CN105022344B - 数控机床热误差补偿方法 - Google Patents
数控机床热误差补偿方法 Download PDFInfo
- Publication number
- CN105022344B CN105022344B CN201410161210.9A CN201410161210A CN105022344B CN 105022344 B CN105022344 B CN 105022344B CN 201410161210 A CN201410161210 A CN 201410161210A CN 105022344 B CN105022344 B CN 105022344B
- Authority
- CN
- China
- Prior art keywords
- temperature
- particle
- error compensation
- key point
- control machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Automatic Control Of Machine Tools (AREA)
Abstract
本发明公开了一种数控机床热误差补偿方法，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。
Description
技术领域
本发明涉及一种数控机床热误差补偿方法。
背景技术
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。
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
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，提高机床的加工精度。
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：
（1）
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，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，采用粒子群优化算法对参数进行优化，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、学习因子、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，将与粒子群优化算法的当前个体最优解的适应度值比较，如，则用该粒子的适应度值取代当前个体最优解，即；
步骤八、将每个粒子的最好适应度值与全局适应度值进行比较，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；
步骤九、根据式（2）和式（3）更新粒子的位置和速度，
（2）
（3）
其中：i为粒子数，取1、2、3、4…，为第i个粒子的位置，为第i个粒子的飞行速度，为第i个粒子在第d维的飞行速度，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，c1和c2为学习因子，取值在[0,2]区间，rand()为0到1的随机数，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。
进一步，上述各热关键点的温度传感器是磁力吸附的Pt100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
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
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：
（1）
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，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，采用粒子群优化算法对参数进行优化，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，该一部分温度值和热变形数据为在有限元仿真分析软件中，分别随机选取主轴前端轴承上的一个测试点、主轴后端上的一个测试点、以及主轴轴身上的两个测试点得到的测试数据，热变形数据可以从有限元仿真分析结果中取出热形变量；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、学习因子、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，将与粒子群优化算法的当前个体最优解的适应度值比较，如，则用该粒子的适应度值取代当前个体最优解，即；
步骤八、将每个粒子的最好适应度值与全局适应度值进行比较，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；
步骤九、根据式（2）和式（3）更新粒子的位置和速度，
（2）
（3）
其中：i为粒子数，取1、2、3、4…，为第i个粒子的位置，为第i个粒子的飞行速度，为第i个粒子在第d维的飞行速度，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，c1和c2为学习因子，取值在[0,2]区间，rand()为0到1的随机数，为权重因子；权重因子可以通过下式计算得到：
（4）
式（4）中，为实验要求的最大和最小权重因子，为迭代次数，为最大迭代次数；
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；设定值为全局的最优适应度值；
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。通常误差补偿模型可采用最小二乘法建立，其表达式为，其中：为热误差补偿值，为常数，t为热关键点与环境的温度差值，三个常数根据四个热关键点的参数，即各个方向的热变形量以及温度差值计算得到。
进一步，上述各热关键点的温度传感器是磁力吸附的Pt100温度传感器。
本方法中各热关键点选取主要是根据主轴结构工作时的热源以及温度场情况，在主轴上的各热关键点序号分别为2#至20#。主要包括主轴的前后轴承以及主轴上的关键点；有限元仿真分析主要是对于在不同转速下的主轴结构进行热力学和静力学的有限元仿真，以确定在不同转速下主轴结构的温度场和热变形量。本方法的粒子群优化算法中，将各热关键点的温度传感器采集到的数据一部分用于训练数控机床的最小二乘支持向量机热误差补偿模型，可设置粒子群优化算法的粒子群规模为40、粒子向量维数为6、学习因子、最大权重因子、最小权重因子、最大迭代次数；粒子群优化算法仅需约25步就可找到全局最优解，收敛速度非常快，最终适应度值收敛到0.5873，经粒子群优化算法搜索到的热关键点和最小二乘支持向量机的参数分别为3、9、15、19、95.5774、0.55，即选择位于主轴后端轴承处的3#热关键点、位于主轴上的9#热关键点和15#热关键点、位于主轴前端轴承处的19#热关键点的温度值用于建立数控机床热误差补偿模型，作为热误差补偿的依据。
下表为数控机床的主轴结构采用本方法作热误差补偿前后的参数对照表：
| 主轴结构坐标方向 | 补偿前最大误差（μm） | 补偿后最大误差（μm） | 补偿前平均误差（μm） | 补偿后平均误差（μm） |
| X向 | 8.23 | 0.96 | 4.70 | 0.22 |
| Y向 | 57.96 | 2.43 | 25.22 | 0.56 |
| Z向 | 29.68 | 1.50 | 21.73 | 0.28 |
从上表可知，本方法可以有效减少数控机床的热误差，从而改善数控机床的加工精度，提高了数控机床制造及加工精度的水平。
Claims (2)
1.一种数控机床热误差补偿方法，其特征在于本方法包括如下步骤：
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：
（1）
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，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、以使式（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、学习因子、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，将与粒子群优化算法的当前个体最优解的适应度值比较，如，则用该粒子的适应度值取代当前个体最优解，即；
步骤八、将每个粒子的最好适应度值与全局适应度值进行比较，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；
步骤九、根据式（2）和式（3）更新粒子的位置和速度，
（2）
（3）
其中：i为粒子数，取1、2、3、4…，为第i个粒子的位置，为第i个粒子的飞行速度，为第i个粒子在第d维的飞行速度，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，c1和c2为学习因子，取值在[0,2]区间，rand()为0到1的随机数，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。
2.根据权利要求1所述的数控机床热误差补偿方法，其特征在于：所述各热关键点的温度传感器是磁力吸附的Pt100温度传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410161210.9A CN105022344B (zh) | 2014-04-22 | 2014-04-22 | 数控机床热误差补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410161210.9A CN105022344B (zh) | 2014-04-22 | 2014-04-22 | 数控机床热误差补偿方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105022344A CN105022344A (zh) | 2015-11-04 |
| CN105022344B true CN105022344B (zh) | 2017-11-28 |
Family
ID=54412390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410161210.9A Active CN105022344B (zh) | 2014-04-22 | 2014-04-22 | 数控机床热误差补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105022344B (zh) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105987675B (zh) * | 2015-02-13 | 2019-07-16 | 海克斯康计量公司 | 铰接式测量臂及用于使用其测量部件的方法 |
| CN105404237B (zh) * | 2015-11-10 | 2018-02-09 | 湖北文理学院 | 一种基于空间网格补偿方式的数控机床空间误差建模方法 |
| CN107775445A (zh) * | 2016-08-31 | 2018-03-09 | 苏州万立精密机械有限公司 | 一种高精度大尺寸铝产品加工中的温度补偿方法 |
| CN107219820A (zh) * | 2017-06-26 | 2017-09-29 | 安徽省捷甬达智能机器有限公司 | 一种基于时间分析的机床运动补偿方法 |
| CN107553220B (zh) * | 2017-09-04 | 2019-10-29 | 四川大学 | 一种数控机床综合误差实时补偿方法 |
| CN107639533A (zh) * | 2017-10-18 | 2018-01-30 | 中国水利水电第十工程局有限公司 | 精密磨床的精度补偿方法 |
| KR102394826B1 (ko) * | 2018-02-14 | 2022-05-04 | 주식회사 엘지에너지솔루션 | 배터리와 평활 커패시터 간의 에너지 전달을 위한 전원 회로 및 이를 포함하는 배터리 관리 시스템 |
| CN108896803B (zh) * | 2018-05-24 | 2020-08-18 | 哈尔滨工业大学 | 基于温度补偿的电能表计量精度优化方法 |
| CN109376377B (zh) * | 2018-09-07 | 2019-10-11 | 东南大学 | 高速加工机床整机结构热力学建模与热设计方法 |
| CN109753018B (zh) * | 2019-01-23 | 2020-03-06 | 厦门嵘拓物联科技有限公司 | 一种基于云端智能的误差补偿系统及动态补偿方法 |
| CN111668926B (zh) * | 2019-03-06 | 2023-09-01 | 中国电器科学研究院股份有限公司 | 一种配网设备环网单元湿热气候服役微环境监测方法 |
| CN109765846B (zh) * | 2019-03-11 | 2022-03-18 | 哈尔滨理工大学 | 双转台五轴数控机床热误差建模温度敏感点的选择方法 |
| CN110196572B (zh) * | 2019-06-05 | 2021-10-15 | 辽宁工程技术大学 | 考虑加工参数的数控机床热力耦合误差建模及补偿方法 |
| CN111168457B (zh) * | 2019-12-31 | 2021-12-21 | 瓦特创新科学技术(深圳)有限公司 | 数控机床主轴预热控制方法及装置 |
| CN111190390B (zh) * | 2020-01-14 | 2021-01-29 | 重庆大学 | 两端轴向约束的轴系统的热误差建模方法、总误差建模方法和热误差补偿系统 |
| CN111460609B (zh) * | 2020-02-24 | 2024-05-07 | 中国科学院光电研究院 | 零部件受热面上关键温度点的提取方法及装置 |
| CN111708323B (zh) * | 2020-06-23 | 2021-11-05 | 广东普拉迪科技股份有限公司 | 一种具有热变形误差补偿的五轴小龙门数控加工中心 |
| CN113110294B (zh) * | 2021-04-16 | 2022-04-05 | 湖北文理学院 | 一种机床误差补偿方法及系统 |
| CN113297766A (zh) * | 2021-05-26 | 2021-08-24 | 中国电子科技集团公司第五十四研究所 | 一种天线单元加工误差补偿方法 |
| CN114161225B (zh) * | 2021-12-10 | 2024-04-26 | 上海诺倬力机电科技有限公司 | 五轴头智能反馈装置及加工机床 |
| CN114800516B (zh) * | 2022-05-13 | 2024-03-08 | 珞石（北京）科技有限公司 | 一种针对热误差的机器人运动补偿方法 |
| CN114690706B (zh) * | 2022-05-30 | 2022-09-20 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床主轴误差预测补偿方法及系统 |
| CN114995284B (zh) * | 2022-07-15 | 2024-08-16 | 西安交通大学 | 一种机床热敏感点的选取与建模方法及系统 |
| CN115793568B (zh) * | 2023-02-06 | 2023-05-23 | 常州克迈特数控科技有限公司 | 一种基于三维建模的机床零件误差补偿控制系统 |
| CN117170308B (zh) * | 2023-11-02 | 2024-02-02 | 中国机械总院集团云南分院有限公司 | 一种基于指令序列分析的机床动态误差补偿方法及系统 |
| CN117572823B (zh) * | 2024-01-17 | 2024-03-26 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴热膨胀动态补偿方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101290266B (zh) * | 2008-06-17 | 2010-11-03 | 上海理工大学 | 数控机床热误差补偿温度测点位置的确定方法 |
| CN101436057A (zh) * | 2008-12-18 | 2009-05-20 | 浙江大学 | 数控机床热误差贝叶斯网络补偿方法 |
| CN101629801B (zh) * | 2009-08-18 | 2012-01-04 | 上海理工大学 | 数控磨床导轨热误差确定方法 |
| CN102736558A (zh) * | 2011-04-07 | 2012-10-17 | 姚晓栋 | 基于时间序列算法的数控机床热误差实时补偿建模方法 |
| KR20130059230A (ko) * | 2011-11-28 | 2013-06-05 | 현대위아 주식회사 | 공작기계용 스핀들의 열변위 보정장치 |
-
2014
- 2014-04-22 CN CN201410161210.9A patent/CN105022344B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105022344A (zh) | 2015-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105022344B (zh) | 数控机床热误差补偿方法 | |
| CN107553220B (zh) | 一种数控机床综合误差实时补偿方法 | |
| CN105425727B (zh) | 五轴侧铣加工刀具路径光顺方法 | |
| CN113051831B (zh) | 机床热误差自学习预测模型建模方法及热误差控制方法 | |
| CN109146209A (zh) | 基于遗传算法小波神经网络的机床主轴热误差预测方法 | |
| CN105404237B (zh) | 一种基于空间网格补偿方式的数控机床空间误差建模方法 | |
| CN109765848B (zh) | 五轴机床运动轴几何误差贡献值计算及影响评估方法 | |
| CN105700473A (zh) | 一种精密数控机床全工作台曲面热误差补偿方法 | |
| CN107861470A (zh) | 基于pmc控制的数控机床主轴热伸长误差实时补偿方法 | |
| CN102658499A (zh) | 一种精密卧式加工中心主轴热误差补偿方法 | |
| CN105631122B (zh) | 一种机床大件的热变形仿真分析与建模方法 | |
| CN112558547A (zh) | 一种五轴数控机床平动轴几何误差补偿数据快速优化方法 | |
| CN107081638A (zh) | 一种机床工作空间热误差辨识模型建立方法 | |
| CN109612420A (zh) | 一种应用于实现工件在线测量的关节臂测量机最佳测量区的确定方法 | |
| CN105446264A (zh) | 基于特征的机床精度优化设计方法 | |
| Wu et al. | A material removal model for robotic belt grinding process | |
| CN107368637A (zh) | 基于区间理论的精密卧式加工中心几何精度优化分配方法 | |
| CN105094053A (zh) | 一种基于蚁群神经网络的机床热误差建模方法 | |
| CN111123833B (zh) | 一种机床的热误差补偿计算方法、装置、设备和存储介质 | |
| Lai et al. | Error compensation of free-form surface with critical area based on T-spline surface reconstruction | |
| CN110532667B (zh) | 一种用于提高精密机床空间几何误差模型建模精度的方法 | |
| CN108873807B (zh) | 一种考虑加工稳定性的三轴数控机床精度评价方法 | |
| Xu et al. | Grid algorithm calculating the shortest distance from spatial point to freeform surface | |
| CN106134469B (zh) | 一种模拟刀具中心轨迹的数控程序校对系统与方法 | |
| Wang et al. | Analysis of dynamic characteristics of five‐axis CNC machine tool |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200426 Address after: 201615 room 211, building 21, No. 1158, Zhongxin Road, Jiuting Town, Songjiang District, Shanghai Patentee after: Shanghai Electric Group Automation Engineering Co.,Ltd. Address before: 200233 No. 470, Guiping Road, Shanghai, Xuhui District Patentee before: SHANGHAI CAPITAL NUMERICAL CONTROL Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 213, Building 21, No. 1158, Jiuting Central Road, Jiuting Town, Songjiang District, Shanghai 201600 Patentee after: Shanghai Electric Automation Group Co.,Ltd. Address before: 201615 room 211, building 21, 1158 Central Road, Jiuting Town, Songjiang District, Shanghai Patentee before: Shanghai Electric Group Automation Engineering Co.,Ltd. |