[發明專利]基于遺傳算法小波神經網絡的機床主軸熱誤差預測方法

在審

• 申請號: 201811302324.5
• 申請日: 2018-11-02
• 公開（公告）號: CN109146209A
• 公開（公告）日: 2019-01-04
• 發明（設計）人: 張云;李彬;王立平;李學崑;姜楠;曹海燕
• 申請（專利權）人: 清華大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 北京鴻元知識產權代理有限公司 11327
• 代理人: 邸更巖

一種基于遺傳算法小波神經網絡的機床主軸熱誤差預測方法，屬于數控機床加工技術領域。本發明通過在數控機床上合理布置溫度傳感器，并用溫度傳感器測量機床關鍵溫度測點的溫度和加工環境的溫度數據，采用位移傳感器獲得機床主軸熱誤差數據；將數據處理后建立小波神經網絡機床主軸熱誤差預測模型，結合遺傳算法自適應全局優化搜索能力和小波神經網絡良好的時頻局部特性的優點，使該熱誤差預測模型具有計算簡便、精度高、抗擾動能力和魯棒性強等優點，而且具有較強的逼近能力，網絡收斂速度快。有效的減少了機床數控機床的主軸熱誤差，提高機床加工精度。

技術領域

本發明涉及一種機床主軸熱誤差預測方法，尤其涉及一種基于遺傳算法小波神經網絡的機床主軸熱誤差預測方法，屬于數控機床加工技術領域。

背景技術

隨著數控加工逐漸向高速度、高精度方向的迅速發展，對數控機床的加工精度和可靠性等提出了更高的要求，改善數控機床的熱態特性，已經成為機械制造技術發展中最重要、最迫切的研究課題之一。數控機床的熱誤差是指在機械加工過程中，由于機床溫度升高導致機床部件變形或膨脹而引起工件和刀具之間的相對位移發生變化。大量研究表明：熱誤差是精密加工機床的最大誤差源，約占機床總誤差的70％左右，而且當對機床加工零件精度的要求越高時，熱誤差所占總誤差的比重越大。作為影響機床加工精度的主要誤差，熱誤差嚴重影響其加工精度。21世紀以來，隨著科技的迅猛發展，各支柱產業對機械高端產品精度要求日益提高。因此，機床熱誤差的補償技術成為當前高精度加工亟待解決的問題。

要想對機床的熱誤差進行有效地補償,一個前提條件就是要建立可以實時準確預測機床熱變形量大小的補償模型,這樣才能夠確保根據熱誤差預測模型得到的預測值可以逼近于機床的實際誤差,進而保證機床熱誤差的最終補償效果可以達到實際需求。目前國內外學者針對誤差補償模型做了大量的試驗和研究，從不同的角度揭示了各個機床構件溫度與熱誤差之間的關系。常用的建模方法有：最小二乘法擬合建模、人工神經網絡建模、灰色理論建模、基于時間序列分析建模等模型。其中人工神經網絡模型近年來應用較多且取得了一些成功的運用，但是難以精確的建立熱誤差補償模型，對機床熱誤差的補償效果仍不理想。

發明內容

本發明的主要目的是克服現有技術中的不足，提供基于遺傳算法小波神經網絡的機床主軸熱誤差預測方法,使其不僅具有計算簡便、精度高、抗擾動能力和魯棒性強等優點，而且具有較強的逼近能力，網絡收斂速度快；旨在為預測模型的參數優化提供一種新方法，也為預測、預報的研究拓寬新思路。

為了達到上述目的，本發明所采用的技術方案是：

基于遺傳算法小波神經網絡的機床主軸熱誤差預測方法，其特征在于，該方法的具體內容如下：

1)機床主軸按設定的主軸轉速運轉，采用溫度傳感器測量機床關鍵溫度測點的溫度和加工環境的溫度數據，采用位移傳感器獲得機床主軸熱誤差數據；

2)對獲取的溫度和熱誤差測試數據進行歸一化處理，并進行累加變換，得到試驗樣本；

設某一關鍵溫度測點溫度時間序列為x＝(x₁，x₂，…，x_i)，對數據進行歸一化通常使用最大最小法：

x_io＝(x_i-x_min)/(x_max-x_min)

為了減弱測試數據的隨機性，突出其變化趨勢，對x_io進行一階累加：

累加變換生成溫度序列X⁽¹⁾＝(X₁⁽¹⁾，X₂⁽¹⁾…，X_s⁽¹⁾)。