度随时间的变化量T{T1(t)，T2(t)，…，Tk(t)}，②位移传感器测得的机床热变形量Y(t)；步骤2，应用主因素策略筛选出m个测点位置温度传感器：利用主因素策略建立所有k个温度测点数据和热误差数据之间的相关系数ρ，相关系数ρ>0.8的则认为符合主因素策略；将不符合主因素策略的机床温度测点除去，剩下的m个温度测点T’{T’1(t)，T’2(t)，……T’m(t)}进入下一步骤；步骤3，根据人工神经网络的原理，建立能模拟热误差变化的BP神经网络模型：将剩下的m个温度测点的数据T’和热变形量Y(t)建立BP神经网络，BP神经网络包括输入层、中间隐含层和输出层，输入层由m个神经元组成，代表m个测点温度变量；输出层有1个神经元，代表热误差；隐含层的神经元个数S由经验公式S=(m+n)^1/2+a       （1）来确定取值范围，其中，m为输入节点数，n为输出节点数，a为1～10之间的调节常数，S一般为[3，15]；把S设为可变模式，根据训练结果选取使误差最小的神经元个数值作为隐含层神经元个数，同时得到神经网络最终的权值；步骤4，利用权积法来辨识机床关键温度测点：根据上一步得到的热误差的BP神经网络的权值，应用权积法从m个温度测点T’{T’1(t)，T’2(t)，…，T’m(t)}中辨识机床的关键温度测点，得到m个温度测点位置中每个位置对热误差的敏感度值，并将这些敏感度值从大到小依次排列，分别表示这些测点位置温度变化对机床产生热误差的影响大小；步骤5，设定一个阈值b’，敏感度值不小于b’的a个温度测点位置被保留下来，而其余位置的温度变化对热误差影响很微小，都被舍去，即将k个温度测点成功的缩减至a个最优的测点位置组合，完成选择优化方法。