田春苗,季泽平,郭世杰,b,唐术锋,b,乔 冠,b

(内蒙古工业大学a.机械工程学院;b.内蒙古自治区特殊服役智能机器人重点实验室,呼和浩特 010051)

0 引言

热误差是影响机床精度的关键因素[1-2],约占总误差的40%～70%[3-4]。高精密伺服系统的应用,使得控制误差的影响明显降低。直线电机和高速电主轴技术的应用以及机床零件的制造与装配精度的提高,使得几何误差得到有效控制[5]。然而,随着机床精度的提高,热误差对精度的影响尤为突出[6]。主轴作为机床的核心部件,同时也是机床主要发热部件,其在热误差中占比最大,因此如何抑制主轴热误差的影响,对高精度数控机床的发展具有重要意义。

近几年,国内外研究人员针对主轴热误差补偿技术进行了大量研究[7]。热误差建模是主轴热误差补偿的核心,主轴热误差预测模型的准确性是后续热误差补偿的前提条件。为此,研究人员在热误差建模领域进行了大量的研究,并取得显著成果。其中最小二乘法(LS)、多元线性回归(MLR)、支持向量机(SVM)、BP神经网络、卷积神经网络(CNN)和循环神经网络(RNN)等网络被大量应用于热误差预测模型的建立[8-14],以上方法均能表征温度与热误差之间的复杂关系。LS和MLR等传统建模方法适用于结构简单且精度不高的数控机床的温度与热误差的关系表达,传统建模方法无法处理复杂机床热误差的非线性特征。因此,机器学习就成为了热误差建模的主要方法。其中,SVM、BP神经网络以及循环神经网络等模型需要确定参数才能准确进行预测,因此大量研究使用优化算法进行参数寻优,进而提高模型预测精度[15-21]。……