CN117161824A - 主轴热误差预测方法、装置、设备及存储介质 - Google Patents
主轴热误差预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117161824A CN117161824A CN202311007783.1A CN202311007783A CN117161824A CN 117161824 A CN117161824 A CN 117161824A CN 202311007783 A CN202311007783 A CN 202311007783A CN 117161824 A CN117161824 A CN 117161824A
- Authority
- CN
- China
- Prior art keywords
- observation point
- spindle
- main shaft
- obtaining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008859 change Effects 0.000 claims abstract description 55
- 230000009467 reduction Effects 0.000 claims description 10
- 230000012391 spindle elongation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000009795 derivation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003754 machining Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- 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
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明属于机床误差检测技术领域，公开了一种主轴热误差预测方法、装置、设备及存储介质。本发明通过获取待测主轴的主轴伸长量以及各个观测点的温度值，所述观测点均匀分布在所述主轴上，根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量，通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值，根据所述预测值对所述待测主轴的热误差进行误差补偿，通过分析机床主轴热误差的传递方式确定主轴上各点温度的变化情况，能够运用最少的测量点建立主轴热误差模型，简化主轴热误差的计算，同时也减少传感器的需求量。
Description
技术领域
本发明涉及机床误差检测技术领域，尤其涉及一种主轴热误差预测方法、装置、设备及存储介质。
背景技术
零件加工中人们对机床的加工精度提出了很高的要求，而影响零件加工精度的关键因素之一就是机床热误差的作用。主轴作为机床的关键部件，其结构形状为柱状体，受驱动电机这一热源的影响变化更显著，建立精确的主轴热误差模型，预测主轴各点的误差变化情况是热误差补偿常用的方法。当一个热误差预测模型建立起来，选择适当的测量点是很困难的问题。运用数学统计的方法找出温度变化规律所需要的传感器数量很多，而且计算很复杂。
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一种主轴热误差预测方法、装置、设备及存储介质，旨在解决现有技术中主轴热误差计算复杂，需要大量观测点的技术问题。
为实现上述目的，本发明提供了一种主轴热误差预测方法，所述方法包括以下步骤：
获取待测主轴的主轴伸长量以及各个观测点的温度值，所述观测点均匀分布在所述主轴上；
根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量；
通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值；
根据所述预测值对所述待测主轴的热误差进行误差补偿。
可选地，所述根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量，包括：
获取第一观测点的当前与第二观测点的伸长量，所述第一观测点与第二观测点为相邻观测点，所述第一观测点距离为近热源观测点；
根据所述第一观测点的伸长量与所述第二观测点的伸长量得到所述第二观测点的热膨胀量；
对所述各个观测点进行检测，存在未选中的观测点时，将所述第二观测点作为新的第一观测点，将与所述第二观测点相邻的观测点作为新的第二观测点，并重复获取第一观测点的伸长量与第二观测点的伸长量的步骤，直至所有观测点都被选中。
可选地，所述根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量，还包括：
在所述观测点为最接近热源的观测点时，根据所述最接近热源的观测点的当前长度与所述最接近热源的观测点的初始长得到所述最接近热源的观测点的伸长量。
可选地，所述通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值，之前，还包括：
获取所述待测主轴在升温后的主轴变化量与所述待测主轴在降温后的主轴变化量；
根据所述待测主轴在升温后的主轴变化量与所述待测主轴在降温后的主轴变化量得到主轴变化关系；
根据所述主轴变化关系得到主轴热误差模型。
可选地，所述根据所述主轴变化关系得到主轴热误差模型，包括：
对所述主轴变化关系进行二阶求导，得到所述主轴热误差模型中权重参数与所述待测主轴在升温后的主轴变化量、所述待测主轴在降温后的主轴变化量的权重关系；
根据所述权重关系得到所述主轴热误差的权重参数；
根据所述权重参数的得到所述主轴热误差模型。
可选地，所述据所述主轴变化关系得到主轴热误差模型，还包括：
根据所述各个观测点的温度得到温度集合；
根据多组所述温度集合得到温度样本矩阵；
对所述温度样本矩阵确定单位特征向量；
根据所述单位特征向量得到所述各个观测点的热膨胀量，根据最小二乘法理论与各个观测点的热膨胀量、所述主轴变化关系得到所述主轴热误差模型。
可选地，所述通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值，包括：
主轴监控模块，用于获取待测主轴的主轴伸长量以及各个观测点的温度值，所述观测点均匀分布在所述主轴上；
膨胀监测模块，用于根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量；
膨胀预测模块，用于通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值；
误差补偿模块，用于根据所述预测值对所述待测主轴的热误差进行误差补偿。
根据所述各个观测点的温度值与所述各个观测点的热膨胀值得到主轴变形量；
根据所述主轴变形量对所述主轴热误差模型的权重参数进行更新，得到更新后的主轴热误差模型；
根据所述更新后的主轴热误差模型得到所述预测值。
此外，为实现上述目的，本发明还提出一种主轴热误差预测装置，所述主轴热误差预测装置包括：
此外，为实现上述目的，本发明还提出一种主轴热误差预测设备，所述主轴热误差预测设备包括：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主轴热误差预测程序，所述主轴热误差预测程序配置为实现如上文所述的主轴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主轴热误差预测程序，所述主轴热误差预测程序被处理器执行时实现如上文所述的主轴热误差预测方法的步骤。
本发明通过获取待测主轴的主轴伸长量以及各个观测点的温度值，所述观测点均匀分布在所述主轴上，根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量，通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值，根据所述预测值对所述待测主轴的热误差进行误差补偿，通过分析机床主轴热误差的传递方式确定主轴上各点温度的变化情况，能够运用最少的测量点建立主轴热误差模型，简化主轴热误差的计算，同时也减少传感器的需求量。
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主轴热误差预测设备的结构示意图；
图2为本发明主轴热误差预测方法第一实施例的流程示意图；
图3为本发明主轴热误差预测方法一实施例的主轴上测量点的分布图；
图4为本发明主轴热误差预测方法一实施例的各点温度和主轴热变形之间的关系图；
图5为本发明主轴热误差预测方法第二实施例的流程示意图；
图6为本发明主轴热误差预测方法一实施例的各测量点的热伸长量之间的对应关系；
图7为本发明主轴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主轴热误差预测设备结构示意图。
如图1所示，该主轴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)存储器，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主轴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、用户接口模块以及主轴热误差预测程序。
在图1所示的主轴热误差预测设备中，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；本发明主轴热误差预测设备中的处理器1001、存储器1005可以设置在主轴热误差预测设备中，所述主轴热误差预测设备通过处理器1001调用存储器1005中存储的主轴热误差预测程序，并执行本发明实施例提供的主轴热误差预测方法。
本发明实施例提供了一种主轴热误差预测方法，参照图2，图2为本发明一种主轴热误差预测方法第一实施例的流程示意图。
本实施例中，所述主轴热误差预测方法包括以下步骤：
步骤S10：获取待测主轴的主轴伸长量以及各个观测点的温度值，所述观测点均匀分布在所述主轴上。
需要说明的是，本实施例的执行主体是主轴热误差预测设备，其中，该主轴热误差预测设备具有数据处理，数据通信及程序运行等功能，所述主轴热误差预测设备可以为集成控制器，控制计算机等设备，当然还可以为其他具备相似功能的设备，本实施例对此不做限制。
应当理解的是，在待测主轴上安装有若干个测量点，在安装测量点时，需要让测量点之间的间隔均匀，如图3所示，图3为主轴上测量点的分布图。例如在待测主轴上均匀选取8个测量点，每个测量点之间的间隔为100mm,在杆的末端，位移传感器用于检测主轴的伸长量，在每个测量点上都装有温度传感器，用于检测每个测量点的温度值。
可以理解的是，主轴伸长量指的是主轴在温度变化的情况下，由于旋转以及主轴的热胀冷缩，使主轴的长度发生变化的距离。
在具体实现中，主轴上的观测点可以按照距离热源的远近进行划分，将距离热源最近的标记为P1，并按照距离热源的距离，依次将各个观测点标记为P2，P3......Pn，在获取待测值主轴的主轴伸长量以及各个观测点的温度值之前，需要将主轴的状态变化到指定的状态下，具体可以为：将主轴开机后，将主轴的转速设定在在8000r/min，预热半小时后开始测量，在温度升高1小时后开始停机，自然冷却1小时。并在这个过程中对各个观测点的温度值进行采集获取。
步骤S20：根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量。
需要说明的是，热膨胀量指的是在观测点之间的这一段主轴的伸长量，也能够认为是当前的观测点相对于之前的位移变化量。
在具体实现中，由于各个观测点在同一个主轴上，对于除最靠近热源的观测点而言，每个观测点所发生的伸长量并不是该观测点其对应的温度值下的实际伸长量，而是在之前的观测点累计的伸长量，因此，能够将两个相邻的观测点对应的伸长量作差，得到远离热源的观测点的热膨胀量。
进一步地，所述根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量，包括：
获取第一观测点的当前与第二观测点的伸长量，所述第一观测点与第二观测点为相邻观测点，所述第一观测点距离为近热源观测点；
根据所述第一观测点的伸长量与所述第二观测点的伸长量得到所述第二观测点的热膨胀量；
对所述各个观测点进行检测，存在未选中的观测点时，将所述第二观测点作为新的第一观测点，将与所述第二观测点相邻的观测点作为新的第二观测点，并重复获取第一观测点的伸长量与第二观测点的伸长量的步骤，直至所有观测点都被选中。
在具体实现中，第一观测点和第二观测点指的是主轴上的观测点中的两个相邻的观测点，其中第一观测点距离为近热源观测点，第二观测点距离为远热源观测点，例如图3中的P2和P3，P2靠近热源，因此将P2作为第一观测点，将P3作为第二观测点。在计算热膨胀量之前，能够根据各个观测点的温度值与主轴的伸长量之间，得到各点温度和主轴热变形之间的关系图，如图4所示。在温度升高阶段，T1温度测量点是距离热源最近的点，温度变化量大于热膨胀量，因此显示的曲线为凹形；在温度测量点越来越远离热源时，下凹的程度会逐渐的减小时，在T3点热变形曲线逐渐变为线性状态。T4点进一步远离热源，该点的温度变化曲线为凸形，此时的热膨胀变化量大于温度变化量，由此说明温度测量点和热源位置点之间距离发生变化时，所产生的热膨胀曲线也会相应的改变。测量点逐渐远离热源点，热膨胀曲线由凹形变为凸形。而在T3点时，温度变化和热膨胀曲线之间近似为线性关系。在计算热膨胀量时，可以从最接近热源的观测点开始计算，对于P1而言，P1观测点的伸长量就是P1这一段主轴的伸长量，对于P2观测点，P2到P1这一段的热膨胀量可以用P2观测点的伸长量减去P1观测点的热膨胀量，例如对于观测点P2好和观测点P3而言，计算观测点P3的热膨胀量，此时能够用P3当前距离热源的距离减去在温度变化之前P3距离热源的距离，得到P3观测点的热伸长量，用同样的方法能够得到P2观测点的热伸长量，由于P2的热伸长量包括热源到P2这一段总的伸长量，P3观测点的热伸长量包括热源到P3这一段总的伸长量，因此，将这两段总的伸长量之间作差，就能得到P2-P3段的热膨胀量，也可以称为P3观测点的热膨胀量。通过上述操作，能够得到主轴上各个观测点的热膨胀量。在选取观测点时，能够按照顺序选取，如当前的第一观测点和第二观测点为P1和P2，在计算完成后，若还存在其他的观测点，则将第一观测点和第二观测点选为P2和P3，如此循环往复，直至所有的观测点全部被计算到。
步骤S30：通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值。
需要说明的是，预测值指的是在主轴出现热变形后，主轴各个点位的预计伸长量，不同点位具有不同的温度值与伸长量，而伸长量与温度之间存在关联。
在具体实现中，根据各个观测点的温度值与各个观测点的热膨胀量输入到主轴热误差模型，在主轴热误差模型中，根据各个观测点的温度值与各个观测点的热膨胀量确定出当前主轴伸长量与各个观测点的温度以及热膨胀量之间的关系，可以知道的是，观测点距离热源越远，对应的温度值与热膨胀值都越小，对于伸长量而言，越远离热源，对应的伸长量会越大，因此，在得到热伸长量时，能够根据各个观测点的温度值与各个观测点的热膨胀量表示当前的伸长量。对不同的主轴长度进行类似的温升测量实验，设定主轴的长度为L，各测量点上温度变化值和主轴的伸长量之间的关系鲁棒性最强的位置大约是温度传感器布置在主轴0.4L处。
步骤S40：根据所述预测值对所述待测主轴的热误差进行误差补偿。
在具体实现中，在根据预测值的到当前的观测点的主轴伸长量，根据当前的主轴伸长量对应的主轴热误差对实际的预测值进行误差补偿，进而得到主轴实际的伸长量，实现对主轴热误差进行误差补偿。
本实施例通过获取待测主轴的主轴伸长量以及各个观测点的温度值，所述观测点均匀分布在所述主轴上，根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量，通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值，根据所述预测值对所述待测主轴的热误差进行误差补偿，通过分析机床主轴热误差的传递方式确定主轴上各点温度的变化情况，能够运用最少的测量点建立主轴热误差模型，简化主轴热误差的计算，同时也减少传感器的需求量。
参考图5，图5为本发明一种主轴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，本实施例主轴热误差预测方法在所述步骤S30，还包括：
步骤S301:根据所述各个观测点的温度值与所述各个观测点的热膨胀值得到主轴变形量。
步骤S302:根据所述主轴变形量对所述主轴热误差模型的权重参数进行更新，得到更新后的主轴热误差模型。
步骤S303:根据所述更新后的主轴热误差模型得到所述预测值。
在具体实现中，从主轴上设置的若干个观测点中选取一定量的观测点，作为数据分析对象，例如选取P1、P2、P3、P4、P6、P8的数据作为对象分析，读取温度变化和各测量点的热伸长量之间的对应关系，如图6所示，根据P1、P2、P3、P4、P6、P8的测量温度和热伸长量的关系进行最小二乘理论建模，将对应的传感器的实验数据输入到主轴热误差模型，得到预测值。
进一步地，所述通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值，之前，还包括：
获取所述待测主轴在升温后的主轴变化量与所述待测主轴在降温后的主轴变化量；
根据所述待测主轴在升温后的主轴变化量与所述待测主轴在降温后的主轴变化量得到主轴变化关系；
根据所述主轴变化关系得到主轴热误差模型。
进一步地，所述根据所述主轴变化关系得到主轴热误差模型，包括：
对所述主轴变化关系进行二阶求导，得到所述主轴热误差模型中权重参数与所述待测主轴在升温后的主轴变化量、所述待测主轴在降温后的主轴变化量的权重关系；
根据所述权重关系得到所述主轴热误差的权重参数；
根据所述权重参数的得到所述主轴热误差模型。
在具体实现中，将主轴变化关系转化为数学方法，当曲线的二阶导数大于零时，该曲线为凹形；当曲线的二阶导数小于零时，该曲线为凸形；当曲线的二阶导数等于零时，该曲线为直线。进而得出当测量点远离热源点时，热膨胀曲线的二阶导数小于零；当测量点靠近热源点时，热膨胀曲线的二阶导数大于零，根据这个关系可知
这里L(x)为主轴的变形量，α和β为加权系数，L1(x)为温度上升后主轴的变形量，L2(x)为温度下降后主轴的变形量。
对上述等式两端进行二阶求导令，L(x)的二阶导为零，进而可得到：
αL″1(x)+βL″2(x)＝0
这里L″1(x)>0，L″2(x)<0，而且α+β＝1，所以可得到如下等式：
由于L″1(x)和L″2(x)的值为相反数，这个数的差不为零。由此可知温度的变化和热膨胀量之间有一个线性关系，温度升高的起点位置到终点位置和温度下降的起点位置到终点位置之间的曲线分别形成一个凸起的曲线和一个凹陷的曲线，这两条曲线是依据L(x)为对称中心线。
进一步地，所述据所述主轴变化关系得到主轴热误差模型，还包括：
根据所述各个观测点的温度得到温度集合；
根据多组所述温度集合得到温度样本矩阵；
对所述温度样本矩阵确定单位特征向量；
根据所述单位特征向量得到所述各个观测点的热膨胀量，根据最小二乘法理论与各个观测点的热膨胀量、所述主轴变化关系得到所述主轴热误差模型。
在具体实现中，温度传感器采集机床各热敏感点处温度变量为
T＝(t1,t2,…,tm)T
它的n组测量值为：
ti＝(ti1,ti2,…,tim)T,i＝1,2,…,n
样本矩阵为：
确定m，使得温度特征信息的覆盖率达到90％以上，其方法为：
每个ak，k＝1,2,…,m。解方程组Rb＝akb，单位特征向量为
根据以上计算方式选取T1，T2，T3，T4，T6和T8为样本点进行建模，利用最小二乘法理论，得出热膨胀量和各测量点温度的变化关系为：
ΔL(x)＝a0+a1·ΔT1+a2·ΔT2+a3·ΔT3+a4·ΔT4+a6·ΔT6+a8·ΔT8
将传感器检测到的数据带入到热膨胀量和各测量点温度的变化关系中，预测机床主轴个点的温度变化引起的热膨胀的变化量。将P1、P2、P3、P4、P6、P8位置的这六个传感器的实验数据带入到热膨胀量和各测量点温度的变化关系中，得到：
ΔL(x)＝0.421+0.562ΔT1+0.631ΔT2+0.953ΔT3+1.385ΔT4+1.431ΔT6+1.612ΔT8
将这一组测量值代入到温度特征信息的覆盖率公式中，求出L1(x)的系数为0.386，L2(x)的系数为0.614，进而可得出最优自变量的表达式为：
L(x)＝0.386L1(x)+0.614L2(x)
由此，得到主轴热误差预测模型。
本实施例通过对主轴上若干个观测点的温度值与热膨胀量构建出最小二乘法的主轴热误差模型，能根据各个观测点的温度及热膨胀量得到伸长量与各个稳观测点的温度与观测点的热膨胀量之间的关系，也能够根据温度上升与温度下降的主轴伸长变化量得到主轴热误差模型的权重参数，得到主轴热误差模型，使得在进行主轴热误差探究中，需要的传感器数量减少，并简化计算过程。
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主轴热误差预测程序，所述主轴热误差预测程序被处理器执行时实现如上文所述的主轴热误差预测方法的步骤。
参照图7，图7为本发明主轴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主轴热误差预测装置包括：
主轴监控模块10，用于获取待测主轴的主轴伸长量以及各个观测点的温度值，所述观测点均匀分布在所述主轴上；
膨胀监测模块20，用于根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量；
膨胀预测模块30，用于通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值；
误差补偿模块40，用于根据所述预测值对所述待测主轴的热误差进行误差补偿。
本实施例通过获取待测主轴的主轴伸长量以及各个观测点的温度值，所述观测点均匀分布在所述主轴上，根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量，通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值，根据所述预测值对所述待测主轴的热误差进行误差补偿，通过分析机床主轴热误差的传递方式确定主轴上各点温度的变化情况，能够运用最少的测量点建立主轴热误差模型，简化主轴热误差的计算，同时也减少传感器的需求量
在一实施例中，所述膨胀监测模块20，还用于获取第一观测点的当前与第二观测点的伸长量，所述第一观测点与第二观测点为相邻观测点，所述第一观测点距离为近热源观测点；根据所述第一观测点的伸长量与所述第二观测点的伸长量得到所述第二观测点的热膨胀量；对所述各个观测点进行检测，存在未选中的观测点时，将所述第二观测点作为新的第一观测点，将与所述第二观测点相邻的观测点作为新的第二观测点，并重复获取第一观测点的伸长量与第二观测点的伸长量的步骤，直至所有观测点都被选中。
在一实施例中，所述膨胀监测模块20，还用于在所述观测点为最接近热源的观测点时，根据所述最接近热源的观测点的当前长度与所述最接近热源的观测点的初始长得到所述最接近热源的观测点的伸长量。
在一实施例中，所述膨胀预测模块30，还用于获取所述待测主轴在升温后的主轴变化量与所述待测主轴在降温后的主轴变化量；根据所述待测主轴在升温后的主轴变化量与所述待测主轴在降温后的主轴变化量得到主轴变化关系；根据所述主轴变化关系得到主轴热误差模型。
在一实施例中，所述膨胀预测模块30，还用于对所述主轴变化关系进行二阶求导，得到所述主轴热误差模型中权重参数与所述待测主轴在升温后的主轴变化量、所述待测主轴在降温后的主轴变化量的权重关系；根据所述权重关系得到所述主轴热误差的权重参数；根据所述权重参数的得到所述主轴热误差模型。
在一实施例中，所述膨胀预测模块30，还用于根据所述各个观测点的温度得到温度集合；根据多组所述温度集合得到温度样本矩阵；对所述温度样本矩阵确定单位特征向量；根据所述单位特征向量得到所述各个观测点的热膨胀量，根据最小二乘法理论与各个观测点的热膨胀量、所述主轴变化关系得到所述主轴热误差模型。
在一实施例中，所述膨胀预测模块30，还用于根据所述各个观测点的温度值与所述各个观测点的热膨胀值得到主轴变形量；根据所述主轴变形量对所述主轴热误差模型的权重参数进行更新，得到更新后的主轴热误差模型；根据所述更新后的主轴热误差模型得到所述预测值。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
此外，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(Read Only Memory，ROM)/RAM、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)
1.一种主轴热误差预测方法，其特征在于，所述主轴热误差预测方法包括：
获取待测主轴的主轴伸长量以及各个观测点的温度值，所述观测点均匀分布在所述主轴上；
根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量；
通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值；
根据所述预测值对所述待测主轴的热误差进行误差补偿。
2.如权利要求1所述的方法，其特征在于，所述根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量，包括：
获取第一观测点的当前与第二观测点的伸长量，所述第一观测点与第二观测点为相邻观测点，所述第一观测点距离为近热源观测点；
根据所述第一观测点的伸长量与所述第二观测点的伸长量得到所述第二观测点的热膨胀量；
对所述各个观测点进行检测，存在未选中的观测点时，将所述第二观测点作为新的第一观测点，将与所述第二观测点相邻的观测点作为新的第二观测点，并重复获取第一观测点的伸长量与第二观测点的伸长量的步骤，直至所有观测点都被选中。
3.如权利要求2所述的方法，其特征在于，所述根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量，还包括：
在所述观测点为最接近热源的观测点时，根据所述最接近热源的观测点的当前长度与所述最接近热源的观测点的初始长得到所述最接近热源的观测点的伸长量。
4.如权利要求1所述的方法，其特征在于，所述通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值，之前，还包括：
获取所述待测主轴在升温后的主轴变化量与所述待测主轴在降温后的主轴变化量；
根据所述待测主轴在升温后的主轴变化量与所述待测主轴在降温后的主轴变化量得到主轴变化关系；
根据所述主轴变化关系得到主轴热误差模型。
5.如权利要求4所述的方法，其特征在于，所述根据所述主轴变化关系得到主轴热误差模型，包括：
对所述主轴变化关系进行二阶求导，得到所述主轴热误差模型中权重参数与所述待测主轴在升温后的主轴变化量、所述待测主轴在降温后的主轴变化量的权重关系；
根据所述权重关系得到所述主轴热误差的权重参数；
根据所述权重参数的得到所述主轴热误差模型。
6.如权利要求4所述的方法，其特征在于，所述据所述主轴变化关系得到主轴热误差模型，还包括：
根据所述各个观测点的温度得到温度集合；
根据多组所述温度集合得到温度样本矩阵；
对所述温度样本矩阵确定单位特征向量；
根据所述单位特征向量得到所述各个观测点的热膨胀量，根据最小二乘法理论与各个观测点的热膨胀量、所述主轴变化关系得到所述主轴热误差模型。
7.如权利要求1所述的方法，其特征在于，所述通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值，包括：
根据所述各个观测点的温度值与所述各个观测点的热膨胀值得到主轴变形量；
根据所述主轴变形量对所述主轴热误差模型的权重参数进行更新，得到更新后的主轴热误差模型；
根据所述更新后的主轴热误差模型得到所述预测值。
8.一种主轴热误差预测装置，其特征在于，所述主轴热误差预测装置包括：
主轴监控模块，用于获取待测主轴的主轴伸长量以及各个观测点的温度值，所述观测点均匀分布在所述主轴上；
膨胀监测模块，用于根据所述主轴伸长量与所述各个观测点的温度值得到所述各个观测点的热膨胀量；
膨胀预测模块，用于通过主轴热误差模型根据所述各个观测点的温度值和所述各个观测点的热膨胀量得到预测值；
误差补偿模块，用于根据所述预测值对所述待测主轴的热误差进行误差补偿。
9.一种主轴热误差预测设备，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主轴热误差预测程序，所述主轴热误差预测程序配置为实现如权利要求1至7中任一项所述的主轴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主轴热误差预测程序，所述主轴热误差预测程序被处理器执行时实现如权利要求1至7任一项所述的主轴热误差预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311007783.1A CN117161824A (zh) | 2023-08-09 | 2023-08-09 | 主轴热误差预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311007783.1A CN117161824A (zh) | 2023-08-09 | 2023-08-09 | 主轴热误差预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117161824A true CN117161824A (zh) | 2023-12-05 |
Family
ID=88932704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311007783.1A Pending CN117161824A (zh) | 2023-08-09 | 2023-08-09 | 主轴热误差预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117161824A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117943893A (zh) * | 2024-03-22 | 2024-04-30 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴转动刀具热伸长测量方法及测量装置 |
-
2023
- 2023-08-09 CN CN202311007783.1A patent/CN117161824A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117943893A (zh) * | 2024-03-22 | 2024-04-30 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴转动刀具热伸长测量方法及测量装置 |
| CN117943893B (zh) * | 2024-03-22 | 2024-05-31 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴转动刀具热伸长测量方法及测量装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117161824A (zh) | 主轴热误差预测方法、装置、设备及存储介质 | |
| JP7027536B2 (ja) | 解析システム及び解析方法 | |
| CN110598305B (zh) | 一种比较电路扫描仿真增量的灵敏度分析方法 | |
| WO2020110268A1 (ja) | 試料測定装置、プログラムおよび測定パラメータ設定支援装置 | |
| US11989002B2 (en) | Environmental temperature change prediction device and prediction method for machine tool | |
| Yan et al. | A novel degradation-rate-volatility related effect Wiener process model with its extension to accelerated ageing data analysis | |
| US11680848B2 (en) | Method for identifying modal frequency of beam bridge by considering influence of environmental temperature | |
| Kazemi et al. | Load identification for viscoplastic materials with some unknown material parameters | |
| JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
| Mathioudakis et al. | Assessment of the effectiveness of gas path diagnostic schemes | |
| JP2010115692A (ja) | 製造プロセスにおける品質予測装置、予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 | |
| JP5399938B2 (ja) | 推定用多項式生成装置、推定装置、推定用多項式生成方法および推定方法 | |
| JP7189089B2 (ja) | 温度予測方法、温度予測装置、及び温度予測用プログラム | |
| JP6568486B2 (ja) | 温度変化予測解析装置および温度変化予測解析方法 | |
| Vališ et al. | Platinum thermometer failure estimation based on dynamic linear models | |
| CN113408040A (zh) | 一种土木工程中的模拟数据修正方法及系统 | |
| JP5156516B2 (ja) | 材料特性の推定方法及び材料特性の推定プログラム | |
| JP7488523B2 (ja) | 物理定数の推定値取得方法 | |
| CN117943893B (zh) | 一种主轴转动刀具热伸长测量方法及测量装置 | |
| EP4163589A1 (en) | Estimation device, estimation method, and computer program product for estimating deposit thickness | |
| JP5055851B2 (ja) | 局所熱伝達率決定プログラム及び局所熱伝達率決定装置 | |
| Naumann et al. | Hybrid Thermal Error Compensation Combining Integrated Deformation Sensor and Regression Analysis Based Models for Complex Machine Tool Designs | |
| CN118247269B (zh) | 一种工件表面质量预测方法、装置及计算设备 | |
| Jiang et al. | Model Uncertainty Quantification and Updating of a Boundary Condition Model of a Miter Gate Using Strain Measurements | |
| CN118132952A (zh) | 一种工件温度预测方法、装置、设备及存储介质 |
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 |