基于时间特性的数控机床主轴系统热关键点选取建模方法技术方案

本发明专利技术公开了基于时间特性的数控机床主轴系统热关键点选取建模方法包括以下步骤：在标准转速图谱下所采集到的各温度测点的温度数据，按照其到达最高温度所需时间由少到多排序，通过模糊c均值聚类等聚类方法将温度测点分为几类后，对于每一类中的温度测点，按照上述的排序高低，选择排序高的点作为该类的热关键点，以选取的热关键点的温度数据和对应的热误差数据为训练集，利用支持向量机等回归方法，建立热误差模型。本发明专利技术提高了模型鲁棒性，使得选取的热误差关键点在对其它转速图谱下的热误差进行预测时能够具有较高精度。

Modeling method of selecting thermal key points for spindle system of CNC machine tools based on time characteristics

The invention discloses a modeling method for selecting the thermal key points of the spindle system of a numerical control machine tool based on the time characteristics, which comprises the following steps: the temperature data of each temperature measuring point collected under the standard speed map is sorted according to the time required to reach the maximum temperature from less to more, and the temperature measuring points are divided into several categories by clustering methods such as the fuzzy c-means clustering, and then the temperature measuring points in each category are measured Point, according to the above sorting level, select the point with high sorting level as the thermal key point of this kind, take the temperature data of the selected thermal key point and the corresponding thermal error data as the training set, and use the regression method such as support vector machine to establish the thermal error model. The invention improves the robustness of the model, so that the selected thermal error key point can have high accuracy when predicting the thermal error under other speed maps.

【技术实现步骤摘要】
基于时间特性的数控机床主轴系统热关键点选取建模方法
本专利技术属于数控机床
，具体涉及基于时间特性的数控机床主轴系统热关键点选取建模方法。
技术介绍
随着数控机床向高速、精密方向发展，热误差越来越成为机床误差最主要的组成部分。热误差可以占到机床总误差的40-70％，由温度影响导致的几何误差可以占到被加工件总几何误差的75％。而主轴旋转时与轴承之间的摩擦从源头上来讲是不可避免的。因此，基于热误差建模等方法，以补偿的方式对热误差进行主动控制，是减小热误差的主要途径。热误差建模是指利用回归方法建立某种转速图谱下热关键点温度数据与热误差数据之间的多元非线性关系模型。为保证模型鲁棒性，往往还需要将该模型应用到对其它转速图谱下的热误差预测之中。因此，温度和热误差数据的采集、热关键点的选取以及热误差模型的建立是热误差建模的主要内容。上海交通大学窦小龙等通过加热实验认为最佳测点的温度变化与主轴热变形之间的相关系数最大；上海工程技术大学曹永杰等通过分析温度测点之间的相关系数选择了热关键点；兰州理工大学雷春丽等通过模糊聚类和灰色关联度分析确定了热关键点；郑州大学苏宇峰等通过BP神经网络建立了热误差补偿模型；合肥工业大学苗恩铭等通过支持向量机建立了热误差模型；西安交通大学杨军等通过模糊聚类和相关系数确定了热关键点；四川大学谭峰等通过将BP神经网络进行集成，建立了卧式加工中心热误差模型；华中科技大学张捷等基于遗传RBF神经网络建立了热误差模型。上述温度测点选取和热误差建模方法多是先利用模糊聚类方法对温度测点进行分类，然后再采用按温度数据与热误差数据之间的相关系数或灰色关联度排序的方法在每一类中选取一个点作为热关键点。这些方法在自预测(即训练数据和预测数据来自同一转速图谱下的数据)时，能够保证一定的精度。但在交叉预测(即训练数据和预测数据来自不同转速图谱下的数据)时，由于在前一转速图谱下选取的热关键点，其温度数据只与前一转速图谱下的热误差数据相关性很强，却并不能保证后一转速图谱下热关键点的温度数据与热误差数据相关性很强，因此在热误差建模时不能保证其精度和鲁棒性。因此，需要提供基于时间特性的数控机床主轴系统热关键点选取建模方法。
技术实现思路
本专利技术目的在于提高模型鲁棒性，使得选取的热误差关键点在对其它转速图谱下的热误差进行预测时能够具有较高精度，本专利技术提出一种基于时间特性的数控机床主轴系统热关键点选取建模方法。该方法在选取热关键点时并不代入热误差数据，因此能够保证自预测和交叉预测都具有较高的精度。特别是对于周边磨床等专用数控机床，由于其主轴系统前端法兰盘在高速旋转时会对主轴系统起到明显的降温效果，将极大地影响按相关系数或灰色关联度排序的结果。而基于时间特性的热关键点选取方法，无论主轴系统热边界条件是否改变都不会影响选点结果，避免了上述缺陷的产生。为实现上述目的，本专利技术所采用的技术方案是：基于时间特性的数控机床主轴系统热关键点选取建模方法，包括以下步骤：S1、在标准转速图谱下采集各温度测点的温度数据，将该温度数据按照其到达最高温度所需时间由少到多排序，其表达式如下：(1)式中：xij是第i个测量点在第j分钟时的温度，Int()为取整函数，ri为第i个测量点的排序值，ri越大，表明第i个测量点达到最高温度所需的时间越少，则其排序越靠前；对于同时到达最高温度的测点，即ri相同的测量点，按其在整个测量时间内的温度变化量从大到小排序；S2、通过聚类方法将温度测点分类后，对于每一类中的温度测点，按照步骤S1中排序的高低，选择排序高的点作为该类的热关键点，按此方法选择出每一类的热关键点，最终组成全部温度测点的热关键点；S3、以步骤S2中方法选取的热关键点的温度数据和对应的热误差数据作为训练集，利用回归方法建立热误差模型，并将非标准转速图谱下相同热关键点的温度数据带入训练好的热误差模型，对热误差进行预测。优选的，步骤S1包括以下子步骤，S11、设置不同运行状态的转速图谱，保证其中有一转速图谱为GB/T17421.3-2009《机床检验通则第3部分：热效应的确定》所规定的标准转速图谱；S12、数控机床分别按照步骤S11中的转速图谱运行，运行时，温度传感器和位移传感器同时采集相应的数据；S13、利用位移传感器采集主轴系统主轴伸出端热误差，取一段时间的平均值作为该时刻的热误差值，位移传感器在数控机床运转前处于置零状态；S14、利用温度传感器采集主轴系统表面各点温度和距主轴系统一定距离处的环境温度，其中，温度数据采样频率要与位移数据取平均值后的频率相同，温度测点包括并不限于靠近前后轴承位置的测点、环境温度测点、有其它热源存在的测点。优选的，所述位移传感器采用非接触式位移传感器，所述温度传感器采用接触式位移传感器。优选的，在步骤S12中，数控机床分别按照步骤S11中的转速图谱运行之前，使数控机床静止一段时间进行冷却。优选的，步骤S14中获得的温度数据为温度传感器采集过程中的温度数据变化量。优选的，步骤S2的聚类方法采用模糊c均值聚类方法。优选的，步骤S2中模糊c均值聚类方法将温度测点分类的实施过程为：模糊聚类的目标函数表示为：(2)式中，c是聚类数，k是温度测点数目，m是模糊权重指数，uik是由第k个温度测点的温度所构成的温度向量xk属于第i个模糊类的隶属度，dik是温度向量xk与第i个模糊类的距离。dik＝||xk-vi||(3)(3)式中，vi是第i个模糊类的聚类中心，其分类过程如下：(4)和(5)式中，a.给定聚类数c和模糊权重指数m；b.随机给定隶属度矩阵U；c.计算聚类中心矩阵V；d.计算隶属度矩阵U；e.重复步骤c和d，直到前后两次隶属度矩阵之差是否小于给定的最小变化量，即||Ul+1-Ul||≤ε，或者迭代次数已达到最大迭代次数；将温度测点分类后，温度测点分类的类别数即是热关键点的数目。优选的，步骤S3中采用的回归方法为支持向量机回归方法。优选的，建立热误差回归模型的具体方法为：构建如下回归函数：y＝f(X)(6)(6)式中，X为任一时刻由热关键点温度构成的n维向量，n为热关键点个数，y为同一时刻的热误差值。非线性支持向量机回归模型可以表示为：(7)式中，为系数，xi为支持向量，K(X,Xi)为核函数。选择高斯径向基核函数作为支持向量机回归模型核函数，其表达式如下：K(X,Xi)＝exp(-||Xi-X||2/σ2)(8)(8)式中，σ为宽度参数，记1/σ2为核参数g；将标准转速图谱下获取的数据集作为训练集带入支持向量机，采用K分类交叉验证方法在2-4～24范围内选取惩罚系数C和核函数参数g。本专利技术的有益技术效果是：本专利技术提高了支持向量机回归模型鲁棒性，使得选取的热误差关键点在对本文档来自技高网...

【技术保护点】
1.基于时间特性的数控机床主轴系统热关键点选取建模方法，其特征在于，包括以下步骤：/nS1、在标准转速图谱下采集各温度测点的温度数据，将该温度数据按照其到达最高温度所需时间由少到多排序，其表达式如下：/n

【技术特征摘要】
20190726 CN 20191068492361.基于时间特性的数控机床主轴系统热关键点选取建模方法，其特征在于，包括以下步骤：
S1、在标准转速图谱下采集各温度测点的温度数据，将该温度数据按照其到达最高温度所需时间由少到多排序，其表达式如下：



(1)式中：xij是第i个测量点在第j分钟时的温度，Int()为取整函数，ri为第i个测量点的排序值，ri越大，表明第i个测量点达到最高温度所需的时间越少，则其排序越靠前；对于同时到达最高温度的测点，即ri相同的测量点，按其在整个测量时间内的温度变化量从大到小排序；
S2、通过聚类方法将温度测点分类后，对于每一类中的温度测点，按照步骤S1中排序的高低，选择排序高的点作为该类的热关键点，按此方法选择出每一类的热关键点，最终组成全部温度测点的热关键点；
S3、以步骤S2中方法选取的热关键点的温度数据和对应的热误差数据作为训练集，利用回归方法建立热误差模型，并将非标准转速图谱下相同热关键点的温度数据带入训练好的热误差模型，对热误差进行预测。


2.根据权利要求1所述的基于时间特性的数控机床主轴系统热关键点选取建模方法，其特征在于，步骤S1包括以下子步骤，
S11、设置不同运行状态的转速图谱，保证其中有一转速图谱为GB/T17421.3-2009《机床检验通则第3部分：热效应的确定》所规定的标准转速图谱；
S12、数控机床分别按照步骤S11中的转速图谱运行，运行时，温度传感器和位移传感器同时采集相应的数据；
S13、利用位移传感器采集主轴系统主轴伸出端热误差，取一段时间的平均值作为该时刻的热误差值，位移传感器在数控机床运转前处于置零状态；
S14、利用温度传感器采集主轴系统表面各点温度和距主轴系统一定距离处的环境温度，其中，温度数据采样频率要与位移数据取平均值后的频率相同，温度测点包括并不限于靠近前后轴承位置的测点、环境温度测点、有其它热源存在的测点。


3.根据权利要求2所述的基于时间特性的数控机床主轴系统热关键点选取建模方法，其特征在于，所述位移传感器采用非接触式位移传感器，所述温度传感器采用接触式位移传感器。


4.根据权利要求2所述的基于时间特性的数控机床主轴系统热关键点选取建模方法，其特征在于，在步骤S12中，数控机床分别按照步骤S11中的转速图谱运行之前，使数控机床静止一段时间进行冷却。

【专利技术属性】
技术研发人员：殷国富，廖启豪，王玲，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51