CN111580469B - 一种基于大数据数控机床精度指标数据特征的挖掘方法 - Google Patents

一种基于大数据数控机床精度指标数据特征的挖掘方法 Download PDF

Info

Publication number
CN111580469B
CN111580469B CN202010333840.5A CN202010333840A CN111580469B CN 111580469 B CN111580469 B CN 111580469B CN 202010333840 A CN202010333840 A CN 202010333840A CN 111580469 B CN111580469 B CN 111580469B
Authority
CN
China
Prior art keywords
data
machine tool
expectation
numerical control
detection
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
Application number
CN202010333840.5A
Other languages
English (en)
Other versions
CN111580469A (zh
Inventor
李�杰
王一鹏
坚陶文
郭瑞华
李颖
李连玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN202010333840.5A priority Critical patent/CN111580469B/zh
Publication of CN111580469A publication Critical patent/CN111580469A/zh
Application granted granted Critical
Publication of CN111580469B publication Critical patent/CN111580469B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B19/41—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 interpolation, e.g. the computation of intermediate points between programmed end points to define the path to be followed and the rate of travel along that path
    • G05B19/4103—Digital interpolation
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34117—Machine workpiece along, parallel to largest dimension

Abstract

本发明公开了一种基于大数据的数控机床精度指标数据特征挖掘方法，包括以下步骤：a、对数控机床的序体进行编号；b、基于多体理论建立运动学模型;c、检测机床“S”形试件轨迹的插补信息及进给轴光栅位置信息;d、基于检测数据获得机床“S”形轨迹下空间定位误差;e、“S”形试件轨迹空间定位误差五项数据特征计算;f、五项数据特征极差、期望、标准差的计算;g、形成精度检测数据特征数据库;h、更新五项关键数据特征极差、期望、标准形成阈值;i、停止加工定向维修或转向保养，即进行下一轮加工生产。能够在当前高价值零件加工过程中存在较大产品质量风险，具备实时性强的加工精度监测方法。

Description

一种基于大数据数控机床精度指标数据特征的挖掘方法
技术领域
本发明属于机械加工技术领域，具体涉及一种基于大数据数控机床精度指标数据特征的挖掘方法。
背景技术
新一代飞机具有高隐身、高超音速巡航、高机动性和高载荷比等特性要求，相应的飞机结构件朝着大型化、整体化和高精度化趋势的发展，飞机结构件加工精度要求更高，零件价值越来越大，对五轴数控机床的加工精度及其稳定性提出了更高的要求。
传统加工精度检测方法主要通过检测仪器和切削试件来判断机床的加工精度，这两类方法都存在检测过程或试件切削准备周期长的明显不足，仪器检测方法由于检测环境与实际加工环境有一定差距，精度检测结果难以真实反映工件加工精度。“S”形试件具有变扭曲、跨奇异等典型航空结构件特征，能充分反映数控机床的加工特性，其作为继NAS试件又有一种有效检测机床加工精度的方法，被广发应用并逐步纳入ISO国际金属切削机床精度检测标准，但是，“S”形试件加工范围较小，加工过程需要预先准备特定毛坯件，在一定程度上限制了试件切削的精度测试方法作为日常精度监测的发展潜力，此外，上述检测过程通常需要与实际零件加工状态分离进行，检测数据必须事后才能分析，监测的实时反馈和积累效果较差，难以满足数控机床加工精度日常监测、预防性维修和精准保养的需求，因而，在当前高价值零件加工过程中存在较大产品质量风险，急需一种具有实时性强的加工精度监测方法。
发明内容
为了解决上述问题，本发明提供一种基于大数据数控机床精度指标数据特征的挖掘方法，能够具有历史数据分析性和加工质量预测能力的机床加工精度监测及精度指标数据特征挖掘方法。
本发明是通过以下技术方案实现的。
一种基于大数据数控机床精度指标数据特征的挖掘方法法，其特征在于：包括以下步骤：
a、数控机床的序体进行编号,通过序体阵列方法对五轴数控机床进行编号，床身的编号为0、X轴的编号为1、Y轴的编号为2、Z轴的编号为3、C轴的标号为4、A轴的编号为5、刀具的编号为6；
b、建立运动学模型，通过机床拓扑结构建立相邻运动单元之间的运动学传递矩阵
Figure GDA0003007749190000025
(i＝0,1,2,3,4,j＝1,2,3,4,5)，结合刀尖点的初始位置Pinitial＝[00–L 1](L为刀长)，计算得出机床在进给轴输入参数作用下机床刀尖的空间位置向量P；
Figure GDA0003007749190000021
其中
Figure GDA0003007749190000022
Figure GDA0003007749190000023
和
Figure GDA0003007749190000024
分别为机床各进给轴的运动矩阵；x、y、z、A、C分别为机床各进给轴的运动输入参数；
c、运动输入信息测旋转，每天进行零件加工前10分钟，提前机床加工精度检测数据，选取“S”形试件的加工轨迹，作为数控机床加工精度检测的样本数据，在机床运行“S”形试件加工轨迹时，每个进给轴的插补指令读数和光栅尺的位置读数，作为加工精度的检测数据源，分别设定各进给轴插补指令读数为x_c,y_c,z_c,A_c和C_c，各个运动单元的位置读数为x_g,y_g,z_g,A_g和C_g；
d、“S”形试件运动轨迹下空间定位误差的计算,分别以各进给轴插补指令读数x_c,y_c,z_c,A_c和C_c和各个运动单元的光栅反馈位置读数x_g,y_g,z_g,A_g和C_g为输入，带入五轴数控机床的运动学模型，即公式(1)，得到在“S”形试件加工轨迹，机床刀尖点的插补指令下，ΔP＝Pg-Pc；
其中，Pc为插补指令空间定位，Pg为光栅尺反馈的刀尖点的空间定位，ΔP为刀尖点的实际空间定位Pg与插补指令空间定位Pc的向量差值，即为该数控机床在“S”形试件运动轨迹下空间定位误差；
e、“S”形试件轨迹空间定位误差五项数据特征计算，根据方程(1)空间定位误差ΔP的表达公式如下：
ΔP＝f((x_c)i,(y_c)i,(z_c)i,(A_c)i,(C_c)i,(x_g)i,(y_g)i,(z_g)i,(A_g)i,(C_g)i) (二)
其中，i＝1,2,3,…n为采样数据的序列点；
五项数据为空间定位误差的极差、空间定位误差的期望、空间定位误差的标准差、空间定位误差的变异系数、两日检测空间误差的数据，计算公式如下：
空间误差的极差计算：
|ΔP|JC＝max|ΔPi|-min|ΔPi| (3)
空间误差的期望计算：
|ΔP|QW＝1/n∑|ΔPi| (4)
空间误差的标准差计算：
Figure GDA0003007749190000031
空间误差的变异系数计算：
BY＝|ΔP|BZC/|ΔP|QW (6)
两日检测空间误差的相关性分析：
Figure GDA0003007749190000032
其中，|ΔP|QW_i是{i}检测序列对应的期望，|ΔP|QW_j是相邻的前一日{j}检测序列对应的期望；
由于每日检测的进行，积累了检测数据，五项数据特征便形成了以检测次数为递增的机床精度监测数据样本库:
S＝{|ΔP|JC(k),|ΔP|QW(k),|ΔP|BZC(k),BY(k),r(k)}，k＝1,2,3，…n (8)
其中，k为检测次数，随着k的不断增大到n，机床空间定位误差的数字特征库越来越大，为迭代分析和预测奠定了数据基础；
f、五项数据特征库的极差、期望、标准差计算，通过统计学定位五项数据特征库的极差、期望及标准差公式如下：
(a)五项关键数据特征库的极差计算
SJC＝max{|ΔP|JC(k1),|ΔP|QW(k2),|ΔP|BZC(k3),BY(k4),r(k5)}-min{|ΔP|JC(k1),|ΔP|QW(k2),|ΔP|BZC(k3),BY(k4),r(k5)} (9)
其中，k1，k2，k3，k4，k5为相互独立的检测序列号；
(b)五项关键数据特征库的期望计算；
SQW＝1/M∑{|ΔP|JC(k),|ΔP|QW(k),|ΔP|BZC(k),BY(k),r(k)} (10)
其中，k为检测的序列数，M为检测的总次数；
(c)五项关键数据特征库的标准差的计算
Figure GDA0003007749190000041
其中，l＝1,2,3,4,5为五项指标数据特征的序列，M为每项数据特征检测的总次数；定义为Φ求取集合S中每一项标准差的算子，最终SBZC仍然是由五项数据特征序列的方差所构成的集合；
g、五项数据特征库的极差、期望及标准差的迭代与优化，通过步骤(5)不断的积累机床精度的五项数据特征，构建五项数据特征的极差、期望和标准差的数据库，同时追踪对应机床每日所加工零件的产品质量；通过产品真是的尺寸精度和表面质量数据，对五项数据特征的极差、期望和标准差的阈值进行迭代优化；
h、设定阈值，当五项数据特征的极差、期望及标准差超出设定阈值，及时停止机床，根据五项数据特征的情况进行加工精度补偿或定向维修，若五项数据特征的极差、期望及标准差虽未超出给定阈值但具有较大波动时，根据五项数据特征的情况对机床状态进行专项保养；
i、在维修或保养结束后，再次对机床在“S”形试件轨迹作用下数控机床加工精度的极差、期望、标准差、变异系数及当两日误差数据的相关性五项关键数据进行监测，当数据特征满足阈值条件要求及状态稳定时，即进行下一轮加工生产。
步骤g中，所述迭代优化的方法：当前产品的尺寸精度和表面质量达到要求时，则逐一比对当日检测五项数据特征的极差、期望和标准差与数据库中五项数据特征的极差、期望和标准差，将数据空中数据特征阈值更新为本次的特征值A；
当前产品的尺寸精度和表面质量未达到要求时，则逐一比对当日检测五项数据特征的极差、期望和标准差与数据库中五项数据特征的极差、期望和标准差，保留与当日检测数据相比数据库中特征值B，并将特征值B设定为该项指标的阈值；
如此迭代进行不断更新数据内所有五项数据特征的阈值，直到建立与产品质量一致的机床精度监测数据特征阈值数组:SJC_Y,SQW_Y,SBZC_Y。
步骤C中，所述进给轴的插补指令读数和光栅尺的位置读数通过信号采集器或数控系统的trace功能进行采集，所采集数据频率可达100赫兹以上。
本发明带来的有益效果有。
1、通过在每日进行第一次零件加工前让机床运行“S”形试件加工轨迹，采集数控机床各进给轴插补器输入信号和光栅尺的实际反馈信号作为原始信息积累，然后，以机床每日采集数据为输入，基于机床空间定位误差模型，建立数控机床每日的S形试件轨迹误差数据库，最终，通过大量数据样本的极差、期望、标准差、自相关性和变异系数五大数据特征的分析，实现机床精度的评估和预测,为产品加工质量控制、机床预防维修和精准保养提供了重要支撑，满足数控机床加工精度日常监测、预防性维修和精准保养的需求，因而，在当前高价值零件加工过程中存在较大产品质量风险，具备实时性强的加工精度监测方法，同时兼具历史数据分析性和加工质量预测能力，有效实现机床加工精度监测及精度指标数据特征挖掘。
2、通过机床空间定位误差的数字特征库的单次数据表征了单次检测中机床加工精度的情况，机床空间定位误差的数字特征库则蕴含了数控机床长期内加工精度的运行形势，对于加工精度预测和产品质量控制具有更为显著的意义。
3、通过机床进给轴的插补指令和光栅尺反馈信息可通过信号采集器或数控系统的trace功能进行采集，通常所采集数据频率可达100赫兹以上，那么空间定位误差ΔP较好的保留机床空间运动轨迹的动态特性,为数据特征挖掘提供了有效支撑。
附图说明
图1是龙门AC摆头五轴数控机床示意图。
图2是龙门AC摆头五轴数控机床的拓扑结构示意图。
图3是S形试件的加工轮廓示意图。
图4是流程示意图。
附图标记：0、床身，1、X轴，2、y轴，3、z轴，4、c轴，5、A轴,6、刀具。
具体实施方式
实施例1
一种基于大数据数控机床精度指标数据特征的挖掘方法，其特征在于：包括以下步骤：
a、如图1所示，以一种龙门A-C摆角五轴数控机床为例，机床低序体编号，拓扑结构表达，对数控机床的序体进行编号,通过序体阵列方法对五轴数控机床进行编号，床身的编号为0、X轴的编号为1、Y轴的编号为2、Z轴的编号为3、C轴的标号为4、A轴的编号为5、刀具的编号为6，从机床床身开始分别向工件和刀具方向按照拓扑层次依次编号，数控机床的每一个运动单元具有唯一标识编号，根据低序体标号可将机床的拓扑结构表达为如图2所示的多体系统；
b、基于多体理论建立运动学模型，通过机床拓扑结构建立相邻运动单元之间的运动学传递矩阵
Figure GDA0003007749190000065
(i＝0,1,2,3,4,j＝1,2,3,4,5)，结合刀尖点的初始位置Pinitial＝[00–L 1](L为刀长)，计算得出机床在进给轴输入参数作用下机床刀尖的空间位置向量P；
Figure GDA0003007749190000061
其中，
Figure GDA0003007749190000062
Figure GDA0003007749190000063
和
Figure GDA0003007749190000064
分别为机床各进给轴的运动矩阵；x、y、z、A、C分别为机床各进给轴的运动输入参数；
c、检测机床“S”形试件轨迹的插补信息及进给轴光栅位置信息，运动输入信息测旋转，每天进行零件加工前10分钟，提前机床加工精度检测数据，如图3所示，选取“S”形试件的加工轨迹，作为数控机床加工精度检测的样本数据，在机床运行“S”形试件加工轨迹时，每个进给轴的插补指令读数和光栅尺的位置读数，作为加工精度的检测数据源，分别设定各进给轴插补指令读数为x_c,y_c,z_c,A_c和C_c，各个运动单元的位置读数为x_g,y_g,z_g,A_g和C_g；
d、基于检测数据获得机床“S”形轨迹下空间定位误差，“S”形试件运动轨迹下空间定位误差的计算,分别以各进给轴插补指令读数x_c,y_c,z_c,A_c和C_c和各个运动单元的光栅反馈位置读数x_g,y_g,z_g,A_g和C_g为输入，带入五轴数控机床的运动学模型，即公式(1)，得到在“S”形试件加工轨迹，机床刀尖点的插补指令下，ΔP＝Pg-Pc；
其中，Pc为插补指令空间定位，Pg为光栅尺反馈的刀尖点的空间定位，ΔP为刀尖点的实际空间定位Pg与插补指令空间定位Pc的向量差值，即为该数控机床在“S”形试件运动轨迹下空间定位误差；
e、“S”形试件轨迹空间定位误差五项关键数据特征计算，根据方程(1)空间定位误差ΔP的表达公式如下：
ΔP＝f((x_c)i,(y_c)i,(z_c)i,(A_c)i,(C_c)i,(x_g)i,(y_g)i,(z_g)i,(A_g)i,(C_g)i) (二)
其中，i＝1,2,3,…n为采样数据的序列点；
五项数据为空间定位误差的极差、空间定位误差的期望、空间定位误差的标准差、空间定位误差的变异系数、两日检测空间误差的数据，计算公式如下：
空间误差的极差计算：
|ΔP|JC＝max|ΔPi|-min|ΔPi| (3)
空间误差的期望计算：
|ΔP|QW＝1/n∑|ΔPi| (4)
空间误差的标准差计算：
Figure GDA0003007749190000071
空间误差的变异系数计算：
BY＝|ΔP|BZC/|ΔP|QW (6)
两日检测空间误差的相关性分析：
Figure GDA0003007749190000072
其中，|ΔP|QW_i是{i}检测序列对应的期望，|ΔP|QW_j是相邻的前一日{j}检测序列对应的期望；
由于每日检测的进行，积累了检测数据，五项数据特征便形成了以检测次数为递增的机床精度监测数据样本库:
S＝{|ΔP|JC(k),|ΔP|QW(k),|ΔP|BZC(k),BY(k),r(k)}，k＝1,2,3，…n (8)
其中，k为检测次数，随着k的不断增大到n，机床空间定位误差的数字特征库越来越大，为迭代分析和预测奠定了数据基础；
f、空间定位误差五项关键数据特征极差、期望、标准差的计算，通过统计学定位五项数据特征库的极差、期望及标准差公式如下：
(a)五项关键数据特征库的极差计算
SJC＝max{|ΔP|JC(k1),|ΔP|QW(k2),|ΔP|BZC(k3),BY(k4),r(k5)}-min{|ΔP|JC(k1),|ΔP|QW(k2),|ΔP|BZC(k3),BY(k4),r(k5)} (9)
其中，k1，k2，k3，k4，k5为相互独立的检测序列号；
(b)五项关键数据特征库的期望计算；
SQW＝1/M∑{|ΔP|JC(k),|ΔP|QW(k),|ΔP|BZC(k),BY(k),r(k)} (10)
其中，k为检测的序列数，M为检测的总次数；
(c)五项关键数据特征库的标准差的计算
Figure GDA0003007749190000081
其中，l＝1,2,3,4,5为五项指标数据特征的序列，M为每项数据特征检测的总次数；定义为Φ求取集合S中每一项标准差的算子，最终SBZC仍然是由五项数据特征序列的方差所构成的集合；
g、形成精度检测数据特征数据库，五项数据特征库的极差、期望及标准差的迭代与优化，通过步骤(5)不断的积累机床精度的五项数据特征，构建五项数据特征的极差、期望和标准差的数据库，同时追踪对应机床每日所加工零件的产品质量；通过产品真是的尺寸精度和表面质量数据，对五项数据特征的极差、期望和标准差的阈值进行迭代优化；
h、更新五项关键数据特征极差、期望、标准形成阈值，设定阈值，当五项数据特征的极差、期望及标准差超出设定阈值，及时停止机床，根据五项数据特征的情况进行停止加工精度补偿或定向维修，维保后监测返回步骤C；若五项数据特征的极差、期望及标准差虽未超出给定阈值但具有较大波动时，根据五项数据特征的情况对机床状态进行专项保养；
i、在维修或保养结束后，再次对机床在“S”形试件轨迹作用下数控机床加工精度的极差、期望、标准差、变异系数进行监测，及数控机床当日零件加工尺寸精度及表面质量数据检测与步骤f形成阈值进行对比更新，当数据特征满足阈值条件要求及状态稳定时，即进行下一轮加工生产。
步骤g中，所述迭代优化的方法：当前产品的尺寸精度和表面质量达到要求时，则逐一比对当日检测五项数据特征的极差、期望和标准差与数据库中五项数据特征的极差、期望和标准差，将数据空中数据特征阈值更新为本次的特征值A；
当前产品的尺寸精度和表面质量未达到要求时，则逐一比对当日检测五项数据特征的极差、期望和标准差与数据库中五项数据特征的极差、期望和标准差，保留与当日检测数据相比数据库中特征值B，并将特征值B设定为该项指标的阈值；
如此迭代进行不断更新数据内所有五项数据特征的阈值，直到建立与产品质量一致的机床精度监测数据特征阈值数组:SJC_Y,SQW_Y,SBZC_Y。
步骤C中，所述进给轴的插补指令读数和光栅尺的位置读数通过信号采集器或数控系统的trace功能进行采集，所采集数据频率可达100赫兹以上。
通过在每日进行第一次零件加工前让机床运行“S”形试件加工轨迹，采集数控机床各进给轴插补器输入信号和光栅尺的实际反馈信号作为原始信息积累，然后，以机床每日采集数据为输入，基于机床空间定位误差模型，建立数控机床每日的S形试件轨迹误差数据库，最终，通过大量数据样本的极差、期望、标准差、自相关性和变异系数五大数据特征的分析，实现机床精度的评估和预测,为产品加工质量控制、机床预防维修和精准保养提供了重要支撑，满足数控机床加工精度日常监测、预防性维修和精准保养的需求，因而，在当前高价值零件加工过程中存在较大产品质量风险，具备实时性强的加工精度监测方法，同时兼具历史数据分析性和加工质量预测能力，有效实现机床加工精度监测及精度指标数据特征挖掘。
通过机床空间定位误差的数字特征库的单次数据表征了单次检测中机床加工精度的情况，机床空间定位误差的数字特征库则蕴含了数控机床长期内加工精度的运行形势，对于加工精度预测和产品质量控制具有更为显著的意义。
通过机床进给轴的插补指令和光栅尺反馈信息可通过信号采集器或数控系统的trace功能进行采集，通常所采集数据频率可达100赫兹以上，那么空间定位误差ΔP较好的保留机床空间运动轨迹的动态特性,为数据特征挖掘提供了有效支撑。
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

Claims (3)

1.一种基于大数据数控机床精度指标数据特征的挖掘方法，其特征在于：包括以下步骤：
a、对 数控机床的序体进行编号,通过序体阵列方法对五轴数控机床进行编号，床身的编号为0、X轴的编号为1、Y轴的编号为2、Z轴的编号为3、C轴的标号为4、A轴的编号为5、刀具的编号为6；
b、建立运动学模型，通过机床拓扑结构建立相邻运动单元之间的运动学传递矩阵
Figure FDA0003007749180000015
其中i＝0,1,2,3,4，j＝1,2,3,4,5；结合刀尖点的初始位置Pinitial＝[0 0 –L 1]，L为刀长，计算得出机床在进给轴输入参数作用下机床刀尖的空间位置向量P；
Figure FDA0003007749180000011
其中，
Figure FDA0003007749180000012
Figure FDA0003007749180000013
和
Figure FDA0003007749180000014
分别为机床各进给轴的运动矩阵；x、y、z、A、C分别为机床各进给轴的运动输入参数；
c、运动输入信息测旋转，每天进行零件加工前10分钟，提前机床加工精度检测数据，选取“S”形试件的加工轨迹，作为数控机床加工精度检测的样本数据，在机床运行“S”形试件加工轨迹时，每个进给轴的插补指令读数和光栅尺的位置读数，作为加工精度的检测数据源，分别设定各进给轴插补指令读数为x_c,y_c,z_c,A_c和C_c，各个运动单元的位置读数为x_g,y_g,z_g,A_g和C_g；
d、“S”形试件运动轨迹下空间定位误差的计算,分别以各进给轴插补指令读数x_c,y_c,z_c,A_c和C_c和各个运动单元的光栅反馈位置读数x_g,y_g,z_g,A_g和C_g为输入，带入五轴数控机床的运动学模型，即公式(1)，得到在“S”形试件加工轨迹，机床刀尖点的插补指令下，ΔP＝Pg-Pc；
其中，Pc为插补指令空间定位，Pg为光栅尺反馈的刀尖点的空间定位，ΔP为刀尖点的实际空间定位Pg与插补指令空间定位Pc的向量差值，即为该数控机床在“S”形试件运动轨迹下空间定位误差；
e、“S”形试件轨迹空间定位误差五项数据特征计算，根据方程(1)空间定位误差ΔP的表达公式如下：
ΔP＝f((x_c)i,(y_c)i,(z_c)i,(A_c)i,(C_c)i,(x_g)i,(y_g)i,(z_g)i,(A_g)i,(C_g)i) (2)
其中，i＝1,2,3,…n为采样数据的序列点；
五项数据为空间定位误差的极差、空间定位误差的期望、空间定位误差的标准差、空间定位误差的变异系数、两日检测空间误差的数据，计算公式如下：
空间误差的极差计算：
|ΔP|JC＝max|ΔPi|-min|ΔPi| (3)
空间误差的期望计算：
|ΔP|QW＝1/n∑|ΔPi| (4)
空间误差的标准差计算：
Figure FDA0003007749180000021
空间误差的变异系数计算：
BY＝|ΔP|BZC/|ΔP|QW (6)
两日检测空间误差的相关性分析：
Figure FDA0003007749180000022
其中，|ΔP|QW_i是{i}检测序列对应的期望，|ΔP|QW_j是相邻的前一日{j}检测序列对应的期望；
由于每日检测的进行，积累了检测数据，五项数据特征便形成了以检测次数为递增的机床精度监测数据样本库:
S＝{|ΔP|JC(k),|ΔP|QW(k),|ΔP|BZC(k),BY(k),r(k)}，k＝1,2,3，…n (8)
其中，k为检测次数，随着k的不断增大到n，机床空间定位误差的数字特征库越来越大，为迭代分析和预测奠定了数据基础；
f、五项数据特征极差、期望、标准差的计算，通过统计学定位五项数据特征库的极差、期望及标准差公式如下：
(a)五项关键数据特征库的极差计算
SJC＝max{|ΔP|JC(k1),|ΔP|QW(k2),|ΔP|BZC(k3),BY(k4),r(k5)}-min{|ΔP|JC(k1),|ΔP|QW(k2),|ΔP|BZC(k3),BY(k4),r(k5)} (9)
其中，k1，k2，k3，k4，k5为相互独立的检测序列号；
(b)五项关键数据特征库的期望计算；
SQW＝1/M∑{|ΔP|JC(k),|ΔP|QW(k),|ΔP|BZC(k),BY(k),r(k)} (10)
其中，k为检测的序列数，M为检测的总次数；
(c)五项关键数据特征库的标准差的计算
Figure FDA0003007749180000031
其中，l＝1,2,3,4,5为五项指标数据特征的序列，M为每项数据特征检测的总次数；定义为Φ求取集合S中每一项标准差的算子，最终SBZC仍然是由五项数据特征序列的方差所构成的集合；
g、五项数据特征库的极差、期望及标准差的迭代与优化，通过步骤(5)不断的积累机床精度的五项数据特征，构建五项数据特征的极差、期望和标准差的数据库，同时追踪对应机床每日所加工零件的产品质量；通过产品真实的尺寸精度和表面质量数据，对五项数据特征的极差、期望和标准差的阈值进行迭代优化；
h、设定阈值，当五项数据特征的极差、期望及标准差超出设定阈值，及时停止机床，根据五项数据特征的情况进行加工精度补偿或定向维修，若五项数据特征的极差、期望及标准差虽未超出给定阈值但具有较大波动时，根据五项数据特征的情况对机床状态进行专项保养；
i、在维修或保养结束后，再次对机床在“S”形试件轨迹作用下数控机床加工精度的极差、期望、标准差、变异系数及当两日误差数据的相关性五项关键数据进行监测，当数据特征满足阈值条件要求及状态稳定时，即进行下一轮加工生产。
2.如权利要求1所述的一种基于大数据数控机床精度指标数据特征的挖掘方法，其特征在于：步骤g中，所述迭代优化的方法：当前产品的尺寸精度和表面质量达到要求时，则逐一比对当日检测五项数据特征的极差、期望和标准差与数据库中五项数据特征的极差、期望和标准差，将数据库中数据特征阈值更新为本次的特征值A；
当前产品的尺寸精度和表面质量未达到要求时，则逐一比对当日检测五项数据特征的极差、期望和标准差与数据库中五项数据特征的极差、期望和标准差，保留与当日检测数据相比数据库中特征值B，并将特征值B设定为该项指标的阈值；
如此迭代进行不断更新数据内所有五项数据特征的阈值，直到建立与产品质量一致的机床精度监测数据特征阈值数组:SJC_Y,SQW_Y,SBZC_Y。
3.如权利要求1所述的一种基于大数据数控机床精度指标数据特征的挖掘方法，其特征在于：步骤C中，所述进给轴的插补指令读数和光栅尺的位置读数通过信号采集器或数控系统的trace功能进行采集，所采集数据频率可达100赫兹以上。
CN202010333840.5A 2020-04-24 2020-04-24 一种基于大数据数控机床精度指标数据特征的挖掘方法 Active CN111580469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010333840.5A CN111580469B (zh) 2020-04-24 2020-04-24 一种基于大数据数控机床精度指标数据特征的挖掘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010333840.5A CN111580469B (zh) 2020-04-24 2020-04-24 一种基于大数据数控机床精度指标数据特征的挖掘方法

Publications (2)

Publication Number Publication Date
CN111580469A CN111580469A (zh) 2020-08-25
CN111580469B true CN111580469B (zh) 2021-07-02

Family

ID=72124501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010333840.5A Active CN111580469B (zh) 2020-04-24 2020-04-24 一种基于大数据数控机床精度指标数据特征的挖掘方法

Country Status (1)

Country Link
CN (1) CN111580469B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112025408B (zh) * 2020-10-19 2021-08-03 广州傲创智能科技有限公司 一种机床最大进给性能的检测方法
CN112558547B (zh) * 2021-02-19 2021-06-08 成都飞机工业（集团）有限责任公司 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
CN112613130B (zh) * 2021-03-05 2021-07-02 成都飞机工业（集团）有限责任公司 基于两个三坐标定位器的维型定位位姿仿真匹配方法
CN116700143B (zh) * 2023-08-08 2023-11-10 成都飞机工业（集团）有限责任公司 一种面向大部件群孔加工设备精度指标优化方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3171770B2 (ja) * 1995-06-01 2001-06-04 東芝機械株式会社 Ｎｃ工作機械の移動位置誤差補正方法および移動位置誤差補正確認方法
CN102699761B (zh) * 2012-06-27 2014-09-03 电子科技大学 基于“s”形检测试件的五轴数控机床的误差辨识方法
CN104156519A (zh) * 2014-07-30 2014-11-19 北京工业大学 一种面向加工精度可靠度提升的多轴数控机床几何精度设计方法
CN110287553B (zh) * 2019-06-10 2022-11-04 北京工业大学 一种基于拟蒙特卡洛模拟的加工误差模型全局灵敏度分析方法
CN110793794B (zh) * 2019-11-04 2021-01-26 电子科技大学 基于球杆仪的五轴机床复杂运动状态下动态精度检测方法

Also Published As

Publication number Publication date
CN111580469A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111580469B (zh) 一种基于大数据数控机床精度指标数据特征的挖掘方法
CN104965483B (zh) 一种基于稳健设计的多轴数控机床加工精度保持性优化方法
CN101797704B (zh) 数控滚齿机热变形误差补偿方法
CN103192292B (zh) 基于加工工件曲面形貌信息的数控机床误差辨识分离方法
CN108052747B (zh) 一种基于价值分析法的机床几何精度优化方法
Poniatowska Free-form surface machining error compensation applying 3D CAD machining pattern model
CN107748539B (zh) 基于rtcp误差特征识别的五轴机床多轴联动误差溯源方法
CN112433507B (zh) 基于lso-lssvm的五轴数控机床热误差综合建模方法
Zou et al. Sensitivity analysis using a variance-based method for a three-axis diamond turning machine
CN116184928A (zh) 一种考虑刀具磨损的机床空间几何误差模型建模方法
Chen et al. Machining error decomposition and compensation of complicated surfaces by EMD method
CN104166373A (zh) 数控机床加工误差在线检测方法及系统
CN115358026A (zh) 一种基于多元线性回归与曲面拟合的五孔探针数据处理方法
CN109202539B (zh) 一种复合材料弱刚度异形结构在线检测方法
CN102889988B (zh) 一种滚珠丝杠副精度预测方法
CN109839920A (zh) 一种五轴机床运动轴灵敏度分析方法
Boryczko Profile irregularities of turned surfaces as a result of machine tool interactions
EP3807731B1 (en) Workpiece surface quality issues detection
JERZY et al. Calibration of 5 axis CNC machine tool with 3D quickSET measurement system.
CN115408960A (zh) 一种参数化处理五孔探针数据的方法
Osei et al. Kinematics and geometric features of the s-cone test piece: identifying the performance of five-axis machine tools using a new test piece
CN111580463A (zh) 机床热关键点选取方法
Hofmann et al. Evaluation of relations and accumulations of geometrical deviations in multi-stage manufacturing based on skin model shapes
CN108776459A (zh) 一种提升五轴数控机床加工精度的工艺方法
US20170322547A1 (en) Processing Apparatus

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant