CN115470842A - 机床热误差预测方法、装置、设备及存储介质 - Google Patents
机床热误差预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115470842A CN115470842A CN202211021508.0A CN202211021508A CN115470842A CN 115470842 A CN115470842 A CN 115470842A CN 202211021508 A CN202211021508 A CN 202211021508A CN 115470842 A CN115470842 A CN 115470842A
- Authority
- CN
- China
- Prior art keywords
- working condition
- data
- machine tool
- target
- thermal error
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种机床热误差预测方法、装置、设备及存储介质,该方法包括:获取数控机床当前工况数据,并基于前工况数据获取目标工况表达向量;通过预设分类模型获取目标工况表达向量对应的目标工况类别;根据目标工况类别中包含的目标工况表达向量的索引值在预设索引列表中获取对应的目标数据全向量;根据目标工况类别获取目标数据全向量对应的预设热误差预测模型;基于目标数据全向量和预设热误差预测模型获取数控机床当前时刻的热误差值。由于本发明通过数控机床当前工况数据获取工况表达向量,再基于工况表达向量对应的数据全向量和热误差预测模型获取数控机床的热误差值,从而实现了根据数控机床的实际加工状态预测热误差值。
Description
技术领域
本发明涉及数控机床技术领域,尤其涉及一种机床热误差预测方法、装置、设备及存储介质。
背景技术
热误差是影响立式数控加工中心精密制造的主要因素,对机床主轴在加工过程进行研究后发现,因热变形产生的热误差占机床加工总误差的40%至70%,而且越精密的机床其热误差占据的比例越大,因此,机床热误差补偿技术仍是当下研究的重点和难点。
现有的技术中,为减小数控机床的热误差,可以根据热误差补偿法计算数控机床在工作过程中的热误差值,再使用数控系统软件的补偿功能实现误差修正,但由于现有的热误差补偿法是热形变与温度的单因素函数关系,采集的温度数据过于单一,不足以全面地反映机床加工实际情形,不能很好的预测热误差值。因此,如何根据数控机床的实际加工状态预测热误差值,成为一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种机床热误差预测方法、装置、设备及存储介质,旨在解决现有技术中不能根据数控机床的实际加工状态预测热误差值的技术问题。
为实现上述目的,本发明提供了一种机床热误差预测方法,所述方法包括以下步骤:
获取数控机床当前工况数据,并基于所述前工况数据获取目标工况表达向量;
通过预设分类模型获取所述目标工况表达向量对应的目标工况类别;
根据所述目标工况表达向量的索引值在预设索引列表中获取对应的目标数据全向量;
根据所述目标工况类别获取所述目标数据全向量对应的预设热误差预测模型;
基于所述目标数据全向量和所述预设热误差预测模型获取所述数控机床当前时刻的热误差值。
可选地,所述获取数控机床当前工况数据,并基于所述前工况数据获取目标工况表达向量的步骤之前,还包括:
获取数控机床的历史工况数据,并基于所述历史工况数据建立数据全向量集合;
根据所述数据全向量集合获取对应的工况表达向量集合;
按预设特征维度对所述工况表达向量集合进行数据聚类,并根据数据聚类结果确定所述数控机床的目标工况数据;
基于所述工况表达向量集合和所述目标工况数据建立预设分类模型。
可选地,所述按预设特征维度对所述工况表达向量集合进行数据聚类,并根据数据聚类结果确定所述数控机床的目标工况数据的步骤,包括:
按预设特征维度对所述工况表达向量集合中若干个工况表达向量进行遍历采样;
通过K-medoids算法获得每次采样的采样质心,确定所述若干个工况表达向量中剩余工况表达向量与所述采样质心的距离;
对所述距离的大小进行比较,获取目标最小距离;
获取所述目标最小距离对应的最佳工况表达向量,并将所述最佳工况表达向量分配至所述采样质心表征的工况类别;
在遍历采样结束时,获得所有的工况类别;
根据各工况类别,各工况类别中工况表达向量对应的索引值以及工况类别的类别数量确定所述数控机床的目标工况数据。
可选地,所述基于所述工况表达向量集合和所述目标工况数据建立预设分类模型的步骤之前,还包括:
获取所述目标工况数据中的各工况类别和各工况类别中工况表达向量对应的索引值;
基于所述索引值和所述工况表达向量对应的数据全向量建立预设索引列表。
可选地,所述获取数控机床的历史工况数据,并基于所述历史工况数据建立数据全向量集合的步骤,包括:
获取数控机床的历史工况数据,并获取所述历史工况数据的数据箱线图;
根据所述数据箱线图获取离群点,并对所述离群点的数量进行统计;
在所述离群点的数量大于预设值时,通过预设处理方式对所述离群点对应的历史工况数据进行平滑处理;
基于处理后的历史工况数据建立数据全向量集合。
可选地,所述基于所述索引值和所述工况表达向量对应的数据全向量建立预设索引列表的步骤之后,还包括:
根据所述数控机床主轴的初始长度值和所述数据全向量中包含的主轴热伸长值获取所述数控机床当前的热误差值;
基于所述数据全向量和所述数控机床当前的热误差值建立预设热误差预测模型。
可选地,所述通过预设分类模型获取所述目标工况表达向量对应的目标工况类别的步骤之后,还包括:
将所述目标工况表达向量加入至所述工况表达向量集合中,并对加入所述目标工况表达向量的分类模型的模型精确度进行判断;
在所述模型精确度大于预设精度时,对所述预设分类模型进行更新。
此外,为实现上述目的,本发明还提出一种机床热误差预测装置,所述装置包括:
工况数据获取模块,用于获取数控机床当前工况数据,并基于所述前工况数据获取目标工况表达向量;
工况类别确定模块,用于通过预设分类模型获取所述目标工况表达向量对应的目标工况类别;
全向量获取模块,用于根据所述目标工况表达向量的索引值在预设索引列表中获取对应的目标数据全向量;
预测模型获取模块,用于根据所述目标工况类别获取所述目标数据全向量对应的预设热误差预测模型;
热误差值预测模块,用于基于所述目标数据全向量和所述预设热误差预测模型获取所述数控机床当前时刻的热误差值。
此外,为实现上述目的,本发明还提出一种机床热误差预测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机床热误差预测程序,所述机床热误差预测程序配置为实现如上文所述的机床热误差预测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有机床热误差预测程序,所述机床热误差预测程序被处理器执行时实现如上文所述的机床热误差预测方法的步骤。
在本发明中,公开了获取数控机床当前工况数据,并基于前工况数据获取目标工况表达向量;通过预设分类模型获取目标工况表达向量对应的目标工况类别;根据目标工况类别中包含的目标工况表达向量的索引值在预设索引列表中获取对应的目标数据全向量;根据目标工况类别获取目标数据全向量对应的预设热误差预测模型;基于目标数据全向量和预设热误差预测模型获取数控机床当前时刻的热误差值;相较于现有技术通过热形变与温度的单因素函数关系对数控机床的热误差值进行预测,由于本发明通过数控机床当前工况数据获取工况表达向量,再根据分类模型获取工况表达向量对应的类别,然后在索引列表中获取工况表达向量对应的数据全向量,最后基于数据全向量和对应的热误差预测模型预测数控机床当前时刻的热误差值,从而解决了现有技术中不能根据数控机床的实际加工状态预测热误差值的技术问题,进而提高了数控机床的加工精度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的机床热误差预测设备的结构示意图;
图2为本发明机床热误差预测方法第一实施例的流程示意图;
图3位本发明机床热误差预测方法第一实施例中预设分类模型示意图;
图4为本发明机床热误差预测方法第二实施例的流程示意图;
图5为本发明机床热误差预测方法第二实施例中采样的流程示意图;
图6为本发明机床热误差预测方法第三实施例的流程示意图;
图7为本发明机床热误差预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的机床热误差预测设备结构示意图。
如图1所示,该机床热误差预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对机床热误差预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及机床热误差预测程序。
在图1所示的机床热误差预测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明机床热误差预测设备中的处理器1001、存储器1005可以设置在机床热误差预测设备中,所述机床热误差预测设备通过处理器1001调用存储器1005中存储的机床热误差预测程序,并执行本发明实施例提供的机床热误差预测方法。
本发明实施例提供了一种机床热误差预测方法,参照图2,图2为本发明机床热误差预测方法第一实施例的流程示意图。
本实施例中,所述机床热误差预测方法包括以下步骤:
步骤S10:获取数控机床当前工况数据,并基于所述前工况数据获取目标工况表达向量。
需要说明的是,本实施例的方法的执行主体可以为预测数控机床热误差的机床热误差预测设备,或者是其他能够实现相同或相似功能的、包含了该机床热误差预测设备的机床热误差预测系统。此处以机床热误差预测系统(以下简称系统)对本实施例和下述各实施例提供的机床热误差预测方法进行具体说明。
应当理解的是,上述当前工况数据可以为数控机床在当前时刻的工作状态数据,例如:主轴转速主轴功率p,主轴电流e,多维温度数据和主轴当前时刻的热伸长值l等。实际应用中,可以在数控机床中布设数据采集平台,并用相同的采集零点和采集频率采集数控机床的工作状态数据,从而保证数据采集的准确性和实时性。
步骤S20:通过预设分类模型获取所述目标工况表达向量对应的目标工况类别。
需要说明的是,上述预设分类模型可以为对新采集的数据进行分类的模型,其中,上述预设分类模型的输入可以为工况表达向量,输出可以为工况表达向量对应的类别标签。实际应用中,可以通过分类模型对数据机床当前时刻的工作状态数据对应的工况表达向量进行分类。
应当理解的是,上述目标工况类别可以为目标工况表达向量所属的类别,其中,可以将工况类别输入至预设分类模型中,从而分类模型输出目标分类模型对应的目标工况类别标签,例如:将目标工况表达向量输入至预设分类模型中,可以对应输出类别标签(0,N)。
在具体实现中,将目标工况类别输入至预设分类模型后,分类模型可以计算目标工况表达向量到各类别质心点的欧氏距离,再将计算的欧氏距离由大到小进行排序,并判定与目标工况表达向量距离最小的质心点的距离为目标工况表达向量所属的类别,从而输出目标工况表达向量对应的类别标签。例如:若目标工况表达向量为质心点为则目标工况表达向量与质心点的欧氏距离为
步骤S30:根据所述目标工况表达向量的索引值在预设索引列表中获取对应的目标数据全向量。
需要说明的是,上述索引值可以为根据不同时刻采集的数控机床的工作状态数据设置的值,通过索引值可以快速查找当前时刻采集的数控机床的状态数据,例如:若1为采集数据的起始时刻,则当前时刻采集的数据对应的索引值就为1,索引值为1这一行的数据就可以分别为起始时刻采集的温度数据、主轴电流和主轴功率数据等。
应当理解的是,上述预设索引列表可以为基于采集的数控机床的工作状态数据建立的表格,其中,表格的第一列可以为索引值,若采集了n组数据,则索引列表中会对应有n行,每一行的第一个数据可以为采集的时刻值,即索引值,第二个数据可以为温度数据,第三个数据可以为主轴电流数据等。实际应用中,可以根据索引值查找索引列表中索引值所在行的工作状态数据,从而提高了工作效率。
可以理解的是,上述目标数据全向量可以为由主轴转速、主轴功率,主轴电流,多维温度数据和主轴当前时刻的热伸长值组成的向量,例如:任意时刻i的数据全向量可以为 为在时刻i测量的主轴转速,p为在时刻i测量的主轴功率,e为在时刻i测量的主轴电流,t为温度,n为温度数据个数,l为在时刻i测量的主轴热伸长实测值。
步骤S40:根据所述目标工况类别获取所述目标数据全向量对应的预设热误差预测模型。
需要说明的是,上述预设热误差预测模型可以为预先建立的对数控机床当前时刻的热误差进行预测的模型。
步骤S50:基于所述目标数据全向量和所述预设热误差预测模型获取所述数控机床当前时刻的热误差值。
应当理解的是,在预测数控机床当前时刻的热误差值时,需要从目标数据全向量中获取对应的特征数据,再将提取出的特征数据输入至预设热误差模型中,使预设热误差预测模型基于提取出的特征数据输出数控机床当前时刻的热误差值。例如:若目标数据全向量为则可以从目标数据全向量中提取出特征数据
在具体实现中,数控机床的数据采集平台可以对数控机床当前的工作状态数据进行采集,系统根据采集的当前的工作状态数据获取对应的工况表达向量,并将获取的工况表达向量输入至预设分类模型进行分类,获得工况表达向量对应的工况类别,同时,如图3所示,可以根据工况表达向量的索引值获取对应的数据全向量,最后,将数据全向量中的特征数据输入至数据全向量对应的热误差预测模型中,获得数控机床当前时刻的热误差值。
进一步地,为了建立预设分类模型,本实施例上述步骤S10之前,所述方法还包括:获取数控机床的历史工况数据,并基于所述历史工况数据建立数据全向量集合;根据所述数据全向量集合获取对应的工况表达向量集合;按预设特征维度对所述工况表达向量集合进行数据聚类,并根据数据聚类结果确定所述数控机床的目标工况数据;基于所述工况表达向量集合和所述目标工况数据建立预设分类模型。
需要说明的是,上述历史工况数据可以为通过数控机床的数据采集平台采集的不同时刻的工作状态数据,为了减小数据的误差,需要采集大量的工作状态数据。
应当理解的是,上述目标工况数据可以为工况类别的类别数量、各工况类别集合,各索引值集合,实际应用中,可以对历史工况数据进行聚类处理,从而根据聚类结果确定上述历史工况数据中包含的类别数量、具体的工况类别和索引值集合。
可以理解的是,在对当前时刻数控机床的热误差值进行预测时,获取到当前时刻的目标工况表达向量后,可以将目标工况表达向量加入至上述工况表达向量集合中,并对加入所述目标工况表达向量的分类模型的模型精确度进行判断;在所述模型精确度大于预设精度时,对所述预设分类模型进行更新,从而可以提高预设分类模型的精度,使对新采集的数据进行分类时更加准确。
进一步地,为了提高数据处理的效率,在进行数据聚类前,需要对采集的数据进行降噪和归一化处理,本实施例上述方法还包括:获取数控机床的历史工况数据,并获取所述历史工况数据的数据箱线图;根据所述数据箱线图获取离群点,并对所述离群点的数量进行统计;在所述离群点的数量大于预设值时,通过预设处理方式对所述离群点对应的历史工况数据进行平滑处理;基于处理后的历史工况数据建立数据全向量集合。
可以理解的是,在数据处理时,可以统计离群点的数据,若离群点的数量小于10时,可以直接删除该离群点,若离群点的数量大于10时,可以通过采集的历史工况数据中的中位数、均值或临近点的均值对该离群点进行平滑处理。
本实施例公开了获取数控机床当前工况数据,并基于前工况数据获取目标工况表达向量;通过预设分类模型获取目标工况表达向量对应的目标工况类别;根据目标工况类别中包含的目标工况表达向量的索引值在预设索引列表中获取对应的目标数据全向量;根据目标工况类别获取目标数据全向量对应的预设热误差预测模型;基于目标数据全向量和预设热误差预测模型获取数控机床当前时刻的热误差值;相较于现有技术通过热形变与温度的单因素函数关系对数控机床的热误差值进行预测,由于本实施例通过数控机床当前工况数据获取工况表达向量,再根据分类模型获取工况表达向量对应的类别,然后在索引列表中获取工况表达向量对应的数据全向量,最后基于数据全向量和对应的热误差预测模型预测数控机床当前时刻的热误差值,从而解决了现有技术中不能根据数控机床的实际加工状态预测热误差值的技术问题,进而提高了数控机床的加工精度。同时,在进行数据聚类前对采集的历史工况数据进行预处理,可以提高后续数据处理的效率并减小数据处理的误差。
参考图4,图4为本发明机床热误差预测方法第二实施例的流程示意图。
基于上述第一实施例,为了通过对历史工况数据进行聚类,获得工况数据,本实施例中,上述步骤S20包括:
步骤S01:按预设特征维度对所述工况表达向量集合中若干个工况表达向量进行遍历采样。
应当理解的是,上述遍历采样可以为对当前采样样本中的样本数据中每一个数据均做一次访问,从而完成对样本数据的遍历,当所有样本数据均完成采样后,不再对样本中的数据进行重复采样。
步骤S02:通过K-medoids算法获得每次采样的采样质心,确定所述若干个工况表达向量中剩余工况表达向量与所述采样质心的距离。
应当理解的是,通过K-medoids算法选取采样质心可以为在每次采样时从采样样本中随机选取质心。
可以理解的是,上述剩余工况表达向量可以为每次进行采样后剩余的未进行采样的工况表达向量。
需要说明的是,上述距离可以为单个特征向量到采样样本质心的距离,实际应用中,可以通过欧氏距离计算公式计算上述距离。例如:若当前的特征向量为采样质心为则可以通过欧氏距离计算公式对上述距离进行计算:计算获得距离di。
步骤S03:对所述距离的大小进行比较,获取目标最小距离。
应当理解的是,上述目标最小距离可以为单个特征向量到多个采样质心的距离中的最小值,实际应用中,可以先通过欧氏公式计算出特征向量到num个样本质心的距离,再对距离值进行排序,从而获得最小距离。
步骤S04:获取所述目标最小距离对应的最佳工况表达向量,并将所述最佳工况表达向量分配至所述采样质心表征的工况类别。
可以理解的是,上述最佳工况表达向量可以为与采样质心距离最近的特征向量,距离越小表示特征向量与采样质心的距离越近,此时可以将上述最佳工况表达向量分配至与其距离最近的采样质心代表的类别中,从而实现对工况表达向量的分类。
步骤S05:在遍历采样结束时,获得所有的工况类别。
应当理解的是,遍历采样可以对样本中所有的工况表达向量进行采样,从而实现对样本中所有工况表达向量进行分类,在遍历采样结束时,可以获得该样本中所有工况表达向量的类别,即可获得所有的工况类别。实际应用中,在完成一次随机采样后,重复多次采样,直至获得的类别总数不再发生变化,此时可以统计类别的总数。
步骤S06:根据各工况类别,各工况类别中工况表达向量对应的索引值以及工况类别的类别数量确定所述数控机床的目标工况数据。
可以理解的是,通过聚类算法对样本中的所有数据进行聚类后,可以获得所有的工况类别和各工况类别中工况表达向量对应的索引值,同时,还可以根据所有的工况类别相应获得工况类别的数量。
在具体实现中,如图5所示,可以根据不同时刻采集的数据机床的工作状态数据建立若干个数据全向量,并从数据全向量中获取对应的工况表达向量例如:和等,将所有的工况表达向量作为一个样本进行遍历采样,通过K-medoids算法获得每次采样的采样质心,再通过欧氏距离计算公式计算工况表达向量与采样质心的距离,将计算获得的所有距离值进行排序,获得最小距离值,将与采样质心距离最小的工况表达特征分配到采样质心对应的类别中,通过遍历采样实现对样本中所有工况表达向量的分类,从而根据获得的工况类别、索引值和类别数量确定数控机床的目标工况数据。
进一步地,为了建立预设索引列表,本实施例上述方法还包括:获取所述目标工况数据中的各工况类别和各工况类别中工况表达向量对应的索引值;基于所述索引值和所述工况表达向量对应的数据全向量建立预设索引列表。
本实施例通过预设特征维度对工况表达向量集合中的工况表达向量进行遍历采样,并通过对工况表达向量与采样质心的距离进行比较,获得目标最小距离,再将最小距离对应的工况表达向量加入至采样质心表征的类别中,从而对样本中所有工况表达向量进行分类,获得目标工况数据。由于可以根据目标工况数据中的工况类别获取对应的热误差预测模型,简化了数据的处理过程,使建立的热误差预测模型切实地应用于实际加工。
参考图6,图6为本发明机床热误差预测方法第三实施例的流程示意图。
基于上述各实施例,为了建立预设热误差预测模型,本实施例中,上述步骤S10之前,所述方法还包括:
步骤S401:根据所述数控机床主轴的初始长度值和所述数据全向量中包含的主轴热伸长值获取所述数控机床当前的热误差值。
需要说明的是,上述初始长度值可以为数控机床在停机状态下测量的主轴的长度值。
应当理解的是,上述主轴热伸长值可以为数控机床以数据全向量中对应的电流、功率和转速等数据进行工作时,测量的主轴的长度。
在具体实现中,可以获取任意时刻对应的数据全向量中的主轴热伸长值li,此时可以根据主轴初始时刻的长度值l0获得主轴在任意时刻的热误差值err,其中,err=|l1-li|。
步骤S402:基于所述数据全向量和所述数控机床当前的热误差值建立预设热误差预测模型。
可以理解的是,上述预设热误差预测模型的输入至为数据全向量中的特征数据,输出为任意时刻的热误差值,例如,若获取的数据全向量为则可以通过li和主轴初始长度获得主轴在任意时刻的热误差值err,此时将特征数据作为预设热误差预测模型的输入,将热误差值err作为预设热误差预测模型的输出,建立热误差预测模型。
本实施例根据数控机床主轴的初始长度和主轴热伸长值获取数控机床当前的热误差值,再基于数据全向量和热误差值建立预设热误差预测模型,从而在后续的使用中可以直接将采集的数控机床当前时刻的特征数据输入至对应的热误差预测模型,获得当前时刻的热误差值,从而根据热误差值对数控机床进行热误差补偿,有效地提高加工精度。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有机床热误差预测程序,所述机床热误差预测程序被处理器执行时实现如上文所述的机床热误差预测方法的步骤。
参照图7,图7为本发明机床热误差预测装置第一实施例的结构框图。
如图7所示,本发明实施例提出的机床热误差预测装置包括:
工况数据获取模块701,用于获取数控机床当前工况数据,并基于所述前工况数据获取目标工况表达向量;
工况类别确定模块702,用于通过预设分类模型获取所述目标工况表达向量对应的目标工况类别;
全向量获取模块703,用于根据所述目标工况表达向量的索引值在预设索引列表中获取对应的目标数据全向量;
预测模型获取模块704,用于根据所述目标工况类别获取所述目标数据全向量对应的预设热误差预测模型;
热误差值预测模块705,用于基于所述目标数据全向量和所述预设热误差预测模型获取所述数控机床当前时刻的热误差值。
本实施例的机床热误差预测装置公开了获取数控机床当前工况数据,并基于前工况数据获取目标工况表达向量;通过预设分类模型获取目标工况表达向量对应的目标工况类别;根据目标工况类别中包含的目标工况表达向量的索引值在预设索引列表中获取对应的目标数据全向量;根据目标工况类别获取目标数据全向量对应的预设热误差预测模型;基于目标数据全向量和预设热误差预测模型获取数控机床当前时刻的热误差值;相较于现有技术通过热形变与温度的单因素函数关系对数控机床的热误差值进行预测,由于本实施例通过数控机床当前工况数据获取工况表达向量,再根据分类模型获取工况表达向量对应的类别,然后在索引列表中获取工况表达向量对应的数据全向量,最后基于数据全向量和对应的热误差预测模型预测数控机床当前时刻的热误差值,从而解决了现有技术中不能根据数控机床的实际加工状态预测热误差值的技术问题,进而提高了数控机床的加工精度。
本发明机床热误差预测装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种机床热误差预测方法,其特征在于,所述机床热误差预测方法包括:
获取数控机床当前工况数据,并基于所述前工况数据获取目标工况表达向量;
通过预设分类模型获取所述目标工况表达向量对应的目标工况类别;
根据所述目标工况表达向量的索引值在预设索引列表中获取对应的目标数据全向量;
根据所述目标工况类别获取所述目标数据全向量对应的预设热误差预测模型;
基于所述目标数据全向量和所述预设热误差预测模型获取所述数控机床当前时刻的热误差值。
2.如权利要求1所述的机床热误差预测方法,其特征在于,所述获取数控机床当前工况数据,并基于所述前工况数据获取目标工况表达向量的步骤之前,还包括:
获取数控机床的历史工况数据,并基于所述历史工况数据建立数据全向量集合;
根据所述数据全向量集合获取对应的工况表达向量集合;
按预设特征维度对所述工况表达向量集合进行数据聚类,并根据数据聚类结果确定所述数控机床的目标工况数据;
基于所述工况表达向量集合和所述目标工况数据建立预设分类模型。
3.如权利要求2所述的机床热误差预测方法,其特征在于,所述按预设特征维度对所述工况表达向量集合进行数据聚类,并根据数据聚类结果确定所述数控机床的目标工况数据的步骤,包括:
按预设特征维度对所述工况表达向量集合中若干个工况表达向量进行遍历采样;
通过K-medoids算法获得每次采样的采样质心,确定所述若干个工况表达向量中剩余工况表达向量与所述采样质心的距离;
对所述距离的大小进行比较,获取目标最小距离;
获取所述目标最小距离对应的最佳工况表达向量,并将所述最佳工况表达向量分配至所述采样质心表征的工况类别;
在遍历采样结束时,获得所有的工况类别;
根据各工况类别,各工况类别中工况表达向量对应的索引值以及工况类别的类别数量确定所述数控机床的目标工况数据。
4.如权利要求3所述的机床热误差预测方法,其特征在于,所述基于所述工况表达向量集合和所述目标工况数据建立预设分类模型的步骤之前,还包括:
获取所述目标工况数据中的各工况类别和各工况类别中工况表达向量对应的索引值;
基于所述索引值和所述工况表达向量对应的数据全向量建立预设索引列表。
5.如权利要求2所述的机床热误差预测方法,其特征在于,所述获取数控机床的历史工况数据,并基于所述历史工况数据建立数据全向量集合的步骤,包括:
获取数控机床的历史工况数据,并获取所述历史工况数据的数据箱线图;
根据所述数据箱线图获取离群点,并对所述离群点的数量进行统计;
在所述离群点的数量大于预设值时,通过预设处理方式对所述离群点对应的历史工况数据进行平滑处理;
基于处理后的历史工况数据建立数据全向量集合。
6.如权利要求4所述的机床热误差预测方法,其特征在于,所述基于所述索引值和所述工况表达向量对应的数据全向量建立预设索引列表的步骤之后,还包括:
根据所述数控机床主轴的初始长度值和所述数据全向量中包含的主轴热伸长值获取所述数控机床当前的热误差值;
基于所述数据全向量和所述数控机床当前的热误差值建立预设热误差预测模型。
7.如权利要求2所述的机床热误差预测方法,其特征在于,所述通过预设分类模型获取所述目标工况表达向量对应的目标工况类别的步骤之后,还包括:
将所述目标工况表达向量加入至所述工况表达向量集合中,并对加入所述目标工况表达向量的分类模型的模型精确度进行判断;
在所述模型精确度大于预设精度时,对所述预设分类模型进行更新。
8.一种机床热误差预测装置,其特征在于,所述装置包括:
工况数据获取模块,用于获取数控机床当前工况数据,并基于所述前工况数据获取目标工况表达向量;
工况类别确定模块,用于通过预设分类模型获取所述目标工况表达向量对应的目标工况类别;
全向量获取模块,用于根据所述目标工况表达向量的索引值在预设索引列表中获取对应的目标数据全向量;
预测模型获取模块,用于根据所述目标工况类别获取所述目标数据全向量对应的预设热误差预测模型;
热误差值预测模块,用于基于所述目标数据全向量和所述预设热误差预测模型获取所述数控机床当前时刻的热误差值。
9.一种机床热误差预测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机床热误差预测程序,所述机床热误差预测配置为实现如权利要求1至7中任一项所述的机床热误差预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有机床热误差预测程序,所述机床热误差预测程序被处理器执行时实现如权利要求1至7任一项所述的机床热误差预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211021508.0A CN115470842A (zh) | 2022-08-24 | 2022-08-24 | 机床热误差预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211021508.0A CN115470842A (zh) | 2022-08-24 | 2022-08-24 | 机床热误差预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115470842A true CN115470842A (zh) | 2022-12-13 |
Family
ID=84369962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211021508.0A Pending CN115470842A (zh) | 2022-08-24 | 2022-08-24 | 机床热误差预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115470842A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116360342A (zh) * | 2023-02-13 | 2023-06-30 | 广东工业大学 | 一种机床热误差预测建模方法 |
CN117226599A (zh) * | 2023-11-10 | 2023-12-15 | 上海诺倬力机电科技有限公司 | 数控机床热误差预测方法、装置、设备及介质 |
CN117611654A (zh) * | 2024-01-24 | 2024-02-27 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴热伸长测试方法及测试装置 |
-
2022
- 2022-08-24 CN CN202211021508.0A patent/CN115470842A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116360342A (zh) * | 2023-02-13 | 2023-06-30 | 广东工业大学 | 一种机床热误差预测建模方法 |
CN117226599A (zh) * | 2023-11-10 | 2023-12-15 | 上海诺倬力机电科技有限公司 | 数控机床热误差预测方法、装置、设备及介质 |
CN117226599B (zh) * | 2023-11-10 | 2024-01-30 | 上海诺倬力机电科技有限公司 | 数控机床热误差预测方法、装置、设备及介质 |
CN117611654A (zh) * | 2024-01-24 | 2024-02-27 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴热伸长测试方法及测试装置 |
CN117611654B (zh) * | 2024-01-24 | 2024-04-16 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴热伸长测试方法及测试装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115470842A (zh) | 机床热误差预测方法、装置、设备及存储介质 | |
US10102483B2 (en) | System and method for auto-query generation | |
JP2825611B2 (ja) | 割当依存型製造資源割当方法 | |
US20090164171A1 (en) | Hierarchically Organizing Data Using a Partial Least Squares Analysis (PLS-Trees) | |
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 | |
CN108763420B (zh) | 数据对象的分类方法、装置、终端和计算机可读存储介质 | |
Chen et al. | An optimal sample allocation strategy for partition-based random search | |
EP1677168B1 (en) | Machining information creating device, program, and machining information creating method | |
CN109685092B (zh) | 基于大数据的聚类方法、设备、存储介质及装置 | |
CN110828017A (zh) | 核电站的信息处理方法及核电站的信息处理系统 | |
US11361246B2 (en) | Methods for automating aspects of machine learning, and related systems and apparatus | |
CN114819636A (zh) | 一种基于spc检测的工业生产数据处理方法及系统 | |
CN112967015A (zh) | 加工清单生成方法、电子设备及计算机存储介质 | |
CN116700149A (zh) | 一种数控加工刀具路径的自适应滤波优化方法 | |
CN114219461B (zh) | 基于多生产工况的生产控制方法和装置 | |
CN113836826A (zh) | 关键参数确定方法、装置、电子装置及存储介质 | |
Chen et al. | Physics-guided high-value data sampling method for predicting milling stability with limited experimental data | |
CN113391850B (zh) | 基于边云协同的任务调度方法、装置、设备及存储介质 | |
CN113043274A (zh) | 一种机器人性能评价方法及系统 | |
CN111857055A (zh) | 加工辅助装置、数值控制装置以及加工辅助系统 | |
CN113399784B (zh) | 工件加工控制方法、装置、设备及存储介质 | |
CN114443628B (zh) | 一种基于聚类的金融缺失数据处理方法 | |
CN114298561B (zh) | 设备生产条件的生成方法、装置、电子设备及存储介质 | |
JP4501244B2 (ja) | 放電加工用nc装置及び放電加工方法 | |
CN114327191A (zh) | 一种spc系统的关键字段输入方法、装置及电子设备 |
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 |