数控机床热误差补偿方法
【技术领域】
[0001] 本发明涉及一种数控机床热误差补偿方法。
【背景技术】
[0002] 随着现代机械制造技术的飞速发展，高柔性、高效率、高质量、高精度、高集成和 高智能加工技术已成为现代机械制造中最重要的组成部分和发展方向，并成为提升一个国 家工业发展水平的重要手段，得到了世界各国的广泛重视，进而对数控机床的制造、加工 精度提出了越来越高的要求。然而随着数控机床精度的进一步提高，热误差逐渐成为了影 响数控机床加工精度的主要因素。研究表明，在导致机床变形的众多误差源中，机床的几 何误差和机床各零部件由于受热发生变形而引起的热误差是影响机床加工精度最重要的 两个因素，分别为机床全部误差的20%和45%，且越是精密的数控机床，由机床内部与外部 热源共同作用导致的热误差在机床总误差中所占的比例越大。随着现代制造技术的发展， 机床的几何误差已经得到了有效的控制和补偿，其在机床总误差中所占百分比已经大大 减小。因此在现代精密数控机床的生产加工过程中，热误差已经成为了阻碍数控机床加工 精度进一步提高的最重要因素。如何减小机床的热误差、改善机床的加工精度，已经受到 世界各国学者的广泛关注，总体来说，减小机床热误差的技术主要包括误差防止技术和误 差补偿技术。前者主要依靠优化机床结构，减少热源生热；后者主要依靠误差检测以及误差 反馈补偿。在机床热误差补偿中，建立高精度的热误差补偿模型是难点，而选择温度测点的 数量和位置又是热误差建模的基础。所以合理又可行的温度测点选取方案和误差补偿模型 建立显得尤为重要。
[0003] 通过国内外研究学者对机床热误差补偿技术的大量研究，机床热误差补偿技术已 经取得了很大的进展，但目前还未见高水平的热误差补偿技术在数控机床实际工业生产制 造中大批量应用。传统的方法繁琐且可执行性差，较难获得合适的温度补偿点。
【发明内容】
[0004] 本发明所要解决的技术问题是提供一种数控机床热误差补偿方法，本方法在有限 元仿真分析的基础上基于粒子群优化算法，得到热误差补偿的关键温度点，以关键温度点 处的温度测量值作为数控机床热误差补偿依据，简化了热误差温度测量点的选取，有效减 小机床的热误差，提_机床的加工精度。
[0005] 为解决上述技术问题，本发明数控机床热误差补偿方法包括如下步骤： 步骤一、建立数控机床主轴结构的有限元仿真分析几何模型，几何模型建立过程忽略 对主轴结构影响较小的螺孔，油管，注油孔，细微倒角、圆角特征，采用简单圆环代替主轴结 构的轴承、轴承套特征； 步骤二、对建立的几何模型进行网格划分和扫掠划分，主轴结构的主轴、主轴箱复杂实 体采用网格划分，主轴结构的轴承、轴承套简单实体采用扫掠划分，各部件之间的接触关系 选用粘接，各部件的材料根据机床主轴结构实际材料选定； 步骤三、综合测量和计算主轴结构工作时的环境温度，冷却液流量，进出油温度数据， 以此对建立的几何模型施加边界条件； 步骤四、对主轴结构布置热关键点并进行温度测量，一个温度传感器测量环境温度，三 个温度传感器测量主轴后端轴承处温度，十三个温度传感器测量主轴后端轴承与主轴前端 轴承之间的主轴温度并间隔布置，三个温度传感器测量主轴前端轴承处温度，各热关键点 依次编号； 步骤五、对主轴结构的热关键点进行有限元仿真分析，有限元仿真分析结果作为粒子 群优化算法的参数，利用粒子群优化算法筛选出四个热关键点参数，给定目标函数：
式（1)中^为各热关键点测得的温度值，闺为有限元仿真分析中各热关键点测得温度 值的最小二乘支持向量机的预测值，I为样本数目，分别为筛选的四个热关键点 采集的温度值，％辦分别为有限元仿真分析中最小二乘支持向量机的正则化参数和校核参 数； 步骤六、将式（1)的目标函数最小作为粒子群优化算法目标，采用粒子群优化算法对参 数7；.7^73>7；7，^进行优化，选择各热关键点的一部分温度值和热变形数据作为粒子群优 化算法的训练集，选择各热关键点再次测得的温度值和热变形数据作为粒子群优化算法的 检测集，给定最大迭代次数#〃胃、学习因子q、最大权重因子、最小权重因子 ，群体规模为每个粒子的位置六维向量，六维向量分别代表参数； 步骤七、根据各热关键点的当前温度参数，通过式（1)计算每个粒子的适应度值#(|| ，将/(A)与粒子群优化算法的当前个体最优解的适应度值比较，如/(A) 蜂， 则用该粒子的适应度值取代当前个体最优解，即= /(A); 步骤八、将每个粒子的最好适应度值与全局适应度值g&M进行比较，如 ,则取,同时记忆个体与群体所对应最佳适应度值的位置 和gfesi; 步骤九、根据式（2)和式（3)更新粒子的位置笔::和速度滩，
其中：i为粒子数，取1、2、3、4~，石为第i个粒子的位置，吟为第i个粒子的飞行速 度，G为第i个粒子在第d维的飞行速度，箱:为第i个粒子在第d维的个体最优解，&为 全部粒子在第d维的最优解，k为迭代次数，cl和c2为学习因子，取值在[0, 2]区间，rand() 为0到1的随机数，:揀为权重因子； 步骤十、重复步骤六至步骤九，直至每个粒子的适应度值随着迭代次数的增加而收敛 至设定值，其浮动范围小于0. 1%，，选择收敛速度最快的一组粒子并输出结果，得到最优的 四个热关键点的序号、温度值和各个方向的热形变量； 步骤十一、选取最优的四个热关键点的参数作为热误差补偿的参数，数控机床控制系 统建立误差补偿模型，数控机床控制系统根据热误差补偿参数通过误差补偿模型对主轴结 构的热误差作出补偿。
[0006] 进一步，上述各热关键点的温度传感器是磁力吸附的PtlOO温度传感器。 由于本发明数控机床热误差补偿方法采用了上述技术方案，即本方法对数控机床主轴 结构建立有限元仿真分析几何模型并作简化处理，根据主轴结构的工作状态及工作环境， 加载合理的边界条件，将简化后的几何模型进行热力学和静力学的有限元仿真分析，在分 析结果中取出一定数量点的温度以及热变形量，将这些数据用粒子群优化算法进行筛选， 最终选取最优的四个点的温度值作为数控机床热误差补偿参数并建立误差补偿模型，实现 数控机床热误差补偿。本方法在有限元仿真分析的基础上基于粒子群优化算法，得到热误 差补偿的关键温度点，以关键温度点处的温度测量值作为数控机床热误差补偿依据，简化 了热误差温度测量点的选取，有效减小机床的热误差，提高机床的加工精度。
【附图说明】
[0007] 下面结合附图和实施方式对本发明作进一步的详细说明： 图1为本发明数控机床热误差补偿方法的流程图； 图2为本方法中粒子群优化算法的流程图； 图3为本方法中主轴结构热关键点布置示意图。
【具体实施方式】
[0008] 如图1、图2和图3所示，本发明数控机床热误差补偿方法包括如下步骤： 步骤一、建立数控机床主轴结构的有限元仿真分析几何模型，几何模型建立过程忽略 对主轴结构影响较小的螺孔，油管，注油孔，细微倒角、圆角特征，采用简单圆环代替主轴结 构的轴承、轴承套特征； 步骤二、对建立的几何模型进行网格划分和扫掠划分，主轴结构的主轴、主轴箱复杂实 体采用网格划分，主轴结构的轴承、轴承套简单实体采用扫掠划分，各部件之间的接触关系 选用粘接，各部件的材料根据机床主轴结构实际材料选定；其中粘接（Bonded)是分析有限 元中的一种接触方式，即将两个接触部件绑定在一起； 步骤三、综合测量和计算主轴结构工作时的环境温度，冷却液流量，进出油温度数据， 以此对建立的几何模型施加边界条件； 步骤四、对主轴结构21布置热关键点并进行温度测量，一个温度传感器1测量环境温 度，三个温度传感器2、3、4测量主轴后端轴承22处温度，十三个温度传感器5、6、7、8、9、10、 11、12、13、14、15、16、17测量主轴后端轴承22与主轴前端轴承23之间的主轴温度并间隔布 置，三个温度传感器18、19、20测量主轴前端轴承23处温度，各热关键点依次编号； 步骤五、对主轴结构的热关键点进行有限元仿真分析，有限元仿真分析结果作为粒子 群优化算法的参数，利用粒子群优化算法筛选出四个热关键点参数，给定目标函数：
式（1)中^为各热关键点测得的温度值，^为有限元仿真分析中各热关键点测得温度 值的最小二乘支持向量机的预测值，I为样本数目，分别为筛选的四个热关键点 采集的温度值，分别为有限元仿真分析中最小二乘支持向量机的正则化参数和校核参 数； 步骤六、将式（1)的目标函数最小作为粒子群优化算法目标，采用粒子群优化算