数控加工中心多变量关联热误差组合模型及其实验验证

文章预览：

热误差是影响精密加工中心加工精度重要因素之在高速、精密数控加工中心长时间加工中，由热变形产生的加工误差更为突出，占总制造误差的40%〜70% ¹⁰ .提高加工中心加工精度的方法包括误差预防法和误差补偿法.

在热误差补偿技术中，能够建立适应复杂工况、精确地预测加工中心热变形的热误差模型是进行热误差补偿的关键和基础，Mjcroliilioii微型加工加工中心制造商采用有限元方法建立微型加工中心的热误差模型，使主轴热变形减少了 80% ^a . Eneko等⁰提出了基于参数状态方程建模的一种新的热误差补偿方法•近年来国内许多学者对基于热误差实验的热误差模型进行了大量研究，提出支持向量机（support vector machine, SVM)、灰色系统理论、神经网络等及其改进的热误差模型，以及灰色模型和神经网络、主成分分析与神经网络、遗传昇法和神经网络⁰ .偏最小_乘（partial leastsquares, PLS)等组合预测方法来建立热误差模型.

以上热误差模型主要考虑加工中心本体温度变化，但数控加工中心是一个复杂的系统，影响因素较多:动力源输出量和速率、冷却装置及周围环境等对热误差也有一定影响^S .为此，本文针对某型号精密卧式加工中心，考虑加工中心本体温度、主轴转速、冷却液温度及环境温度等多变量因素,并采用PLS和最小_乘支持向量机（least squares supportvector machine，LS - SVM)相结合的方法建立模型，并对其进行实验验证.

备注：为保证文章的完整度，本文核心内容都PDF格式显示，如未有显示请刷新或转换浏览器尝试！

结论：

1) 经实验验证，采用差温多变量的PLS-LSSVM热误差模型的RMSE比采用温度测量值的PLS - LSSVM *热误差模型平均减小了45.83%.

2) PLS-LSSVM模型具有PLSR模型稳定性强和LS - SVM模型泛化能力强的优点，RMSE分别平均减小了 27. 13%, 18. 75%.