CN115328025B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115328025B CN115328025B CN202211169165.2A CN202211169165A CN115328025B CN 115328025 B CN115328025 B CN 115328025B CN 202211169165 A CN202211169165 A CN 202211169165A CN 115328025 B CN115328025 B CN 115328025B
- Authority
- CN
- China
- Prior art keywords
- error
- model
- machine tool
- compensation
- temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 title claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000003754 machining Methods 0.000 claims description 5
- 241000549194 Euonymus europaeus Species 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
- Automatic Control Of Machine Tools (AREA)
Abstract
本发明公开了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，根据常用的机床运动参数、工作温度设计正交试验，开展误差测试；基于每一组试验数据，分别建立多个热误差模型组成误差模型库；根据建模时的温度与补偿时的温度，构建模型适用度指标TTRI来准确评价模型的预测性能；机床加工时，利用误差模型进行误差补偿，实现对机床误差的补偿闭环；每隔固定时间，通过计算误差模型库中各个热误差模型的适用度指标来选择最适合当前状态下的误差模型，实现对误差补偿模型的调整闭环。本发明实现了在不同机床运动参数、不同环境温度下的模型自适应调整，保持误差补偿的长期有效。
Description
技术领域
本发明属于数控机床误差补偿领域，涉及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。
技术背景
数控机床运行过程中，受到切削热、摩擦热、电机散热等影响，机床关键部件温度上升，产生热变形，从而导致数控机床刀具与工件的相对位置发生改变，产生加工误差。建立数控机床热误差模型并实施误差补偿是减小数控机床热误差的有效方法。但是，受到运动参数、外部环境等影响，误差模型会发生失效，导致补偿效果变差。
发明内容
有鉴于此，本发明目的在于提供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，以提高误差模型的稳健性，保证补偿效果长期稳定。
为达到上述目的，本发明提供如下技术方案：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，包括以下内容：
1)误差模型库构建：根据常用的机床运动参数、工作温度设计正交试验，开展误差测试。基于每一组试验数据，分别建立多个热误差模型组成误差模型库。
2)模型适用度指标构建：根据建模时的温度与补偿时的温度，构建模型适用度指标TTRI来准确评价模型的预测性能。
3)双闭环误差补偿：机床加工时，利用误差模型进行误差补偿，实现对机床热误差的补偿闭环。每隔固定时间，通过计算误差模型库中各个热误差模型的适用度指标来选择最适合当前状态下的误差模型，实现对误差补偿模型的调整闭环。
进一步，所述误差模型库构建，具体内容为：根据常用的机床运动参数(主轴转速、进给率等)、工作温度等影响因素设计正交试验，开展误差测试。基于每一组试验数据，运用多元线性回归方法分别建立多个热误差模型。热误差模型的构建分为两个层次，一是影响因素层次，每一组试验即代表一系列影响因素；二是温度敏感点层次，基于每一组试验数据，首先计算温度数据与误差数据的相关系数，然后根据模糊聚类方法，将剩余的温度测点分为几类，并去除相关系数小于0.4的无关项，最后在每一类中选择一个温度测点，组成一系列的温度敏感点组合，根据这些温度敏感点组合，运用多元线性回归方法分别建立一系列的热误差模型。这些基于不同影响因素、不同温度敏感点的误差模型，共同组成误差模型库。
进一步，所述模型适用度指标构建，具体内容为：机床加工状态下很难直接测量当前的机床热误差，但是温度可以直接测量得到。因此，可以通过比较建模时的温度数据与补偿时的温度数据，构建模型适用度指标，来评价当前状态下误差模型库中哪一个热误差模型更精确。模型适用度指标构建如下：
式中，表示补偿时第i个温度敏感点的分布区间，表示建模时第i个温度敏感点的分布区间，TRIi表示第i个温度敏感点的温度区间指标，i＝1，2，…，n，n为温度敏感点数。所有温度敏感点的温度区间指标的乘积即为模型适用度指标TTRI，如下所示：
TTRI越小，模型的适用度越好。
进一步，所述双闭环误差补偿方法，具体内容为：机床加工时，实时测量机床的当前温度，利用误差模型，得到误差补偿值，并将其输入到数控系统特定的参数中，完成误差补偿，实现对机床热误差的补偿闭环。每隔固定时间，根据机床当前温度与建模时的温度，计算误差模型库中各个热误差模型的适用度指标，从中选择最适合当前状态下的热误差模型，即模型适用度指标TTRI最小的热误差模型，实现热误差模型的自适应调整，完成对热误差补偿模型的调整闭环。
与现有技术相比，本发明的有益效果在于：
(1)考虑多种误差影响因素，构建误差模型库，实现了不同机床运动参数、不同环境温度下的数控机床热误差精准预测。
(2)基于建模时的温度与补偿时的温度，提出模型适用度指标来实时评价加工状态下的数控机床热误差模型的适用度，实现对热误差模型性能的在线评价。
(3)提出机床热误差双闭环补偿方法，在传统的误差补偿外添加误差补偿模型调整闭环，结合误差模型库与模型适用度指标，实现了在不同机床运动参数、不同环境温度下的模型自适应调整，保持误差补偿的长期有效。
附图说明
图1为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流程图；
图2为模型适用度指标的构建过程示意图；
图3为模型适用度指标与模型预测均方根误差的对比验证图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细地描述，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。
如图1所示，本发明提供的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，包括以下内容：
1)误差模型库构建：根据常用的机床运动参数(主轴转速、进给率等)、工作温度等影响因素设计正交试验，开展误差测试。误差模型库构建过程如图2所示，误差模型库的构建分为两个层次，一是影响因素层，每一组试验即代表一系列影响因素，例如某组实验环境温度20摄氏度，主轴转速3000r/min即代表相近的热误差影响因素下的机床热误差测试结果；二是温度敏感点层，本例以某一组实验数据为例介绍，本例中有15个温度测点，首先，计算温度数据与误差数据的相关系数，并根据模糊聚类方法，将剩余的温度测点分为3类；其次，去除相关系数小于0.4的无关项，本例中去掉5个温度测点；然后，在每一类中选择一个温度测点，组成一系列的温度敏感点组合，本例中共计18种温度敏感点组合；最后，根据这些温度敏感点组合分别运用多元线性回归方法建立的热误差模型。这些基于不同影响因素、不同温度敏感点的误差模型，共同组成误差模型库。
2)模型适用度指标构建：机床加工状态下是很难直接测量当前的机床热误差，但是温度可以直接测量得到。因此，可以通过比较建模时的温度数据与补偿时的温度数据，构建模型适用度指标，来评价当前状态下误差模型库中哪一个热误差模型更精确。模型适用度指标构建如下：
式中，表示补偿时第i个温度敏感点的分布区间，表示建模时第i个温度敏感点的分布区间，TRIi表示第i个温度敏感点的温度区间指标，i＝1，2，…，n，n为温度敏感点数，本例中为n＝3。所有温度敏感点的温度区间指标的乘积即为模型适用度指标TTRI，如下所示：
TTRI越小，模型的适用度越好。模型适用度指标TTRI的验证效果如图3所示，可以看出模型适用度指标与模型预测均方根误差RMSE高度相关，因此模型适用度指标TTRI可以评价误差模型的性能优劣。
3)双闭环误差补偿：机床加工时，实时测量机床的当前温度，利用误差模型，得到误差补偿值，并将其输入到数控系统特定的参数中，完成误差补偿，实现对机床热误差的补偿闭环。每隔固定时间，根据机床当前的温度与建模时的温度，计算误差模型库中各个热误差模型的适用度指标，从中选择最适合当前状态下的热误差模型，即模型适用度指标TTRI最小的热误差模型，实现热误差模型的自适应调整，完成对热误差补偿模型的调整闭环。
Claims (2)
1.一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，其特征在于：包括以下内容：
1)误差模型库构建：根据常用的主轴转速、进给率、工作温度设计正交试验，开展误差测试；基于每一组试验数据，运用多元线性回归方法分别建立多个热误差模型；热误差模型的构建分为两个层次，一是影响因素层次，每一组试验即代表一系列影响因素；二是温度敏感点层次，基于每一组试验数据，首先计算温度数据与误差数据的相关系数，然后根据模糊聚类方法，将剩余的温度测点分为几类，并去除相关系数小于0.4的无关项，最后在每一类中选择一个温度测点，组成一系列的温度敏感点组合，根据这些温度敏感点组合，运用多元线性回归方法分别建立一系列的热误差模型；这些基于不同影响因素、不同温度敏感点的误差模型，共同组成误差模型库；
2)模型适用度指标构建：机床加工状态下很难直接测量当前的机床热误差，但是温度可以直接测量得到；因此，通过比较建模时的温度数据与补偿时的温度数据，构建模型适用度指标，来评价当前状态下误差模型库中哪一个热误差模型更精确；模型适用度指标构建如下：
式中，表示补偿时第i个温度敏感点的分布区间，表示建模时第i个温度敏感点的分布区间，TRIi表示第i个温度敏感点的温度区间指标，i＝1,2,…,n，n为温度敏感点数；所有温度敏感点的温度区间指标的乘积即为模型适用度指标TTRI，如下所示：
TTRI越小，模型的适用度越好；
3)双闭环误差补偿：机床加工时，利用误差模型进行误差补偿，实现对机床热误差的补偿闭环；每隔固定时间，通过计算误差模型库中各个热误差模型的适用度指标来选择最适合当前状态下的误差模型，实现对误差补偿模型的调整闭环。
2.根据权利要求1所述的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，其特征在于：所述双闭环误差补偿方法包括：机床加工时，实时测量机床的当前温度，利用误差模型，得到误差补偿值，并将其输入到数控系统特定的参数中，完成误差补偿，实现对机床热误差的补偿闭环；每隔固定时间，根据机床当前温度与建模时的温度，计算误差模型库中各个热误差模型的适用度指标，从中选择最适合当前状态下的热误差模型，即模型适用度指标TTRI最小的热误差模型，实现热误差模型的自适应调整，完成对热误差补偿模型的调整闭环。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211169165.2A CN115328025B (zh) | 2022-09-21 | 2022-09-21 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211169165.2A CN115328025B (zh) | 2022-09-21 | 2022-09-21 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115328025A CN115328025A (zh) | 2022-11-11 |
| CN115328025B true CN115328025B (zh) | 2024-07-09 |
Family
ID=83914593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211169165.2A Active CN115328025B (zh) | 2022-09-21 | 2022-09-21 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115328025B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201021959A (en) * | 2008-12-11 | 2010-06-16 | Ind Tech Res Inst | A thermal error compensation method for machine tools |
| US8770901B2 (en) * | 2011-05-18 | 2014-07-08 | Buffalo Machinery Company Limited | Spindle control system for a milling machine |
| CN113767341A (zh) * | 2019-04-05 | 2021-12-07 | 德克尔马霍塞巴赫公司 | 用于对数控机床上的热导致的位置变化进行补偿的方法和装置 |
| CN110262393B (zh) * | 2019-07-03 | 2020-08-18 | 西安交通大学 | 带滞后数据处理的灰色理论分段式加权热误差建模方法 |
| CN112307579B (zh) * | 2020-10-22 | 2022-07-08 | 重庆大学 | 基于温度综合信息的热误差温度敏感点选择方法及系统 |
| CN114895627B (zh) * | 2022-05-31 | 2024-06-21 | 安徽工业大学 | 一种分区域机床热误差补偿方法 |
-
2022
- 2022-09-21 CN CN202211169165.2A patent/CN115328025B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 数控蜗杆砂轮磨齿机准静态误差测量、建模与补偿技术研究;徐凯;《万方数据知识服务平台》;20231101;第106-109页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115328025A (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105759719B (zh) | 一种基于无偏估计拆分模型的数控机床热误差预测方法及系统 | |
| CN114237155B (zh) | 一种多轴数控加工的误差预测及补偿方法、系统及介质 | |
| TW201820064A (zh) | 預測模型建立方法及其相關預測方法與電腦程式產品 | |
| CN110543140B (zh) | 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 | |
| CN103926874A (zh) | 数控机床热误差补偿建模温度测点组合的选择优化方法 | |
| 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 | |
| CN109901512A (zh) | 一种基于加工参数标准化的车削工时定额方法 | |
| Quintana et al. | Prediction, monitoring and control of surface roughness in high-torque milling machine operations | |
| Zhengcai et al. | Bottleneck prediction method based on improved adaptive network-based fuzzy inference system (ANFIS) in semiconductor manufacturing system | |
| Liu et al. | Thermal error modeling of gear hobbing machine based on IGWO-GRNN | |
| CN114918581B (zh) | 焊接参数处理方法、装置、存储介质及处理器 | |
| Wu et al. | Integrated optimization method for helical gear hobbing parameters considering machining efficiency, cost and precision | |
| CN115328025B (zh) | 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 | |
| Xie et al. | A generic evolutionary ensemble learning framework for surface roughness prediction in manufacturing | |
| CN111948977B (zh) | 一种用于不锈钢加工的多目标优化方法和系统 | |
| Kothamasu et al. | Comparison of computational intelligence and statistical methods in condition monitoring for hard turning | |
| Jiang et al. | Application of an optimized grey system model on 5-Axis CNC machine tool thermal error modeling | |
| Chen et al. | Research on Calculating Method of Repairable Spare Parts and Non-repairable Spare Parts | |
| Liao et al. | Obtaining more appropriate temperature sensor locations for thermal error modeling: reduction, classification, and selection | |
| Del Prete et al. | Optimization of cutting conditions using an evolutive online procedure | |
| Li et al. | Investigation of variable pitch tool design for chatter suppression in milling of Ti-6Al-4 V: a comparison of simulation and experimental results | |
| Logothetis | The theory of ‘Pre-Control’: a serious method or a colourful naivity? | |
| CN114896771B (zh) | 一种考虑热迟滞的数控机床主轴热误差分段建模方法 | |
| Pian et al. | Improved bee colony algorithm and its application in optimization of thermal expansion coefficient | |
| Zhang et al. | Part contour error prediction based on LSTM neural network |
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 |