（测试计量技术及仪器专业论文）控车床热误差补偿建模研究.pdf

k p 合肥工业大学 本论文经答辩委员会全体委员审查，确认符合合肥工业大学 硕士学位论文质量要求。 答辩委员会签名：( 工作单位、职称) 撕碴彳m 刊住 锻锄弘乡刁彖罨 ( 纽a 辄瞅墨讣气瑰灸 导师： 坍融携 缓 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我 所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究 成果，也不包含为获得 金坦王些太堂 或其他教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签名： 击签字旁一胁踊 学位论文版权使用授权书 本学位论文作者完全了解金日墨王些太堂有关保留、使用学位论文的规定，有权保留并向 国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权金壁王些 芝篷可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫 权书) 导师虢摒础 签字日期汐o ，年争凡砧日 电话： 邮编： 数控车床热误差补偿建模研究 摘要 作为数控机床热误差补偿关键技术之一的数控机床热误差补偿建模方法 研究得到了国内外学者的广泛重视和深入研究，本论文在对国内外数控机床热 误差补偿建模方法分析研究的基础上，重点对神经网络建模方法进行了研究， 主要工作内容如下： 在对机床热变形进行简要分析的基础上，以大连机床有限责任公司的 c l 2 0 a 高速数控车床为研究对象获取温度和热位移数据，并用模糊聚类方法对 其进行分析找出机床温度变化敏感点。 以温度变化敏感点数据为建模依据，用神经网络建模方法进行建模和分 析，来获取机床热误差与机床温度敏感点之间的内在联系和规律。建模结果显 示，神经网络技术具有很好的建模效果，在建模的有效性和鲁棒性方面具有其 他建模方面无法比拟的优势。神经网络建模方法的主要难点是训练参数的调试 选择，在建模过程中要对训练参数进行反复调节比对验证，直至预测效果达到 最佳。 研究表明，从对热误差的预报来看，b p 网络可以达到6 0 左右，与r b f 网络 的4 5 左右以及自适应神经网络模糊系统的1 5 左右相比要好。从建模的速度来 看，r b f 网络的建模速度最快，b p 网络稍逊，自适应神经网络模糊系统时间稍 长。比较而言，b p 神经网络建模总体效果最好，r b f 网络稍逊，自适应神经网 络模糊系统效果较差。 关键词：数控机床热误差温度敏感点神经网络建模 r e s e a r c ha b o u tt h e r m a le r r o r c o m p e n s a t i o nm o d e l 0 fn cl a t h e a b s t r a c t c o m p e n s a t i o n m o d e l i n go fn cl a t h et h e r m a le r r o r , a so n eo ft h ek e y t e c h n o l o g i e s o fd i g i t a l - c o n t r o ll a t h et h e r m a le r r o rc o m p e n s a t i o n ，h a sa r o u s e d s c h o l a r s e x t e n s i v ea t t e n t i o na th o m ea n da b r o a d ，a n dd e e pr e s e a r c h e sh a v eb e e n m a d ei n t oi t i nt h i sp a p e r ，t h en e u r a ln e t w o r km o d e l i n gm e t h o di ss t u d i e db a s e do n t h e a n a l y s i sa n dr e s e a r c ho nt h ec o m p e n s a t i o nm o d e l i n go fd i g i t a l c o n t r o ll a t h e t h e r m a le r r o ra th o m ea n da b r o a d t h em a i nc o n t e n t sa r ea sf o l l o w s ： b a s e do nt h eb r i e fa n a l y s i so nl a t h e st h e r m a ld e f o r m a t i o n ，t h ea u t h o rm a k e s r e s e a r c hi n t oc l - 2 0 ah i g h s p e e dd i g i t a l - c o n t r o ll a t h e sm a d ei nd a l i a nl a t h e s l i m i t e dl i a b i l i t yc o m p a n y t h et e m p e r a t u r ea n d t h e r m a ld i s p l a c e m e n td a t ai s a c q u i r e d ，a n dt h et e m p e r a t u r es e n s i t i v ep o i n ti sf o u n do u tb yf u z z yc l u s t e r i n g m e t h o d t a k i n gt h et e m p e r a t u r es e n s i t i v ep o i n ta st h eb a s i so fm o d e l i n g ，m a k i n gm o d e l i n ga n d a n a l y s i sb yn e u r a ln e t w o r km o d e l i n gm e t h o d ，t h ei n n e rr e l a t i o na n dr u l e sb e t w e e nl a t h e s t h e r m a le r r o ra n dl a t h e s t e m p e r a t u r es e n s i t i v ep o i n ta r eo b t a i n e d m o d e l i n gr e s u l t ss h o w t h a tn e u r a ln e t w o r kt e c h n o l o g y , w i t hi n c o m p a r a b l ea d v a n t a g e sc o m p a r e dw i t h o t h e rm o d e l i n gm e t h o d si ne f f e c t i v e n e s sa n dr o b u s t n e s s ，i sv e r ye f f e c t i v ei n m o d e l i n g d e b u g g i n ga n dc h o o s i n gt r a i n i n gc o e f f i c i e n t si st h em a i nd i f f i c u l t yi n n e u r a lm o d e l i n gm e t h o d i nt h ep r o c e s so fm o d e l i n g ，t h et r a i n i n gc o e f f i c i e n t sa r e r e g u l a t e d ，m a t c h e d ，a n dc h e c k e dr e p e a t e d l yu n t i lt h eb e s tp r e d i c t i v ee f f e c ti sa c h i e v e d s u r v e y ss h o wb pn e t w o r kc a np r e d i c te r r o rd a t ab e t t e rt h a nr b fn e t w o r ka n d s e l f - a d a p t i v en e u r a ln e t w o r kf u z z ys y s t e m ，w i t hb pn e t w o r kt oa b o u t6 0 ，r b f t oa b o u t4 5 a n ds e l f - a d a p t i v en e u r a ln e t w o r kf u z z ys y s t e mt oa b o u t15 f r o m t h ea s p e c to fm o d e l i n gs p e e d ，r b fn e t w o r ki st h ef a s t ，b pn e t w o r ki sal i t t l e s l o w e r , a n ds e l f - a d a p t i v en e u r a ln e t w o r kf u z z ys y s t e mi sm u c hs l o w e r t h e r e f o r e ， a b o u tt h eo v e r a l lm o d e l i n ge f f e c t ，b pn e t w o r ki st h eb e s t ，r b fn e t w o r ki sn o tg o o d a sb pn e t w o r k ，a n ds e l f - a d a p t i v en e u r a ln e t w o r kf u z z ys y s t e mi se v e nm o r ew o r s e t h a nt h e m k e yw o r d s ：d i g i t a l - c o n t r o ll a t h e ，t h e r m a le r r o r ，t e m p e r a t u r es e n s i t i v ep o i n t ，n e u r a l n e t w o r km o d e l i n g 致谢 首先感谢我的指导老师胡鹏浩教授，在我攻读硕士学位期间给予我精心的 指导和无私的帮助，使我能够顺利完成课程阶段的学习任务和学位论文的研究 工作。 感谢我院苗恩铭副教授、洪占勇副教授等老师给予我的帮助和指导，老师 们的帮助和关怀使我终生受益。 感谢薛海涛、舒迎飞、李楠楠、颜炎、王鑫、杨睿嫦等同学，在我学习遇 到困难和疑问的时候给予我帮助，大家的帮助使我顺利前行。 最后祝我的老师和同学前程似锦，祝母校和学院越办越好! 作者：于长伟 2 0 11 年4 月1 0 日 目录 第一章绪论1 1 1引言。1 1 2 数控机床热误差建模的方法国内外研究概况1 1 3 学位论文内容的来源及主要研究内容3 1 3 1学位论文内容来源3 1 3 2学位论文的主要研究内容3 第二章c l 2 0 a 高速数控车床测试实验及数据分析4 2 1 机床热变形分析4 2 1 1机床热变形成因分析4 2 1 2 机床热变形对加工精度的影响4 2 2 测试系统介绍5 2 2 1 测试系统总体思路5 2 2 2温度和热误差数据检测软件系统j 5 2 3 主要温度点温度变化测量6 2 4 温度敏感点的辨识方法介绍9 2 4 1建立相似关系( 求相似矩阵) 1 0 2 4 2建立等价关系( 求等价矩阵) 1 1 2 5 温度变化敏感点分析。1 1 2 5 1建立相似关系( 求相似矩阵) _ 1 1 2 5 2 建立等价关系( 求等价矩阵) 1 2 2 5 3 聚类1 3 2 5 4 绘制时间和温度变化的二维曲线图1 4 2 6 位移变化数据测量17 第三章b p 神经网络建模方法应用分析1 9 3 1 b p 神经网络介绍1 9 3 2b p 神经网络的m a t l a b 设计1 9 3 2 1 输入和输出层的设计1 9 3 2 2隐含层的节点数l 的设计( 神经元数) 1 9 3 2 3 激活函数的设计2 0 3 2 4训练函数的选择2 0 3 2 5b p 网络训练程序2 0 3 3b p 神经网络建模效果验证2 2 第四章r b f 神经网络建模方法应用分析2 7 4 1r b f 神经网络介绍2 7 4 2r b f 神经网络的m a t l a b 设计2 8 4 3r b f 神经网络建模效果验证3 0 第五章自适应神经网络模糊系统建模方法应用分析3 5 5 1 模糊神经网络( f n n ) 介绍3 5 5 2 典型模糊神经网络的结构3 5 5 3自适应模糊神经推理系统设计3 7 5 3 1自适应模糊神经推理系统简介3 7 5 3 2自适应模糊神经推理系统建模方法3 7 5 3 3m a t l a b 自适应神经网络模糊工具的使用限制3 9 5 4自适应神经网络模糊系统建模方法效果验证。4 0 第六章 结论和展望一4 4 6 1 结论4 4 6 2 展望4 4 参考文献4 5 攻读硕士学位期间发表的论文4 8 插图清单 图2 1c l - 2 0 a 数控车床热误差测试系统框图5 图2 2 实验数据采样流程框图6 图2 3 实验数据采样主界面6 图2 4c l - 2 0 a 高速数控车床7 图2 5c l - 2 0 a 高速数控车床测温传感器分布简图7 图2 - 6 主轴前端的温度传感器8 图2 7 刀架上的温度传感器8 图2 8x 向电机上的温度传感器8 图2 - 9 机床床身的温度传感器9 图2 1 0 主轴前、中、后部的温度传感器9 图2 1 1z 向丝杠轴承座的温度传感器9 图2 1 2 测温点温度变化示意图l6 图2 1 3 位移传感器的安装示意图1 7 图2 1 4 位移传感器夹持示意图18 图2 1 5 位移传感器的安装实物图1 8 图3 1b p ( 多层) 网络结构示意图1 9 图3 2b p 网络训练前后效果对比2 1 图3 3b p 网络建模x 向建模前后的比较图2 3 图3 4b p 网络建模y 向建模前后的比较图2 4 图3 5p 网络建模z 向建模前后的比较图2 5 图4 1 具有r 个输入节点的径向基函数网络2 7 图4 2 径向基函数输入输出面积宽度关系图2 8 图4 3r b f 网络结构图2 8 图4 _ 4r b f 网络训练前后效果对比2 9 图4 5r b f 网络建模x 向建模前后的比较图3 1 图4 6r b f 网络建模y 向建模前后的比较图3 2 图4 7r b f 网络建模z 向建模前后的比较图3 3 图5 1 典型模糊神经网络的结构图3 7 图5 2a n f i s 图形界面3 9 图5 。3 自适应神经网络模糊系统建模x 向训练效果图4 0 图5 - 4 自适应神经网络模糊系统建模y 向训练效果图4 0 图5 5 自适应神经网络模糊系统建模z 向训练效果图4 1 图5 - 6 自适应神经网络模糊系统建模x 向建模前后的比较图4 1 图5 7 自适应神经网络模糊系统建模y 向建模前后的比较图4 2 图5 8 自适应神经网络模糊系统建模z 向建模前后的比较图4 3 表格清单 表3 1 不同隐含层节点数训练结果比对表2 0 表3 2b p 网络建模x 向建模前后的比较2 3 表3 3b p 网络建模y 向建模前后的比较2 4 表3 - 4b p 网络建模z 向建模前后的比较2 5 表4 1r b f 网络建模x 向建模前后的比较。3 1 表4 2r b f 网络建模y 向建模前后的比较3 2 表4 3r b f 网络建模z 向建模前后的比较3 3 表5 1 自适应神经网络模糊系统建模x 向建模前后的比较。4 1 表5 2 自适应神经网络模糊系统建模y 向建模前后的比较一4 2 表5 3 自适应神经网络模糊系统建模z 向建模前后的比较4 3 第一章绪论 1 1 引言 现代生产过程自动化的飞速发展和精密加工的广泛应用，导致对数控机床 加工精度的要求越来越高。提高机床加工精度主要有两种方法：误差避免和误 差补偿。误差避免应用于机床的设计和制造阶段，通过提高机床制造精度尽 可能大地减少和消除可能的误差源，提高加工精度，但这种方法会导致成本增 加。误差补偿是人为地制造一种误差，去抵消工艺系统固有的原始误差，或者 利用一种原始误差去抵消另一种原始误差，从而达到提高加工精度的目的，是 一种经济有效的提高加工精度的方法，采用误差补偿技术可以比较容易达到误 差预防法要花很大代价才能达到的精度水平，引起国内外专家的重视和研究。 数控机床工作过程中温升以及其导致的相对应的加工误差的测量获取、温 度变化敏感点的确定是建立有效建模方法的关键和前提。误差补偿不仅涉及机 床误差的直接测量，而且涉及机床误差的间接运动学建模。通常，通过适当的 努力可以测得机床几何误差，但由于机床热误差在很大程度上取决于诸如加工 周期、冷却液的使用以及周围环境等多种因素，所以要精确测得热误差是相当 困难的心1 。所以，热误差检测工作具有检测数据量大、精度要求高的特点，需 同时检测多路温度和位移信号，对采集系统的抗干扰能力和采集速度有很高要 求。采集完毕后还须对各个测温点数据进行分析比对，分析其相关性，将对加 工精度影响比较大的温度点准确找出作为热误差补偿建模的数据依据。只有做 到上述几点才能保证所建模型准确有效1 。 1 2 数控机床热误差建模的方法国内外研究概况 自从上世纪7 0 年代后期，数控机床热误差补偿建模方法作为数控机床热变 形补偿技术的关键问题之一，国内外学者作了大量研究，取得了很多阶段性的 成果。 数控机床热误差建模的方法从建模时间的角度可分为离线建模和在线建 模，离线建模的模型参数在补偿的过程中是固定的，而在线建模的模型参数在 补偿过程中随着温度等的变化按一定的规则被修正。由于实时在线地检测误差 分量难度比较大有时甚至是不可能的，所以误差元素的建模一般是离线建模。 热误差建模的方法很多，选择不同的方法对误差补偿效果有非常大的影 响。最主要有误差合成法、预先设计工艺框架法、有限元分析法、多元回归分 析方法、灰色系统理论建模、时间序列分析法、神经网络方法、模糊神经网络 建模方法等h 曲1 。 在上述的诸多建模方法中，误差合成法通常用于几何和热误差，这种方法 借助误差分量获得总体误差。预先设计工艺框架的方法用来对局部的几何和热 误差进行建模，这种方法测量的是经过特别设计的构件的尺寸，而不是直接测 量误差“0 】。 有限元法在机床温度相对稳定时计算发热量和机床构件的热变形有较高的 精度。计算机床动态热误差和误差预报补偿时结果并不理想，有研究表明1 有限元方法只能预报2 0 一3 0 的动态热误差。 多元线性回归法是一种用统计方法寻求多输入和单输出关系的模型。在热 变形情况下，是得到一组表达多点测量温度输入和一个方向位移输出关系的线 性系数，因为热变形是多方向的，所以每一个方向可以分别独立求得一组系数。 各个方向合在一起即可得到多输入多输出模型n2 1 。建模和误差补偿预报结果表 明，多变量线性回归法建模过程简单，能够较好地描述机床动态热性能，但是 基于最小二乘法原理建立的数学模型，补偿的有效性和鲁棒性受到限制引。 神经网络理论是利用工程技术手段模拟人脑神经网络结构和功能的一种 非线性动力学系统。其特色在于信息的分布式存储和并行协同处理。虽然单个 神经元的结构极其简单功能有限，但大量神经元构成的网络系统所实现的行为 确是极其丰富多彩的。它具有集体运算的能力和自适应的学习能力，以及很强 的容错性、鲁棒性，善于联想、综合和推广口3 。 根据连接方式的不同，神经网络可以分为两大类：无反馈的前向神经网络 和相互连接型网络( 包括反馈网络) 。神经网络模型有几十种，其中常用的有 b p 网络、h o p f i e l d 神经网络、雪崩网络、自组织映射( s o m ) 、径向基函数r b f 、 自组织映射( s o m ) 等1 。在人工神经网络的实际运用中，8 0 - 9 0 的神经网络 模型是采用b p 网络或者它的变化形式，目前主要用于模式识别与分类、函数逼 近、数据压缩及预测等领域n5 1 。r b f 网络结构简单、收敛速度快、建模训练时 间短，能够根据机床系统热特性建立精确模型，从而对不同温度下的机床误差 进行预报引。本论文选用b p 神经网络、r b f 神经网络进行热误差建模，补偿的 有效性和鲁棒性有很大提高n 。 模糊控制不宜单独用于机床动态热行为的建模和误差补偿预报，因为这里 主要是连续的参数变量，模糊控制更适宜定性控制。而模糊控制和神经网络相 结合则可以获得较好的结果，但进行机床热误差实时补偿时计算量比多变量线 性回归模型和神经网络模型大。 神经网络与模糊逻辑结合组成模糊神经网络系统，是当前计算智能科学的 一个重要研究方向。研究表明神经模糊推理系统可以很好地逼近实际系统的输 出，利用神经模糊推理系统作为函数逼近器为复杂系统的建模与控制提供了有 效工具n 引。 最新的热误差补偿技术是日本o k u m a 机床公司独创的“热亲和概念 。热 亲和包括热变形简化结构设计技术( 使机床具有简化的热变形结构) 、均匀化 的温度分布设计技术( 消除机床的温度不均匀分布) 、高精度的热位移补偿技 术( 使用能够正确进行热位移补偿的系统) ，通过三种技术的综合运用在尽可 能抑制热量发生的同时，对不可避免产生的热量预测其所能导致的热变形，采 2 用有效补偿的方法来消除其产生的影响n 引。 纵观国内外，机床热误差补偿技术从过去主要利用机械式修正装置的硬件 补偿到现在随着机床数控技术和计算机技术的发展而使用的软件补偿，已经历 相当长时间，取得了较大进展，有些技术已经应用于高速高精度数控机床，但 是还没有达到商业化程度。目前，我国在重大专项“高档数控机床与基础制造 设备 中已把动态综合补偿列入需要攻关的关键共性技术，可以预计，在不久 的将来我国将开发成功具有自主知识产权的高精度、低成本热误差补偿器，可 对主轴和刀具间的热误差进行实时修正，并嵌入到国产的数控系统中，为大批 数控机床误差实时补偿的实时创造有利条件。 1 3学位论文内容的来源及主要研究内容 1 3 1学位论文内容来源 学位论文内容来源于“高档数控机床与基础制造装备科技重大专项“高 速精密数控机床动态综合补偿技术子课题“高速精密数控机床热误差补偿技 术研究 ，课题编号2 0 0 9 z x 0 4 0 1 4 - 0 2 3 0 2 。 1 3 2学位论文的主要研究内容 在机械加工中，机床在内外热源的作用下，产生温度场，致使各部件产生 不同程度的热变形，从而破坏预先调整好的刀具和工件之间的相对位置，改变 实际切削深度，带来工件尺寸和形位的误差。对于现代制造业，一般而言，热 变形引起的误差可占加工总误差的5 0 ，对于高精密度加工，热变形误差影响 还要增大。温度的影响导致机床的定位精度和几何精度发生变化，直观地体现 在加工精度的下降，本论文的主要研究内容： ( 1 ) 机床热变形成因分析。 ( 2 ) 机床各处温升及其对应的x 、y 、z ：y 向误差测量 ( 3 ) 机床热变形温度敏感点的辨识。 ( 4 ) 数据处理和误差建模。 ( 5 ) 进行验证并对出现的问题进行修正和补充。 通过研究，为简单且行之有效的机床热误差建模方法提供参考，以提高高 档数控机床的加工精度，进而提高被加工件的精度。 3 第二章c l - 2 0 a 高速数控车床测试实验及数据分析 2 1 机床热变形分析 在机械加工中，机床在内外热源的作用下产生温度场，致使各部件产生不 同程度的热变形，从而导致工件与刀具间的相对位移，造成加工误差，影响零 件的加工精度。根据英国伯明翰( b r i m i n g - h a m ) 大学j p e k l e n i k 教授调查表 明，热变形误差一般占加工总误差的4 0 - 7 0 心0 1 ；德国亚琛( a a c h e n ) 工业大 学h b r a u n i n g 教授分析认为，热变形误差一般约占加工总误差的5 0 心；俄罗 斯莫斯科自动化工程研究所a v p u s h 教授调查结果则认为，热变形引起的加工 误差可占加工总误差的2 5 - 7 5 乜副。由此可见，对于现代制造业，一般而言， 热变形引起的误差可占加工总误差的5 0 ，对于高精密度加工，热变形误差影 响还要增大。在现代先进制造技术中，为保证所加工零件的质量，分析机床热 变形以及采取有效措施减少其影响已经成为精密加工要解决的关键课题之一 2 1 1 机床热变形成因分析 加工过程中产生的热源主要有三大类： ( 1 ) 切削热 切削热对工件加工精度的影响最直接。在金属切削过程中，由机械能变为 被切削材料的变形能，从而产生大量的热量，产生热量的大小主要取决于被切 削材料的性质及切削用量的大小。切削产生的热量主要传入到刀具、工件和切 屑之中，不同种类的加工，其传入各部分的比例不同。 ( 2 ) 摩擦热 机床有各种运动副，如主轴、轴承副、齿轮副、导轨副、离合器、丝杠副 等等，它们在相对运动时会发生摩擦，进而产生热量。另外机床的液压系统、 电动机等动力源也要发热，也是内部热源的一种。虽然摩擦热所导致的绝对温 升，没有切削热那么明显，但它却是导致机床产生热变形的主要原因。因而破 坏了工艺系统原有的精度。 ( 3 ) 环境温度、热幅射 在精密加工中，一般要求加工车间的室内温度为恒温且在2 0 。c 左右。但是 由于周围环境如气温变化、局部室温差、热冷风、空气流动、阳光、照明灯、 人体等的影响都会导致机床各部件受热不均匀而产生变形。 实践证明造成机床热变形最主要原因为磨擦热、切削热，环境温度、热幅 射在精加工中才有较大影响。 2 1 2 机床热变形对加工精度的影响 温度的影响导致机床的定位精度和几何精度发生变化，直观地体现在加工 精度的下降，机床热变形对精度的影响可以体现在以下几个方面： ( 1 ) 线性位移变化 由于热量扩散后造成机床主轴在不同方向上移动，从而破坏了机床安装调 4 试的精度，同时，也造成工作台上不同位置的变化，导致工件尺寸出现误差。 ( 2 ) 角度变化 热变形引起机床主轴角度位置变化，或者工作台相对于主轴轴线出现角位 移，导致主轴轴线相对于工作台的平行度或垂直度变化，造成加工表面对基准 的不平行或不垂直。 ( 3 ) 直线性变化 热变形引起工作台部件运动平面的弯曲，或者引起导轨弯曲，导致运动部 件移动时出现直线度误差心3 2 朝。 2 2测试系统介绍 2 2 1 测试系统总体思路 实验采用机床温升数据和热变形数据同时采集的思路，温度传感器和位移 传感器采集到的数据通过各自的数据线传输到数据采集卡，然后接入计算机， 并通过相应的配套软件进行数据的保存和处理。测试框图如图2 1 所示。 图2 - 1c l 一2 0 a 数控车床热误差测试系统框图 2 2 2 温度和热误差数据检测软件系统 验在w i n d o w s 环境下，使用v i s u a lb a s i c 这种可视化的、面向对象和 件驱动方式的结构化高级程序设计语言，开发的热误差和温度检测软件 流程框图如图2 2 所示，实验数据采样主界面如图2 - 3 所示。 5 图2 - 2 实验数据采样流程框图 选择板卡：疰鬻黧弱圈敞卡基地垃： i a s 0 0 “。一”。 参数设置 曲蠢稷选择：万= ：_ 弱f 刁思示方式：舞愿孺i 孑嘲贷1 r o 太小：沥甄疆嚣酊刁 透遭方式：蹲溺f j 酒两日束通谨号：零r 矗d 采弹频率：蓊而f 电器缆( 曩v ) f 旷旷r 旷旷 旷阿阿阿阿阿阿阿 阿阿洋瓤矿阿阿阿阿舞缎r 阿阿阿阿阿阿阿阿 l 。 一 。 ，电黪经移德( 锄) 一“r 一 一一 。 ， 奄感一。雾獭蔓电感：，籀稻i i 一电感兰。雾掰广电箍四。辨龋j i 毫蕴五。颡陋f 一 “” 一 一 j r 滠赛溘( ) ， 遗塞o i 潺震0 2遗鏖0 3溢震0 4温爱0 5遗摩0 6滋炭0 7温度0 8瀣度 降犷1 撩_ 甲丽 溉矿下爵 瓢矿1 褥审西 聪广 温度1 0湿赛l l超废1 2涟度1 3 温发l 遂发l 蓦攫发1 6遴度1 7温度1 8 温震1 9滠发2 0滋度2 l溢瘦2 2 温度2 3强度2 4瀣度2 5温度2 6温度2 7 孵麟1 鞲犷下覆广零澄1 溺再鞲 黼百下酗 “”“ h m 曼篓魉墨銮壁i墨璺墨堡| 图2 3 实验数据采样主界面 2 3 主要温度点温度变化测量 本论文以大连机床有限公司的c l 一2 0 a 高速数控车床为研究对象如图2 4 所示，根据上文分析、经验以及热红外摄像大致确定机床热误差主要热源有： 6 x 向电机、z 向丝杠轴承座、z 向导轨座、底座、主轴箱中端、主轴箱后端、主 轴端部、主轴箱前端、环境温度、刀架1 0 个主要测温点。 实验选用了测量精度高、性能稳定的s t t - f 型p t l 0 0 ，s t t - f 系列铂电阻 温度传感器，此类电阻由金属外壳封装，内部填充导热材料和密封材料灌封而 成，适用于物体表面温度的测量。与被测物体表面的固定采用快干胶粘接方式， 既方便测温传感器的取下，达到重复利用的目的，又不损坏被测物体的表面。 在上述热源附近布置温度传感器，温度传感器的布置主要遵循以下原则： ( 1 ) 温度传感器的个数应多于内部热源的个数；( 2 ) 传感器应该尽量靠近热 源；( 3 ) 为了获得最佳的传感器的个数和位置，初期的测量实验应设置尽量多 的测量点，以保证不丢失重要信息豫 。实验所选1 0 个主要测温点分布简图如 图2 5 所示。其中1 号温度传感器测x 向电机，2 号温度传感器测z 向丝杠轴 承座，3 号温度传感器测z 向导轨座，4 号温度传感器测底座，5 号温度传感器 测主轴箱中端，6 号温度传感器测主轴箱后端，7 号温度传感器测主轴箱前端， 8 号温度传感器测主轴端部，9 号温度传感器测环境温度，1 0 号温度传感器测 刀架。 图2 4c l 一2 0 a 高速数控车床 图2 5c l 2 0 a 高速数控车床测温传感器分布简图 7 图2 - 6 主轴前端的温度传感器 图2 7 刀架上的温度传感器 图2 - 8x 向电机上的温度传感器 8 图2 - 9 机床床身的温度传感器 ： 图2 - 1 0 主轴前、中、后部的温度传感器 传感器 ：线性拟合理论辨识方法乜引、 机床热误差模态分析法、模糊聚类分析法或回归分析法乜引、神经网络方法阳 等。本论文采用模糊聚类分析法来确定温度变化敏感点。 模糊聚类分析法主要按信号的相关性将测温点凝聚为若干类，从每一类中 选一个代表用于计算热变形。下面主要是对模糊聚类方法进行一下介绍。 2 4 1建立相似关系( 求相似矩阵) 设论域t = ii = o ，n ，其中f ，代表各测温点，缸( k = l ，n ) 代表 第i 个温度测量点的n 个测量值，r 琥( k = l ，n ) 代表第j 个温度测量点的n 个测量值，t ，与t y 的相似关系r = k ) 的建立方法很多，部分列举如下： ( 1 ) 数量积法： f 1 当i = ， 铲1 击和瓠 其中m 为一适半选择之正数，满足m m w a x l 芝陶t a , t j k j ； 一 、 ( 2 ) 相关系数法： 。 兰一为( 一i ) 其中石= 万1 荟n 缸，。- - = 万1 荟n 缸； ( 3 ) 最大最小法： m i n ( t 膻，) r = 生一。耵m y m a x ( t 请，k ) k = l ( 4 ) 算术平均最小法： m i n ( t 趾，靠) 白= 竿f 一 寺( + t j k ) 二k = l ( 5 ) 几何平均最小法： m i n ( t 雎，0 ) 铲芑嘉膻i 1 0 ( 6 ) 绝对值指数法： 一f i 2e 扣1 ( 7 ) 绝对值减数法： f 1 当f _ j 勺2 1l 一兰卜，一当z j 其中，c 适当选取，使0 r i i 1 ； 本论文采用第( 2 ) 种方法，这样就可以得到模糊矩阵r = ( ) 。r 满足自 反性和对称性是模糊相似矩阵。 2 4 2建立等价关系( 求等价矩阵) 根据相似矩阵r ，甜，) ，采用平方法求出r 的传递闭包爻( 即等价矩阵) 。 尺寸r 2 寸i 欠2r 一一尺r ：晨 令2 刀，则后2l 0 9 2 ，z ，故至多经过l 0 9 2n + 1 次的平方法即可得到传递 闭包。一 ， 注：f 乘法 s = q 。r 勤= 壹( g 啦 ) ( f = 1 ，2 ，2 ，m ；j = 1 ，2 ，z ) ( a “取小 ，如0 2 a0 6 = 0 2 ；v “取大，如0 2v 0 6 = 0 6 ) 2 4 3聚类 选定若干不同的入值( o 入1 ，入从1 降至0 ) ，得到截矩阵 疋- ， ，j | ，以) = 三z 茎三 根据宅0 ，甜j ) = 1( f ，j = 1 ，2 ，聆) 进行分类，最后汇总聚类。 2 5温度变化敏感点分析 2 5 1建立相似关系( 求相似矩阵) c l e a ra l l ： n = x l s t e a d ( t 2 0 1 0 0 6 3 0 ) ：从e x c e l 读取数据 d a t a = n ( ：，1 ：1 0 ) ： e v e n = s u m ( d a t a ) siz e ( d a t a ，1 ) ： e v e n e x p = r e p m a t ( e v e n ，s i z e ( d a t a ，1 ) ，1 ) ： e r o r = d a t a e v e n e x p ： f o ri = 1 ：1 0 f o rj = l ：1 0 t e m p s = s u m ( e r o r ( ：，i ) * e r o r ( ：，j ) ) ： t e m p s l = s u m ( e r o r ( ：，i ) “2 ) ： t e m p s 2 = s u m ( e r o r ( ：，j ) 2 ) ： r ( i ，j ) = t e m p s ( s q r t ( t e m p sl , t e m p s 2 ) ) ： e n d e n d 上步完成r 矩阵的计算 r = 1 0 9 8 80 9 7 80 9 50 8 7 10 8 30 9 6 30 8 90 9 5 60 9 8 9 0 9 8 8 l 0 9 9 70 9 8 30 7 9 50 7 4 40 9 6 30 8 1 90 9 8 30 9 7 5 0 9 7 80 9 9 710 9 9 40 7 5 50 7 0 2 0 9 4 8 0 7 8 20 9 8 70 9 6 9 0 9 50 9 8 30 9 9 410 6 8 20 6 2 30 9 2 30 7 1 20 9 8 50 9 4 4 0 8 7 10 7 9 50 7 5 50 6 8 210 9 9 70 8 3 70 9 9 90 7 0 80 8 5 7 0 8 30 7 4 40 7 0 20 6 2 30 9 9 710 7 9 40 9 9 20 6 5 10 8 1 9 0 9 6 30 9 6 30 9 4 80 9 2 30 8 3 70 7 9 4 10 8 5 50 9 2 20 9 1 9 0 8 90 8 1 90 7 8 20 7 1 20 9 9 90 9 9 20 8 5 5 10 7 3 6o 8 7 9 0 9 5 6 0 9 8 30 9 8 70 9 8 5o 7 0 80 6 5 10 9 2 20 7 3 610 9 4 5 0 9 8 90 9 7 50 9 6 90 9 4 40 8 5 70 8 1 90 9 1 90 8 7 90 9 4 5 1 2 5 2建立等价关系( 求等价矩阵) f o ri n d e x = 1 ：1 0 f o ri = l ：1 0 f o rj = l ：1 0 f o rk = l ：1 0 i fr ( i ，k ) d m a x d m a x = d m i n ( k ) ： e n d e n d 1 2 r r ( i ，j ) = d m a x ： e n d e n d f g = o ： f o ri = l ：1 0 f o rj = l ：1 0 i fr ( i ，j ) = r r ( i ，j ) r = r r ： f g = l ： b r e a k ： e n d e n d i ff g = = l b r e a k ： e n d e n d i ff g = = o b r e a k ： e n d e n d 最后的结果在r r 矩阵里 r = r r = 1 0 9 8 8 0 9 8 8 0 9 8 8 0 8 9 0 8 9 0 9 6 3 0 8 9 0 9 8 7 0 9 8 9 2 5 3 0 9 8 8 1 0 9 9 7 0 9 9 4 0 8 9 0 8 9 0 9 6 3 o 8 9 0 9 8 7 0 9 8 8 聚类 0 9 8 8 0 9 9 7 1 0 9 9 4 0 8 9 o 8 9 0 9 6 3 0 8 9 0 9 8 7 0 9 8