一种数控机床热误差预测方法

本发明涉及精密加工机床领域，特别涉及一种数控机床热误差预测方法。

背景技术：

1、随着制造业的迅速发展，机床作为制造业的基础，对其加工速度和精度提出了更高的要求。热误差是影响机床加工性能的重要因素，已成为机床加工误差的最大误差源，占比达40％～70％。因此提高机床加工精度，就需要对机床热误差进行控制。

2、对机床热误差进行控制的方法主要包括：热误差避免法和热误差补偿法。

3、热误差避免法通过减少热源数目或降低热源热量，增加散热路径，以及采用热稳定结构设计等方法来控制机床热误差。但在实际加工过程中并不能完全消除热误差，且实施成本高。而热误差补偿法是通过软件输入人为制造新的逆方向误差，削弱甚至抵消原始误差。

4、热误差补偿法又分为理论建模法和试验建模法。理论建模法能够清晰地理解机床热误差的产生过程和机理，能够为经验热误差模型提供基础模型，为机床的结构优化做理论支撑。理论建模方法主要有：有限差分法、有限元法、多体系统理论和齐次坐标变换等。

5、试验建模法需要以先验知识作为基础，确定模型的结构、决定辨识方法和设计实验步骤。模型只映射输入和输出数据间的数学关系，不涉及热量的生成、转化及传递过程中的变化。其中，回归分析法作为试验建模法的其中一种，具有很好精度和鲁棒性，具有良好的应用效果。

6、但是，由于机床的热误差通常与特定位置的温度变化密切相关，因此如果使用其他无关位置的温度数据对回归模型进行拟合，可能会引入较多的噪声，导致获得的热误差多项式无法有效地捕捉到机床热误差的真实变化规律，造成由热误差多项式组成的数控机床热误差预测模型的预测结果变得不准确、模型的可信度较低。

技术实现思路

1、本发明提供一种数控机床热误差预测方法，可以解决现有技术中，基于无关的温度数据获得的数控机床热误差预测模型预测性能低的问题。

2、本发明提供一种数控机床热误差预测方法，包括:

3、测量机床在工作过程中偏离目标机床位置的程度，获得定位误差，根据定位误差获得定位误差曲线；

4、采集数控机床上若干个温度测点处的温度数据，基于温度数据，使用聚类算法将若干个温度测点划分为不同的组，选出每组中与定位误差曲线的热变化斜率相关系数最大的温度测点作为温度敏感点；

5、建立用于预测数控机床热误差的热误差预测模型，包括：

6、将所述温度敏感点的温度作为输入，定位误差曲线的热变化斜率作为输出，使用多项式拟合建立热误差多项式；

7、测量机床的几何误差，将所述几何误差作为输入，定位误差作为输出，使用多项式拟合建立几何误差多项式；

8、根据分离建模法，将所述几何误差项多项式的系数替换为所述热误差多项式，获得数控机床热误差预测模型；

9、将实时测量的温度敏感点的温度数据输入所述数控机床热误差预测模型中，获得数控机床的热误差。

10、进一步的，所述采集数控机床上若干个温度测点处的温度数据，包括：

11、根据温度传感器布点策略在数控机床上布置若干个温度测点；

12、在每个温度测点的位置处安装温度传感器；

13、使用温度传感器连续间隔采样温度测点的温度。

14、进一步的，所述基于温度数据，使用聚类算法将若干个温度测点划分为不同的组，包括：

15、使用canopy聚类算法对温度测点进行粗聚类，确定聚类个数k和初始聚类中心；

16、将聚类个数k和初始聚类中心作为k-means聚类算法的输入，使用k-means聚类算法将若干个温度测点划分为不同的组。

17、进一步的，所述使用canopy聚类算法对温度测点进行粗聚类，包括:

18、s11.设定初始距离阈值为t1、t2，t1>t2；

19、s12.任取一温度测点p，计算该温度测点p到所有聚簇中心点的距离，确定该温度测点p与所有聚类中心最近的距离d；如果不存在聚簇中心，则将该温度测点p作为一个新的聚簇；

20、s13.如果距离d小于t1，表示该温度测点p属于与其距离最近聚类中心所属的聚簇，将该温度测点p添加到其距离最近聚类中心所属的聚簇中；

21、s14.如果距离d小于t2，表示该温度测点p不仅属于其距离最近聚类中心所属的聚簇，还表示温度测点p和当前聚簇中心点非常近，所以将该温度测点p剔除；

22、s15.如果距离d大于t1，则该温度测点p形成一个新的聚簇；

23、s16.重复s12-s15，直到所有温度测点都被分类后结束循环，获得聚簇个数k和初始聚类中心。

24、进一步的，所述使用k-means聚类算法将若干个温度测点划分为不同的组，包括：

25、s21.确定聚簇个数为k、初始聚类中心为a＝{a1，a2，...，ak}；

26、s22.计算各个温度测点到k个聚类中心的距离，并将其分到距离最小的聚类中心所对应的类中；

27、s23.针对每个类别，重新计算它的聚类中心：

28、

29、其中，aj是新的聚类中心，|ci|表示簇ci中温度测点的个数，x表示属于该簇中温度测点的温度值；

30、s24.重复s22-s23，直到达到所设终止条件后停止循环，将若干个温度测点划分为k组。

31、进一步的，所述选出每组中与定位误差曲线的热变化斜率相关系数最大的温度测点作为温度敏感点，包括：

32、计算每组温度测点与定位误差曲线的热变化斜率之间的相关系数：

33、

34、其中，x表示为每组温度测点的温度值，y是定位误差曲线的热变化斜率，ρx,y为相关系数；

35、选取每组中相关系数最大的温度测点作为温度敏感点。

36、本发明实施例提供一种数控机床热误差预测方法，与现有技术相比，其有益效果如下：

37、本发明使用聚类方法将温度测点划分为不同的组，通过计算每组温度测点与定位误差曲线的热变化斜率之间的相关系数，将相关系数最大的温度测点作为温度敏感点，根据上述方法所选取的温度敏感点与定位误差曲线的热变化斜率之间的相关系数最大，即两者之间存在最强的关联性，这种关联性有可能反映了机床热误差的主要影响因素，因此所选取的温度敏感点更有可能具有实际的物理意义，具有代表性。因此将其作为数控机床误差预测模型中热误差多项式的输入，有助于模型捕捉到机床热误差与温度变化之间的密切关系，使得由热误差多项式和几何误差多项式构成的数控机床热误差预测模型能够更精确地预测机床热误差的变化趋势、模型的预测性能更高。

技术特征：

1.一种数控机床热误差预测方法，其特征在于，包括:

2.根据权利要求1所述的一种数控机床热误差预测方法，其特征在于，所述采集数控机床上若干个温度测点处的温度数据，包括：

3.根据权利要求1所述的一种数控机床热误差预测方法，其特征在于，所述基于温度数据，使用聚类算法将若干个温度测点划分为不同的组，包括：

4.根据权利要求3所述的一种数控机床热误差预测方法，其特征在于，所述使用canopy聚类算法对温度测点进行粗聚类，包括:

5.根据权利要求3所述的一种数控机床热误差预测方法，其特征在于，所述使用k-means聚类算法将若干个温度测点划分为不同的组，包括：

6.根据权利要求1所述的一种数控机床热误差预测方法，其特征在于，所述选出每组中与定位误差曲线的热变化斜率相关系数最大的温度测点作为温度敏感点，包括：

技术总结
本发明公开了一种数控机床热误差预测方法，涉及精密加工机床领域。包括：测量数控机床的定位误差，获得定位误差曲线；在数控机床上设置若干个温度测点，将若干个温度测点划分为不同的组，选出每组中与定位误差曲线的热变化斜率相关系数最大的温度测点作为温度敏感点；将温度敏感点的温度作为输入，定位误差曲线的热变化斜率作为输出，使用多项式拟合建立热误差多项式。本发明使用聚类方法将温度测点划分为不同的组，通过计算每组温度测点与定位误差曲线的热变化斜率之间的相关系数，将相关系数最大的温度测点作为温度敏感点，将其用于热误差多项式的拟合，有助于模型捕捉到机床热误差与温度变化之间的密切关系，使得模型性能更高、更具有可靠性。

技术研发人员：李阳,杨悦,王佳奇,赵旭
受保护的技术使用者：东北电力大学
技术研发日：
技术公布日：2024/1/15