CN112307579A - 基于温度综合信息的热误差温度敏感点选择方法及系统 - Google Patents
基于温度综合信息的热误差温度敏感点选择方法及系统 Download PDFInfo
- Publication number
- CN112307579A CN112307579A CN202011139178.6A CN202011139178A CN112307579A CN 112307579 A CN112307579 A CN 112307579A CN 202011139178 A CN202011139178 A CN 202011139178A CN 112307579 A CN112307579 A CN 112307579A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- thermal error
- thermal
- points
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automatic Control Of Machine Tools (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于温度综合信息的热误差温度敏感点选择方法及系统,在机床运行过程中,同步采集温度数据与热误差数据;利用温度数据与热误差数据,构建温度综合信息矩阵;利用多个聚类有效性指标,确定最佳聚类数;利用温度综合信息矩阵与最佳聚类数进行模糊聚类,将温度测点分组;计算温度与热误差的相关系数,选出每组中相关性最大的温度测点作为待选温度测点;待选温度测点中,去除相关系数在‑0.4到0.4的温度测点,剩余的待选温度测点为温度敏感点。本发明避免了不同的热误差下的温度敏感点数量相同的问题,温度曲线形状相似但是温度数值相差较大的温度测点被分为两组的现象减少,选出的温度敏感点数量更少,用于建模时,模型具有良好的性能。
Description
技术领域
本发明属于数控机床精度控制技术领域,涉及一种基于温度综合信息的热误差温度敏感点选择方法及系统。
背景技术
随着精密加工的快速发展,精度指标在评价机床性能中占据越来越重要的地位。据统计,热误差占机床总误差的70%。误差补偿法由于其成本低廉,效果显著,是消除热误差的有效方法。误差补偿法是通过建立热误差模型,对热误差进行预测,设置一个与热误差相反的偏置来抵消误差。温度敏感点的选择是热误差建模的关键,温度敏感点选择旨在降低模型复杂程度,减小温度测点间的多重共线性,提高模型的精度与鲁棒性。
现有的温度敏感点选择方法主要以温度数据间的距离作为指标,对温度数据进行聚类,将温度测点分为几类,再利用相关分析从每组中选出相关性最高的温度测点作为温度敏感点。现有的温度敏感点选择方法在聚类时只依赖于温度数据间的距离,忽略了温度曲线形状相似程度以及温度与热误差之间的关系。这导致出现以下问题:温度测点中,温度曲线形状相似但是温度数值相差较大的温度测点被分为两组,但是这些测点仍具有较高的共线性,被分为两组是不合理的;主轴具有五项热误差,五项热误差的成因是不同的,其温度敏感点数量应不同,但利用现有的方法得到的五项误差的温度敏感点数量是相同的。
发明内容
有鉴于此,本发明的目的在于提供一种基于温度综合信息的热误差温度敏感点选择方法,该方法选出的温度敏感点提高了热误差模型的准确性。
为达到上述目的,本发明提供如下技术方案:
本发明提供的基于温度综合信息的热误差温度敏感点选择方法,包括以下步骤:
1)数据采集:采集待测对象的温度数据与热误差数据;
2)构建温度综合信息矩阵:利用温度数据与热误差数据,构建温度综合信息矩阵;
3)确定最佳聚类数:将不同误差下的温度综合信息矩阵代入多个聚类有效指标中,得到不同聚类有效指标下的最佳聚类数,最后通过投票确定最佳聚类数;
4)模糊聚类:利用温度综合信息矩阵与最佳聚类数进行模糊聚类,将温度测点分组,得到不同热误差的温度测点分组;
5)相关分析:计算温度与热误差的相关系数,选出每组相关性最大的温度测点作为待选温度测点;
6)筛选温度敏感点:从待选温度测点中按照预设阈值筛选得到温度敏感点。
进一步,所述温度数据与热误差数据为数控机床主轴的温度数据与热误差数据;所述数据采集是在机床运行过程中,同步采集温度数据与热误差数据,所述热误差数据的获得基于ISO230-3中的五点法,温度数据利用分布于机床各处的温度传感器获得,机床工况参照ISO230-3中的变转速工况或恒转速工况。
进一步,所述构建的温度综合信息矩阵是利用温度数据与热误差数据来构建主轴五项热误差的温度综合信息矩阵。
进一步,所述步骤6)中筛选温度敏感点是在待选温度测点中,去除相关系数在[-0.4,0.4]的弱相关温度测点,剩余的待选温度测点即为温度敏感点。
进一步,所述构建温度综合信息矩阵,按照以下步骤构建:
对温度数据与热误差数据进行标准化处理,使其统一量纲,对于标准化前的数据记为原始温度数据和原始误差数据,标准化后的数据记为标准温度数据和标准误差数据;
对标准温度数据和标准误差数据进行分段,对于变转速工况,按照主轴转速分段,对于恒转速工况,按照等时间间隔分段;
对每一段标准温度的变化值与标准误差的变化值进行无常数项的一元回归预拟合,其绝对倾斜角Sij可描述温度曲线的形状信息,Sij计算公式如下:
式中,Sij表示第i个温度测点,第j段的预拟合曲线绝对倾斜角,tik表示第i个温度测点第k个标准温度数据,表示第i个温度测点第nj个标准温度数据,nj为温度曲线的第j个分段点,nj+1为温度曲线的第j+1个分段点,ek为第k个标准热误差数据,为第nj个标准误差数据,i=1,2,…,m,j=1,2,…,n,m为温度测点数,n为分段数;
将绝对倾斜角Sij映射到[-1,1]内,按照以下公式计算标准倾斜角sij:
标准倾斜角sij组合得到温度形状信息矩阵Mshape:
其中,smn表示第m个温度测点,第n段的预拟合曲线标准倾斜角
对原始温度数据进行分段后,以每一段原始温度的均值Vij代表该段温度的数值信息,Vij计算公式如下:
式中,Vij表示第i个温度测点,第j段的原始温度的均值,Tik表示第i个温度测点第k个原始温度数据;
将所有温度测点的同一段的均值进行标准化,将其映射到[0,1]内,得到标准温度的均值vij,其计算公式如下:
式中,V·j为所有温度数据的第j段的均值组成的向量;
标准温度的均值vij组合得到温度数值信息矩阵Mvalue:
其中,vmn第m个温度测点,第n段温度的标准温度的均值;
利用权重系数q将温度形状信息矩阵Mshape与温度数值信息矩阵Mvalue组合,得到温度综合信息矩阵Msyn:
Msyn=qMvalue+(1-q)Mshape
其中,q表示;取值范围为[0,1];
进一步,所述步骤3)中的确定最佳聚类数按照以下步骤进行:
聚类数从小到大依次计算多项聚类有效指标,并进行比较,得到单个聚类有效指标下的最佳聚类数,记为待选最佳聚类数,然后多个待选最佳聚类数进行投票,得到最终的最佳聚类数。
本发明提供的基于温度综合信息的热误差温度敏感点选择系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
1)数据采集:采集待测对象的温度数据与热误差数据;
2)构建温度综合信息矩阵:利用温度数据与热误差数据,构建温度综合信息矩阵;
3)确定最佳聚类数:将不同误差下的温度综合信息矩阵代入多个聚类有效指标中,得到不同聚类有效指标下的最佳聚类数,最后通过投票确定最佳聚类数;
4)模糊聚类:利用温度综合信息矩阵与最佳聚类数进行模糊聚类,将温度测点分组,得到不同热误差的温度测点分组;
5)相关分析:计算温度与热误差的相关系数,选出每组相关性最大的温度测点作为待选温度测点;
6)筛选温度敏感点:从待选温度测点中按照预设阈值筛选得到温度敏感点。
进一步,所述温度数据与热误差数据为数控机床主轴的温度数据与热误差数据;所述数据采集是在机床运行过程中,同步采集温度数据与热误差数据,所述热误差数据的获得基于ISO230-3中的五点法,温度数据利用分布于机床各处的温度传感器获得,机床工况参照ISO230-3中的变转速工况或恒转速工况。
进一步,所述构建的温度综合信息矩阵是利用温度数据与热误差数据来构建主轴五项热误差的温度综合信息矩阵。
进一步,所述步骤6)中筛选的温度敏感点是在待选温度测点中,去除相关系数在[-0.4,0.4]的弱相关温度测点,剩余的待选温度测点即为温度敏感点。
与现有技术相比,本发明的有益效果在于:
(1)利用温度综合信息选择温度敏感点避免了不同的热误差下的温度敏感点数量相同的问题,温度曲线形状相似但是温度数值相差较大的温度测点被分为两类的现象出现的概率减少;
(2)运用多个聚类有效性指标判断最佳聚类数,避免了只用单个指标时的误判,计算过程简单,不需要反复迭代;
(3)运用温度综合信息选择的温度敏感点的数量相比现有的方法更少,运用温度综合信息选择的温度敏感点得到的热误差模型性能优于现有方法得到的模型。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为基于温度综合信息的数控机床主轴热误差温度敏感点选择方法流程图。
图2为五点法测量热误差示意图。
图3为五项热误差生成原理图。
图4位ISO230-3中推荐的变转速图谱。
图5为温度传感器T1-T3,T9-T11,T21,T22的温度变化量曲线图。
图6为温度传感器T4-T6,T12-T14,T16-T20的温度变化量曲线图。
图7为温度传感器T7,T8,T15,T23,T24的温度变化量曲线图。
图8为主轴五项热误差曲线。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例1
如图1所示,本实施例提供的基于温度综合信息的数控机床主轴热误差温度敏感点选择方法,包括以下步骤:
1)数据采集:机床运行过程中,同步采集温度数据与热误差数据。热误差数据参照ISO230-3中五点法获得,五项热误差分别为X方向热漂移误差δx,X方向热偏转误差εx,Y方向热漂移误差δy,Y方向热偏转误差εy,Z方向热伸长误差δz。温度数据利用利用分布在数控机床各部位的温度传感器采集。主轴转速参照ISO230-3中的变转速图谱或恒转速。
2)构建温度综合信息矩阵:利用温度数据与热误差数据,构建五项热误差的温度综合信息矩阵。
对温度数据与热误差数据进行标准化处理,使其统一量纲,标准化前的数据记为原始温度数据和原始误差数据,标准化后的数据记为标准温度数据和标准误差数据。对标准温度数据和标准误差数据进行分段,对于变转速,按照主轴转速分段,对于恒转速,按照等时间间隔分段。分段后,每一段温度与误差的关系可近似看作线性的,每一段标准温度的变化值与标准误差的变化值的无常数项一元线性回归方程的斜率或倾斜角可以描述温度曲线的形状信息,所有标准化后的倾斜角构成的矩阵即为温度形状信息矩阵。
对原始温度数据进行分段,同样地,对于变转速工况根据转速变化进行分组,对于恒转速工况根据时间间隔进行分段,每一段原始温度数据的均值可描述温度数值信息,所有标准化后的温度均值构成的矩阵即为温度数值信息矩阵。
为了将温度形状信息矩阵和温度数值信息矩阵相结合,对两者进行标准化处理,使二者量纲统一,并用权重系数将两者结合为温度综合信息矩阵。
3)利用多个聚类有效性指标,判断最佳聚类数。
聚类有效性指标是用于评价聚类结果的指标,其原理是根据组内差异与组间差异来评价聚类结果。组内差异越小,组间差距越大,聚类结果则越好。通过比较不同聚类数下的聚类有效性指标可以确定最佳聚类数。为避免单个聚类有效性指标可能出现误判,本发明采用多个聚类有效性指标,通过投票的形式来共同确定最佳聚类数。聚类数从小到大依次计算多项聚类有效指标,并进行比较,得到单个指标下的最佳聚类数,记为待选最佳聚类数。多个待选最佳聚类数进行投票,得到最终的最佳聚类数。
4)模糊聚类:利用温度综合信息矩阵与最佳聚类数进行模糊聚类,将温度测点分组,得到不同热误差的温度测点分组。
5)相关分析:计算温度与热误差的相关系数,选出每组相关性最大的温度测点作为待选温度测点。
6)筛选温度敏感点:相关系数在[-0.4,0.4]为弱相关,相关性弱的温度测点会降低模型的精度与鲁棒性,因此去除相关系数在[-0.4,0.4]的待选温度测点,剩余的待选温度测点即为温度敏感点。
实施例2
本实施例提供的基于温度综合信息的数控机床主轴热误差温度敏感点选择方法避免了不同的热误差下的温度敏感点数量相同的问题,温度曲线形状相似但是温度数值相差较大的温度测点被分为两组的现象减少,选出的温度敏感点数量更少,用于建模时,模型具有良好的性能,本实施例提供的方法,包括以下步骤:
如图2所示,图2为五点法测量热误差示意图,其中D1-D5为位移传感器,用于测量热误差,X-,Y-,Z+为机床坐标系。
如图3所示,图3为五项热误差生成原理图,其中,线段E0F0为初始状态下的主轴检验棒位置,线段E1F1位主轴热变形后主轴检验棒的位置,D1-D5为位移传感器,δx为X方向热漂移误差,εx为X方向热偏转误差,δy为Y方向热漂移误差,εy为Y方向热偏转误差,δz为Z方向热伸长误差,X-,Y-,Z+为机床坐标系。
1)数据采集
机床运行过程中,同步采集温度数据与热误差数据。热误差测量基于ISO230-3中的五点法,对主轴五项热误差进行测量。主轴五项热误差分别为X方向热漂移误差δx,X方向热偏转误差εx,Y方向热漂移误差δy,Y方向热偏转误差εy,Z方向热伸长误差δz。
如图4、图5、图6、图7所示,本例中,采用24路温度传感器,分布在数控机床的轴承、电机、主轴箱等部位。具体的,温度传感器T1-T3测量主轴前轴承温度,温度传感器T4-T6测量主轴后轴承温度,温度传感器T7测量主轴箱上表面温度,温度传感器T8测量主轴箱下表面温度,温度传感器T9测量主轴箱前表面温度,温度传感器T10测量主轴箱左表面温度,温度传感器T11测量主轴箱右表面温度,温度传感器T12-T14测量主轴后轴承温度,温度传感器T15与T23测量主轴电机温度,温度传感器T16测量误差测量设备温度,温度传感器T17测量机床工作台温度,温度传感器T18与T19测量机床内部环境温度,温度传感器T20测量机床外部环境温度,温度传感器T21与T22测量主轴箱外壳温度,温度传感器T24测量Z轴电机温度。机床主轴转速参照ISO230-3中的变转速图谱。
2)构建温度综合信息矩阵
对温度数据与热误差数据进行标准化处理,使其统一量纲,对于标准化前的数据记为原始温度数据和原始误差数据,标准化后的数据记为标准温度数据和标准误差数据。
本例中,根据转速变化对标准温度数据和标准误差数据进行分段,共18段。温度曲线分段后,每一段温度与误差的关系可近似看作线性的,对每一段标准温度数据的变化值与标准误差数据的变化值进行无常数项的一元回归预拟合,其绝对倾斜角Sij就可描述各温度曲线的形状信息,Sij表达式如下:
式中,Sij表示第i个温度测点,第j段的预拟合曲线绝对倾斜角,tik表示第i个温度测点第k个标准温度数据,表示第i个温度测点第nj个标准温度数据,nj为温度曲线的第j个分段点,nj+1为温度曲线的第j+1个分段点,ek为第k个标准热误差数据,为第nj个标准误差数据。i=1,2,…,m,j=1,2,…,n,m为温度测点数,本例中为m=24,n为分段数,本例中为n=18。
绝对倾斜角Sij的范围为[-90,90],将其映射到[-1,1]内,得到标准倾斜角sij,其计算公式为:
标准倾斜角sij组合得到温度形状信息矩阵Mshape:
其中,smn表示第m个温度测点,第n段的预拟合曲线标准倾斜角。
对于温度数值信息,对原始温度数据进行分段后,以每一段原始温度的均值Vij代表该段数值信息,Vij计算公式如下:
式中Vij表示第i个温度测点,第j段的原始温度的均值,Tik表示第i个温度测点第k个原始温度数据。
将所有温度测点的同一段的均值进行标准化,将其映射到[0,1]内,得到标准温度的均值vij,其计算公式如下:
式中,V·j为所有温度数据的第j段的均值组成的向量。
标准温度的均值vij组合得到温度数值矩阵Mvalue:
其中,vmn第m个温度测点,第n段温度的标准温度的均值。
利用权重系数q将温度形状信息矩阵Mshape与温度数值信息矩阵Mvalue组合,得到温度综合信息矩阵Msyn:
Msyn=qMvalue+(1-q)Mshape
其中q取值范围为[0,1]。
3)确定最佳聚类数
利用多个聚类有效性指标,判断最佳聚类数。聚类有效性指标是用于评价聚类效果的指数,其原理是根据组内差异与组间差异来评价聚类结果。组内差异越小,组间差距越大,聚类结果越好。通过比较不同聚类数下聚类有效性指标可以确定最佳聚类数,但是单个聚类有效性指标可能出现误判。
因此,本发明采用多个聚类有效性指标来共同确定最佳聚类数。本例中,采用的聚类有效性指标为FS(-),XB(-),VK(-),PC(+),VSC(+),其中FS(-),XB(-),VK(-)为负指标,即其值越小聚类效果越好,PC(+),VSC(+)为正指标,即其值越大聚类效果越好。本例中,依次计算聚类数为3到8的五项聚类有效指标,并进行比较,得到单个指标下的最佳聚类数,记为待选最佳聚类数,然后五个待选最佳聚类数进行投票,得到最终的最佳聚类数如表1所示,五项聚类有效性指标的公式如下:
式中,FS(-)、XB(-)、VK(-)、PC(+)、VSC(+)表示聚类有效性指标;xj为第j个样本,即为温度综合信息矩阵中的第j个行向量,vi为第i个聚类中心,为平均聚类中心,d表示欧氏距离,m为模糊参数,μij为模糊矩阵中第i行第j列的元素,c为聚类数,n为样本数。
如图8所示,δx为X方向热漂移误差,εx为X方向热偏转误差,δy为Y方向热漂移误差,εy为Y方向热偏转误差,δz为Z方向热伸长误差。
表1最佳聚类数
主轴五项热误差的最佳聚类数是不同的,δx的最佳聚类数为3,εx的最佳聚类数为4,δy的最佳聚类数为3,εy的最佳聚类数为4,δz的最佳聚类数为5。而现有的方法中,只依赖温度数据间的距离,对于不同的热误差,其聚类的样本是相同的,不同的热误差的最佳聚类数均为7。
4)利用温度综合信息矩阵与最佳聚类数进行模糊聚类,将温度测点分组。利用不同的热误差下的温度综合信息矩阵和最佳聚类数进行模糊聚类,聚类结果如表2。
表2聚类结果
现有的方法中,只依赖各温度测点的原始温度数据间的距离,因此在不同的误差中,现有方法的聚类结果是相同的。此外,本例中,主轴电机温度T15和T23的温度曲线形状极为相似,但两者数值相差较大。在现有的方法中被分为两组,而T15与T23之间仍存在着很高的共线性,被分为两类是不合理的。在本发明中,运用温度综合信息聚类,T15与T23被分到一组内。即使聚类数相同,T15与T23在温度综合信息得到的结果中被分到一组的概率远高于现有的方法。
5)相关分析
计算温度与热误差的相关系数,选出每组相关性最大的温度测点作为待选温度测点,相关系数计算公式如下:
式中,Ri为第i个温度测点与热误差的相关系数,Tik为第i个温度测点第k个原始温度数据,为第i个温度测点的原始温度数据的均值,Ek为第k个原始误差数据,为原始误差数据的均值,i=1,2,…,24,k=1,2,…,N,N为样本数量,本例中为N=480。
6)筛选温度敏感点
去除相关系数在[-0.4,0.4]的待选温度测点,剩余的待选温度测点即为温度敏感点。根据统计学经验,相关系数在[-0.4,0.4]为弱相关,有研究指出,相关性弱的温度测点的引入会降低模型的精度与鲁棒性,因此对于相关系数在[-0.4,0.4]的温度测点应该去除。本例中,X方向热漂移δx的温度测点中,电机温度T15相关性较低,应该去除;同理Y方向热偏转εy中,环境温度相关性较低T20,被去除。剩余的温度测点即为温度敏感点,如表3所示。
表3温度敏感点
利用温度综合信息选择温度敏感点避免了不同的热误差下的温度敏感点数量相同的问题,温度曲线形状相似但是温度数值相差较大的温度测点被分为两类的现象出现的概率减少;计算过程简单,不需要反复迭代;温度敏感点数量相比现有的方法更少,得到的模型性能更好。
实施例3
本实施例提供的基于温度综合信息的热误差温度敏感点选择系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
1)数据采集:采集待测对象的温度数据与热误差数据;
2)构建温度综合信息矩阵:利用温度数据与热误差数据,构建温度综合信息矩阵;
3)确定最佳聚类数:将不同误差下的温度综合信息矩阵代入多个聚类有效指标中,得到不同聚类有效指标下的最佳聚类数,最后通过投票确定最佳聚类数;
4)模糊聚类:利用温度综合信息矩阵与最佳聚类数进行模糊聚类,将温度测点分组,得到不同热误差的温度测点分组;
5)相关分析:计算温度与热误差的相关系数,选出每组相关性最大的温度测点作为待选温度测点;
6)筛选温度敏感点:从待选温度测点中按照预设阈值筛选得到温度敏感点。
所述温度数据与热误差数据为数控机床主轴的温度数据与热误差数据;所述数据采集是在机床运行过程中,同步采集温度数据与热误差数据,所述热误差数据的获得基于ISO230-3中的五点法,温度数据利用分布于机床各处的温度传感器获得,机床工况参照ISO230-3中的变转速工况或恒转速工况。
所述构建的温度综合信息矩阵是利用温度数据与热误差数据来构建主轴五项热误差的温度综合信息矩阵。
所述步骤6)中筛选的温度敏感点是在待选温度测点中,去除相关系数在[-0.4,0.4]的弱相关温度测点,剩余的待选温度测点即为温度敏感点。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.基于温度综合信息的热误差温度敏感点选择方法,其特征在于:包括以下步骤:
1)数据采集:采集待测对象的温度数据与热误差数据;
2)构建温度综合信息矩阵:利用温度数据与热误差数据,构建温度综合信息矩阵;
3)确定最佳聚类数:将不同误差下的温度综合信息矩阵代入多个聚类有效指标中,得到不同聚类有效指标下的最佳聚类数,最后通过投票确定最佳聚类数;
4)模糊聚类:利用温度综合信息矩阵与最佳聚类数进行模糊聚类,将温度测点分组,得到不同热误差的温度测点分组;
5)相关分析:计算温度与热误差的相关系数,选出每组相关性最大的温度测点作为待选温度测点;
6)筛选温度敏感点:从待选温度测点中按照预设阈值筛选得到温度敏感点。
2.如权利要求1所述的基于温度综合信息的热误差温度敏感点选择方法,其特征在于:所述温度数据与热误差数据为数控机床主轴的温度数据与热误差数据;所述数据采集是在机床运行过程中,同步采集温度数据与热误差数据,所述热误差数据的获得基于ISO230-3中的五点法,温度数据利用分布于机床各处的温度传感器获得,机床工况参照ISO230-3中的变转速工况或恒转速工况。
3.如权利要求2所述的基于温度综合信息的热误差温度敏感点选择方法,其特征在于:所述构建的温度综合信息矩阵是利用温度数据与热误差数据来构建主轴五项热误差的温度综合信息矩阵。
4.如权利要求1所述的基于温度综合信息的热误差温度敏感点选择方法,其特征在于:所述步骤6)中筛选温度敏感点是在待选温度测点中,去除相关系数为-0.4到0.4的弱相关温度测点,剩余的待选温度测点即为温度敏感点。
5.如权利要求1所述的基于温度综合信息的热误差温度敏感点选择方法,其特征在于:所述构建温度综合信息矩阵,按照以下步骤构建:
对温度数据与热误差数据进行标准化处理,使其统一量纲,对于标准化前的数据记为原始温度数据和原始误差数据,标准化后的数据记为标准温度数据和标准误差数据;
对标准温度数据和标准误差数据进行分段,对于变转速工况,按照主轴转速分段,对于恒转速工况,按照等时间间隔分段;
对每一段标准温度的变化值与标准误差的变化值进行无常数项的一元回归预拟合,其绝对倾斜角Sij可描述温度曲线的形状信息,Sij计算公式如下:
式中,Sij表示第i个温度测点,第j段的预拟合曲线绝对倾斜角,tik表示第i个温度测点第k个标准温度数据,表示第i个温度测点第nj个标准温度数据,nj为温度曲线的第j个分段点,nj+1为温度曲线的第j+1个分段点,ek为第k个标准热误差数据,为第nj个标准误差数据,i=1,2,…,m,j=1,2,…,n,m为温度测点数,n为分段数;
将绝对倾斜角Sij映射到[-1,1]内,按照以下公式计算标准倾斜角sij:
标准倾斜角sij组合得到温度形状信息矩阵Mshape:
其中,smn表示第m个温度测点,第n段的预拟合曲线标准倾斜角;
对原始温度数据进行分段后,以每一段原始温度的均值Vij代表该段温度的数值信息,Vij计算公式如下:
式中,Vij表示第i个温度测点,第j段的原始温度的均值,Tik表示第i个温度测点第k个原始温度数据;
将所有温度测点的同一段的原始温度的均值进行标准化,映射到[0,1]内,得到对应的标准温度的均值vij,其计算公式如下:
式中,V·j为所有温度数据的第j段的均值组成的向量;
标准温度的均值vij组合得到温度数值信息矩阵Mvalue:
其中,vmn第m个温度测点,第n段温度的标准温度的均值;
利用权重系数q将温度形状信息矩阵Mshape与温度数值信息矩阵Mvalue组合,得到温度综合信息矩阵Msyn:
Msyn=qMvalue+(1-q)Mshape
其中,q表示权重系数,取值范围为[0,1]。
6.根据权利要求1所述的基于温度综合信息的热误差温度敏感点选择方法,其特征在于:所述步骤3)中的确定最佳聚类数按照以下步骤进行:
聚类数从小到大依次计算多项聚类有效指标,并进行比较,得到单个聚类有效指标下的最佳聚类数,记为待选最佳聚类数,然后多个待选最佳聚类数进行投票,得到最终的最佳聚类数。
7.基于温度综合信息的热误差温度敏感点选择系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
1)数据采集:采集待测对象的温度数据与热误差数据;
2)构建温度综合信息矩阵:利用温度数据与热误差数据,构建温度综合信息矩阵;
3)确定最佳聚类数:将不同误差下的温度综合信息矩阵代入多个聚类有效指标中,得到不同聚类有效指标下的最佳聚类数,最后通过投票确定最佳聚类数;
4)模糊聚类:利用温度综合信息矩阵与最佳聚类数进行模糊聚类,将温度测点分组,得到不同热误差的温度测点分组;
5)相关分析:计算温度与热误差的相关系数,选出每组相关性最大的温度测点作为待选温度测点;
6)筛选温度敏感点:从待选温度测点中按照预设阈值筛选得到温度敏感点。
8.如权利要求7所述的基于温度综合信息的热误差温度敏感点选择系统,其特征在于:所述温度数据与热误差数据为数控机床主轴的温度数据与热误差数据;所述数据采集是在机床运行过程中,同步采集温度数据与热误差数据,所述热误差数据的获得基于ISO230-3中的五点法,温度数据利用分布于机床各处的温度传感器获得,机床工况参照ISO230-3中的变转速工况或恒转速工况。
9.如权利要求8所述的基于温度综合信息的热误差温度敏感点选择系统,其特征在于:所述构建的温度综合信息矩阵是利用温度数据与热误差数据来构建主轴五项热误差的温度综合信息矩阵。
10.如权利要求7所述的基于温度综合信息的热误差温度敏感点选择系统,其特征在于:所述步骤6)中筛选温度敏感点是在待选温度测点中,去除相关系数为-0.4到0.4的弱相关温度测点,剩余的待选温度测点即为温度敏感点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139178.6A CN112307579B (zh) | 2020-10-22 | 2020-10-22 | 基于温度综合信息的热误差温度敏感点选择方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139178.6A CN112307579B (zh) | 2020-10-22 | 2020-10-22 | 基于温度综合信息的热误差温度敏感点选择方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307579A true CN112307579A (zh) | 2021-02-02 |
CN112307579B CN112307579B (zh) | 2022-07-08 |
Family
ID=74326992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011139178.6A Active CN112307579B (zh) | 2020-10-22 | 2020-10-22 | 基于温度综合信息的热误差温度敏感点选择方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307579B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156822A (zh) * | 2021-04-22 | 2021-07-23 | 重庆大学 | 基于Mist-边缘-雾-云计算的热误差预测系统及热误差补偿系统 |
CN114237322A (zh) * | 2021-12-21 | 2022-03-25 | 杭州千岛湖啤酒有限公司 | 一种扎啤桶外壁热传感监测剔除系统及方法 |
CN115328025A (zh) * | 2022-09-21 | 2022-11-11 | 重庆大学 | 一种基于模型适用度评价指标的机床热误差双闭环建模与补偿方法 |
CN117251959A (zh) * | 2023-11-20 | 2023-12-19 | 山东豪迈数控机床有限公司 | 一种机床主轴热伸长的预测方法、装置、电子设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415369A (zh) * | 2018-05-28 | 2018-08-17 | 河北工业大学 | 一种数控机床主轴热误差智能感知系统和感知方法 |
CN109765846A (zh) * | 2019-03-11 | 2019-05-17 | 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 |
CN110543140A (zh) * | 2019-07-26 | 2019-12-06 | 四川大学 | 基于时间特性的数控机床主轴系统热关键点选取建模方法 |
CN111414977A (zh) * | 2020-03-09 | 2020-07-14 | 西南交通大学 | 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 |
CN111459094A (zh) * | 2020-03-09 | 2020-07-28 | 西南交通大学 | 机床主轴热误差建模中温度敏感点组合的分区域选取方法 |
-
2020
- 2020-10-22 CN CN202011139178.6A patent/CN112307579B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415369A (zh) * | 2018-05-28 | 2018-08-17 | 河北工业大学 | 一种数控机床主轴热误差智能感知系统和感知方法 |
CN109765846A (zh) * | 2019-03-11 | 2019-05-17 | 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 |
CN110543140A (zh) * | 2019-07-26 | 2019-12-06 | 四川大学 | 基于时间特性的数控机床主轴系统热关键点选取建模方法 |
CN111414977A (zh) * | 2020-03-09 | 2020-07-14 | 西南交通大学 | 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 |
CN111459094A (zh) * | 2020-03-09 | 2020-07-28 | 西南交通大学 | 机床主轴热误差建模中温度敏感点组合的分区域选取方法 |
Non-Patent Citations (4)
Title |
---|
YUNSHENG LIU等: "Robust machine tool thermal error compensation modelling based on temperature-sensitive interval segmentation modelling technology", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
刘献礼等: "双转台五轴数控机床主轴热误差测量与建模", 《哈尔滨理工大学学报》 * |
李刚: "五轴数控研抛机床误差综合建模及补偿技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
韩靖: "复杂工况数控车床主轴系统热态性能监测及实验研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156822A (zh) * | 2021-04-22 | 2021-07-23 | 重庆大学 | 基于Mist-边缘-雾-云计算的热误差预测系统及热误差补偿系统 |
CN114237322A (zh) * | 2021-12-21 | 2022-03-25 | 杭州千岛湖啤酒有限公司 | 一种扎啤桶外壁热传感监测剔除系统及方法 |
CN115328025A (zh) * | 2022-09-21 | 2022-11-11 | 重庆大学 | 一种基于模型适用度评价指标的机床热误差双闭环建模与补偿方法 |
CN117251959A (zh) * | 2023-11-20 | 2023-12-19 | 山东豪迈数控机床有限公司 | 一种机床主轴热伸长的预测方法、装置、电子设备及介质 |
CN117251959B (zh) * | 2023-11-20 | 2024-01-26 | 山东豪迈数控机床有限公司 | 一种机床主轴热伸长的预测方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112307579B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112307579B (zh) | 基于温度综合信息的热误差温度敏感点选择方法及系统 | |
CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与系统 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN110716500B (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
CN111414977A (zh) | 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 | |
CN108581633B (zh) | 一种基于遗传算法优化多传感监测刀具状态的方法 | |
CN111459094B (zh) | 机床主轴热误差建模中温度敏感点组合的分区域选取方法 | |
CN112650146B (zh) | 一种数控机床多工况下故障诊断优化方法、系统及设备 | |
CN106198020A (zh) | 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法 | |
CN110245395B (zh) | 具有空间相关性的圆柱形状误差的监控方法、系统及介质 | |
CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN111580463A (zh) | 机床热关键点选取方法 | |
CN108393744A (zh) | 一种刀具状态多传感监测方法 | |
CN114677369A (zh) | 一种基于人工智能的汽车轮胎生产质量监测分析系统 | |
CN113858566B (zh) | 一种基于机器学习的注塑机能耗预测方法及系统 | |
CN109709895B (zh) | 一种基于图像阈值设置的机床主轴热误差建模训练方法 | |
CN117313020B (zh) | 一种承载式张力传感器数据处理方法 | |
CN117870993A (zh) | 基于多传感器的转轮除湿机回风泄漏检测方法及系统 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
CN116401570B (zh) | 一种印刷质量监测大数据智能处理系统 | |
CN115526276A (zh) | 一种具有鲁棒性的风洞天平校准载荷预测方法 | |
CN116540632A (zh) | 一种基于cnn-gru组合神经网络机床进给系统热误差预测方法 | |
CN115246081B (zh) | 一种快速和可靠的铣削颤振检测方法 | |
CN114800036B (zh) | 一种设备健康状态评估方法 | |
CN102262188B (zh) | 工件抽样检验的方法 |
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 |