机床主轴热误差建模的加权集成温度敏感点组合选取方法技术

本发明专利技术公开了一种机床主轴热误差建模的加权集成温度敏感点组合选取方法，其包括在数控机床运行过程中同步采集随时间发生变化的温度变量和机床主轴的热变形量；结合聚类算法的优缺点，设置类簇数的取值范围，对温度变量进行聚类分析，获得对应于不同V值的聚类结果；应用相关性分析，对获得的聚类结果进行筛选以获得对应于不同V值的温度敏感点组合；结合温度变量和热变形量之间的非线性以及人工神经网络的原理，建立用于热误差预测的神经网络模型，并进行热误差模型性能的评估；为对应不同温度敏感点组合的热误差模型的测试结果赋权值，设置适应度函数，并使用CSO进行优化以获得最优权值组合即其对应的加权集成温度敏感点组合。

【技术实现步骤摘要】
机床主轴热误差建模的加权集成温度敏感点组合选取方法
本专利技术涉及数控机床精度控制
，具体涉及一种机床主轴热误差建模的加权集成温度敏感点组合选取方法。
技术介绍
随着机械制造行业对“高效，高精度和智能”的需求不断增长，加工制造设备的可靠性和稳定性越来越受到人们的关注，尤其是数控机床的加工精度。据统计，数控机床主轴系统的热误差是影响加工精度的主要误差源，约占总误差的40％-70％，因此热误差的较小对提高机床加工精度起着重要的作用。误差预防和误差补偿经常被用来减小热误差以提高机床的加工精度。热误差模型的建立是进行热误差补偿的先决条件，机床加工过程中不均匀分布温度场的测量则是热误差建模的重要一环。这就需要将大量的温度传感器安装在机床的不同区域，用来实时测量机床的温度场分布。但是工程经验告诉我们，过多的温度传感器不仅会增加现场布线的复杂，温度变量之间的共线性更是会严重影响热误差模型的预测性能。因此关键温度测点的选择是机床主轴热误差建模及补偿技术的主要问题。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的机床主轴热误差建模的加权集成温度敏感点组合选取方法解决了现有技术难以准确选取热误差建模的关键温度点的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：提供一种机床主轴热误差建模的加权集成温度敏感点组合选取方法，其包括：S1、在数控机床运行过程中同步采集随时间变化的温度变量和机床主轴的热变形量，并计算每个温度变量与所有热变形量之间的绝对均相关系数R′；S2、设置类簇数V的取值范围，并采用聚类算法对温度变量进行聚类获得每个V值的聚类结果；筛选每个V值的聚类结果中每簇具有最大绝对均相关系数R′的温度变量，构成每个V值对应的温度敏感点组合；S3、将每个温度敏感点组合单独输入一个神经网络，得到网络输出值；并随机生成每个网络输出值的权值，将所有的权值转换为二维向量赋值给CSO算法中的每个个体；S4、采用CSO算法对其每个个体进行更新，并在每次迭代过程中采用适应度值函数计算适应度值，之后将迭代次数累加一次；S5、当迭代次数小于设定迭代次数时，若当前适应度值小于最优适应度值，则采用当前适应度值更新最优适应度值，并返回步骤S4，否则，不更新直接返回步骤S4；S6、当迭代次数大于等于设定迭代次数时，删除最优适应度值函数值中小于预设阈值的权值；之后合并保留的权值对应的温度敏感点组合，作为最终的加权集成温度敏感点组合。本专利技术的有益效果为：本方案采用CSO算法能够获取神经网络的网络输出值的最佳权值，通过该种方式不仅能够避免类簇数确定的随机性，也能够通过最后的加权集成排除局部最优结果带来的不利影响。预设阈值的设置，其能够剔除掉对温度敏感点组合影响可忽略不计的温度采集点，以准确地得出影响热误差模型的预测性能最关键的温度敏感点组合，而最终达到有效提高热误差模型的预测性能，通用性高。附图说明图1为机床主轴热误差建模的加权集成温度敏感点组合选取方法的流程图。图2为某加工中心的结构示意图及五点法典型安装示意图。图3为2500r/min转速下测量的温度数据。图4为2500r/min转速下测量的热变形量数据。图5为用于Z向热伸长误差预测的神经网络结构图。图6为部分对应于不同V值的温度敏感点组合所对应的热误差模型测试输出与残差图。图7为选取出的集成温度敏感点组合对应的加权集成测试输出图。图8为选取的集成温度敏感点组合所对应的热误差模型的验证输出图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。参考图1，图1示出了机床主轴热误差建模的加权集成温度敏感点组合选取方法的流程图，如图1所示，该方法S包括步骤S1至步骤S5。附图2为某加工中心的结构示意图及五点法典型安装示意图，参考附图2中所示的机床对本方案的选取方法进行阐述。在步骤S1中，在数控机床运行过程中同步采集随时间变化的温度变量和机床主轴的热变形量，并计算每个温度变量与所有热变形量之间的绝对均相关系数R′；用于温度测量的传感器为19副PT100磁性热电阻温度传感器，分别用于主轴区域、主轴箱区域、工作台区域、箱体区域及环境温度的测量。其中温度传感器的具体分布如表1所示。表1温度传感器的具体分布用于机床主轴热变形量测量的传感器为Lion电容式位移传感器，测量精度为0.5μm，基于“GB/T17421.3-2009机床检验通则第3部分：热效应的确定”中的五点法进行Lion电容式位移传感器布置及热变形量的测量；温度变量和主轴热变形量的测量状态可简述如下：测量环境为实验室正常状态下的环境，测量过程从冷态开始到主轴变形达到热平衡为止，采集间隔为每5s记录一次数据，在主轴空运行且定转速情况下进行测量；附图3示出了2500r/min转速下29个传感器测量的温度数据。实施时，本方案优选每个温度变量与所有热变形量之间的绝对均相关系数R′的计算公式为：其中，N为温度变量和热变形量的样本数量(N＝2500)；M为热变形量的数量(M＝5)；ai和分别为温度变量的第i个样本值和相应温度变量样本的均值；bij和分别为第j个热变形量的第i个样本值和相应热变形量的均值；Rj为温度变量和第j个热变形量的相关系数(本方案中温度变量依次与热变形量X1，X2，Y1，Y2，Z进行计算以获得对应的相关系数，如R1表示温度变量与热变形量X1的相关系数)。其中热变形量可以参考图4，其为在为2500r/min转速下测量的热变形量X1，X2，Y1，Y2，Z。在步骤S2中，设置类簇数V的取值范围，并采用聚类算法对温度变量进行聚类获得每个V值的聚类结果；筛选每个V值的聚类结果中每簇具有最大绝对均相关系数R′的温度变量，构成每个V值对应的温度敏感点组合。步骤S2中设置类簇数V的取值范围为[V1，Vm]，对温度变量进行聚类分析，获得对应于不同V值的聚类结果，分别记为：C1，C2,…,Cm。聚类算法主要包括模糊均值聚类算法和K均值聚类算法，其主要优点是原理简单，实现容易，具有较强的可解释性；存在的主要缺点就是V值难以确定且易陷入局部最优等问题。针对聚类算法存在的缺点，本方案中V值会给定一个取值范围且取值范围为[3，12]，之后对神经网络的输出，采用CSO算法进行加权得到一个加权组合，这样也可以避免聚类算法局部极小问题的出现，此外，该聚类算法中使用的距离公式为欧式距离，可以表示为：其中，V为希望获得的聚类数目，xp为第p个温度数据样本，cq为第q个类簇的簇心，L为温度变量到簇心之间的欧式距离。表2为使用基于相关分析的聚类算法获得的对应的每个V值本文档来自技高网...

【技术保护点】
1.机床主轴热误差建模的加权集成温度敏感点组合选取方法，其特征在于，包括：/nS1、在数控机床运行过程中同步采集随时间变化的温度变量和机床主轴的热变形量，并计算每个温度变量与所有热变形量之间的绝对均相关系数R′；/nS2、设置类簇数V的取值范围，并采用聚类算法对温度变量进行聚类获得每个V值的聚类结果；筛选每个V值的聚类结果中每簇具有最大绝对均相关系数R′的温度变量，构成每个V值对应的温度敏感点组合；/nS3、将每个温度敏感点组合单独输入一个神经网络，得到网络输出值；并随机生成每个网络输出值的权值，将所有的权值转换为二维向量赋值给CSO算法中的每个个体；/nS4、采用CSO算法对其每个个体进行更新，并在每次迭代过程中根据适应度值函数计算适应度值，之后将迭代次数累加一次；/nS5、当迭代次数小于设定迭代次数时，若当前适应度值小于最优适应度值，则采用当前适应度值更新最优适应度值，并返回步骤S4，否则，不更新直接返回步骤S4；/nS6、当迭代次数大于等于设定迭代次数时，删除最优适应度值函数值中小于预设阈值的权值；之后合并保留的权值对应的温度敏感点组合，作为最终的加权集成温度敏感点组合。/n

【技术特征摘要】
20200309 CN 20201015659741.机床主轴热误差建模的加权集成温度敏感点组合选取方法，其特征在于，包括：
S1、在数控机床运行过程中同步采集随时间变化的温度变量和机床主轴的热变形量，并计算每个温度变量与所有热变形量之间的绝对均相关系数R′；
S2、设置类簇数V的取值范围，并采用聚类算法对温度变量进行聚类获得每个V值的聚类结果；筛选每个V值的聚类结果中每簇具有最大绝对均相关系数R′的温度变量，构成每个V值对应的温度敏感点组合；
S3、将每个温度敏感点组合单独输入一个神经网络，得到网络输出值；并随机生成每个网络输出值的权值，将所有的权值转换为二维向量赋值给CSO算法中的每个个体；
S4、采用CSO算法对其每个个体进行更新，并在每次迭代过程中根据适应度值函数计算适应度值，之后将迭代次数累加一次；
S5、当迭代次数小于设定迭代次数时，若当前适应度值小于最优适应度值，则采用当前适应度值更新最优适应度值，并返回步骤S4，否则，不更新直接返回步骤S4；
S6、当迭代次数大于等于设定迭代次数时，删除最优适应度值函数值中小于预设阈值的权值；之后合并保留的权值对应的温度敏感点组合，作为最终的加权集成温度敏感点组合。


2.根据权利要求1所述的加权集成温度敏感点组合选取方法，其特征在于，将每个温度敏感点组合单独输入一个神经网络，得到网络输出值进一步包括：
将温度敏感点组合中设定比例的温度变量作为训练集，将余下温度变量作为测试集，并将每个温度敏感点组合的训练集输入一个独立的神经网络训练，之后将测试集分别输入对应的神经网络中，得到网络输出值。


3.根据权利要求2所述的加权集成温度敏感点组合选取方法，其特征在于，还包括：
采用每个神经网络的网络输出值，计算其残差均值和均方根误差；根据残差均值和均方根误差，选取所有网络输出值中最优的作为模型测试输出值；
在CSO算法每次迭代过程中，基于模型测试输出值和更新的权值采用适应度值函数计算适应度值。


4.根据权利要求2所述的加权集成温度敏感点组合选取方法...

【专利技术属性】
技术研发人员：付国强，饶勇建，谢云鹏，陶春，贡宏伟，鲁彩江，高宏力，郭亮，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51