本发明涉及数控机床精密加工控制领域，特别是一种基于热分析的数控铣镗床加工精度预测方法。
背景技术：
数控机床是一种高端精密加工设备，数控机床较好地解决了复杂、精密、小批量、多品种的零件加工问题，是一种柔性的、高效能的自动化机床，代表了现代机床控制技术的发展方向，是一种典型的机电一体化产品。数控机床是现代机械加工业皇冠上的明珠，在高端精密机床领域，日本、德国的先进企业牢牢地占据了市场。其中，机床加工精度衡量数控机床水平的是一个重要的技术指标。有研究表明，机床加工过程中，刀头的热变形导致的误差占机床加工整体误差超过25％，因此如何控制热变形导致的误差，是提高机床整体加工精度的关键因素之一。
对机床热变形导致的加工误差进行控制的前提是对机床加工过程的产热进行分析，量化分析并计算出其对车床加工精度的影响。但是在现有技术中，还没有能够有效分析机床产热和其对车床加工精度影响的方法。尤其是在加工过程热量较高的镗铣加工机床中，现有技术中主要通过提高冷却系统的冷却效率来解决问题，而非基于热分析对加工精度进行预测和控制。
技术实现要素：
为克服现有技术中无法有效分析热变形对于镗铣床加工精度的影响的问题，本发明提供的一种基于热分析的数控铣镗床加工精度预测方法，该方法针对加工过程中主要的几个产热单位的热量值，采用改进的神经识别网络算法对其进行分析，估算对于加工精度的影响。
本发明采用以下技术方案实现：
一种基于热分析的数控铣镗床加工精度预测方法，该方法包括如下步骤:
s1、在加工过程中，实时采集用于计算数控铣镗床热特性数值的特征量,得到热特性特征数据集；
s2、根据热特性特征数据集分别计算机床的滚动轴承产热值q1、滚珠丝杠产热值q2、电机产热值φ和静压导轨油膜产热值qn，得到热源属性数据集；
其中，滚动轴承产热值采用如下公式计算：
q1＝1.047·m1·n1
式中：n1为轴承转速，m1为滚动轴承摩擦力矩；
滚珠丝杠产热值采用如下公式计算：
q2＝1.2π·m2·n2
式中：n2为滚珠丝杠转速，m2为丝杠螺母的摩擦力矩；
电机产热值采用如下公式计算：
式中：mm为驱动电机输出力矩，n3为驱动电机转速；
静压导轨油膜产热值的计算公式为：
qn＝μav/h
式中：μ为油液的动力粘度，a为密封带部分的支承面积，μv/h等于密封带部分的剪切应力；
s3、采用快速搜索与寻找密度峰值算法对热源属性数据集进行聚类，根据决策图确定三个聚类中心，将三个类别根据要求分别定义为合格状态(eq)、介稳状态(he)和误差状态(ue)；
s4、采用可拓神经网络算法对聚类后的属性数据集进行训练，直到达到指定的训练错误率，完成训练过程；
s5、继续采集数控铣镗床的热特性特征属性值，并计算得到热源属性数据集；
s6、采用训练完成后的可拓神经网络算法，根据热源数据集中的数据点与类别之间的距离，对实时获取的热源属性数据集进行识别，获取当前状态下数控铣镗床产热对加工精度影响的状态数据；
s7、统计加工过程中状态数据的总和以及各状态数据的和，采用如下的误差累积公式对加工精度进行估计：
式中，n为工件加工过程中采样识别的状态数的总和，neq是采样和识别过程中状态数据为合格的状态数的总和，nue是采样和识别过程中状态数据为误差的状态数的总和，k为通过历史数据估算的热变形在该机床镗洗加工过程中对精度的影响系数，根据经验值确定。
进一步地，步骤s1中，热特性数值的特征量的包括：轴承转速n1，滚动轴承摩擦力矩m1，滚珠丝杠转速n2，丝杠螺母的摩擦力矩m2；驱动电机输出力矩mm，驱动电机转速n3、油液的动力粘度μ和密封带部分的支承面积a；实时采集特征量的采样频率为5-8hz。
进一步地，步骤s4中，可拓神经网络算法的训练过程如下：
定义热源属性数据集为
(1)根据下式确定每个产热对精度影响状态类别的经典域作为初始权值
其中，k＝1…nc，nc为总的类别个数；
(2)计算每个产热对精度影响状态类别的初始类别中心
(3)读取第i个热特性特征数据集中的数据点以及此数据点所属的类别p
(4)参照可拓理论中可拓距的计算公式，计算数据点
(5)找出数据点
edio＝min{edik}；
(6)用下面的公式更新第p个类别中心和第o个类别中心
用下面的公式更新第p个类别权值和第o个类别权值
其中，η是学习率，取典型值η＝0.001；
(7)重复第3-6步，当所有的数据都训练完成时，结束一个训练周期，重新输入第一个数据并进行下一周期的训练；
(8)当达到目标错误率时，结束可拓神经网络识别算法的训练过程；
进一步地，目标错误率的计算公式为：
其中，e为目标错误率，nm为所有训练周期的错误数据，np为所有训练周期的所有数据。
进一步地，目标错误率取值为e≤1x10-7。
进一步地，步骤s6中，识别过程包括如下步骤：
(1)读取训练阶段的最终权值；
(2)使用公式zk＝{zk1,zk2,…,zkn}，
(3)读取实时采集的数据点
xt＝{xt1,xt2,...,xtn}，
使用公式
计算采集的数据点与各类别之间的距离；
(4)若满足
(5)依次完成采集的所有数据点的识别，确定当前状态下数控铣镗床产热对加工精度影响的状态数据。
本发明提供的一种基于热分析的数控铣镗床加工精度预测方法，具有如下有益效果：
本发明在分析镗铣床加工过程的产热量时，为了更便于对数据进行量化处理，有侧重地对滚动轴承产热值、滚珠丝杠产热值、电机产热值和静压导轨油膜产热值四个产热单位的热量进行选择，从而构成热分析的所用的热源属性数据集，这既不会影响对于最终结果的预测，也会大幅度降低数据的采集和处理的难度。
本发明还采用快速搜索与寻找密度峰值算法对热源属性数据集进行聚类，从而准确获得数据集的聚类中心，便于后续采用神经识别网络算法对其进行训练和识别；基于识别的结果，利用误差累积的思想对分析的结果进行量化，得到其对加工精度影响的最终评价，这种评价结果具有极高的参考价值，且与数控镗热变形对于实际工件加工精度的影响具有较高的一致性，可以作为良好的加工精度预测指标。
附图说明
图1是本实施例1中基于热分析的数控铣镗床加工精度预测方法的处理步骤时序图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
实施例1
如图1所示，本实施提供一种基于热分析的数控铣镗床加工精度预测方法，该方法包括如下过程：
一、数据采集
实时采集用于计算数控铣镗床热特性数值的特征量,得到热特性特征数据集。
热特性数值的特征量的包括：轴承转速n1，滚动轴承摩擦力矩m1，滚珠丝杠转速n2，丝杠螺母的摩擦力矩m2；驱动电机输出力矩mm，驱动电机转速n3、油液的动力粘度μ和密封带部分的支承面积a；实时采集特征量的采样频率为5hz。
根据热特性特征数据集分别计算机床的滚动轴承产热值q1、滚珠丝杠产热值q2、电机产热值φ和静压导轨油膜产热值qn，得到热源属性数据集；
其中，滚动轴承产热值采用如下公式计算：
q1＝1.047·m1·n1
式中：n1为轴承转速，m1为滚动轴承摩擦力矩；
滚珠丝杠产热值采用如下公式计算：
q2＝1.2π·m2·n2
式中：n2为滚珠丝杠转速，m2为丝杠螺母的摩擦力矩；
电机产热值采用如下公式计算：
式中：mm为驱动电机输出力矩，n3为驱动电机转速；
静压导轨油膜产热值的计算公式为：
qn＝μav/h
式中：μ为油液的动力粘度，a为密封带部分的支承面积，μv/h等于密封带部分的剪切应力；
二、算法训练
基于聚类后的数据集，可拓神经网络算法的训练过程如下：
定义热源属性数据集为
(1)根据下式确定每个产热对精度影响状态类别的经典域作为初始权值
其中，k＝1…nc，nc为总的类别个数；
(2)计算每个产热对精度影响状态类别的初始类别中心
(3)读取第i个热特性特征数据集中的数据点以及此数据点所属的类别p
(4)参照可拓理论中可拓距的计算公式，计算数据点
(5)找出数据点
edio＝min{edik}；
(6)用下面的公式更新第p个类别中心和第o个类别中心
用下面的公式更新第p个类别权值和第o个类别权值
其中，η是学习率，取典型值η＝0.001；
(7)重复第3-6步，当所有的数据都训练完成时，结束一个训练周期，重新输入第一个数据并进行下一周期的训练；
(8)当达到目标错误率时，结束可拓神经网络识别算法的训练过程。
目标错误率的计算公式为：
其中，e为目标错误率，nm为所有训练周期的错误数据，np为所有训练周期的所有数据。
目标错误率取值为e≤1x10-7。
三、算法识别
实时采集数控铣镗床的热特性特征属性值，并计算得到热源属性数据集；
采用训练完成后的可拓神经网络算法，根据新采集的热源数据集中的数据点与类别之间的距离，对实时获取的热源属性数据集进行识别，获取当前状态下数控铣镗床产热对加工精度影响的状态数据；
识别阶段的步骤如下：
(1)读取训练阶段的最终权值；
(2)使用公式zk＝{zk1,zk2,…,zkn}，
(3)读取实时采集的数据点
xt＝{xt1,xt2,...,xtn}，
使用公式
计算采集的数据点与各类别之间的距离；
(4)若满足
(5)依次完成采集的所有数据点的识别，确定当前状态下数控铣镗床产热对加工精度影响的状态数据。
四、加工精度预测
统计加工过程中状态数据的总和以及各状态数据的和，采用如下的误差累积公式对加工精度进行估计：
式中，n为工件加工过程中采样识别的状态数的总和，neq是采样和识别过程中状态数据为合格的状态数的总和，nue是采样和识别过程中状态数据为误差的状态数的总和，k为通过历史数据估算的热变形在该机床镗洗加工过程中对精度的影响系数，根据经验值确定。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
1.一种基于热分析的数控铣镗床加工精度预测方法，其特征在于，所述方法包括如下步骤：
s1、在加工过程中，实时采集用于计算数控铣镗床热特性数值的特征量,得到热特性特征数据集；
s2、根据热特性特征数据集分别计算机床的滚动轴承产热值q1、滚珠丝杠产热值q2、电机产热值φ和静压导轨油膜产热值qn；
其中，滚动轴承产热值采用如下公式计算：
q1＝1.047·m1·n1
式中：n1为轴承转速，m1为滚动轴承摩擦力矩；
滚珠丝杠产热值采用如下公式计算：
q2＝1.2π·m2·n2
式中：n2为滚珠丝杠转速，m2为丝杠螺母的摩擦力矩；
电机产热值采用如下公式计算：
式中：mm为驱动电机输出力矩，n3为驱动电机转速；
静压导轨油膜产热值的计算公式为：
qn＝μav/h
式中：μ为油液的动力粘度，a为密封带部分的支承面积，μv/h等于密封带部分的剪切应力；
s3、采用快速搜索与寻找密度峰值算法对热源属性数据集进行聚类，根据决策图确定三个聚类中心，将三个类别根据要求分别定义为合格状态(eq)、介稳状态(he)和误差状态(ue)；
s4、采用可拓神经网络算法对聚类后的属性数据集进行训练，直到达到指定的训练错误率，完成训练过程；
s5、继续采集数控铣镗床的热特性特征属性值，并计算得到热源属性数据集；
s6、采用训练完成后的可拓神经网络算法，根据热源数据集中的数据点与类别之间的距离，对实时获取的热源属性数据集进行识别，获取当前状态下数控铣镗床产热对加工精度影响的状态数据；
s7、统计加工过程中状态数据的总和以及各状态数据的和，采用如下的误差累积公式对加工精度进行估计：
式中，n为工件加工过程中采样识别的状态数的总和，neq是采样和识别过程中状态数据为合格的状态数的总和，nue是采样和识别过程中状态数据为误差的状态数的总和，k为通过历史数据估算的热变形在该机床镗洗加工过程中对精度的影响系数，根据经验值确定。
2.如权利要求1所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述步骤1中，热特性数值的特征量的包括：轴承转速n1，滚动轴承摩擦力矩m1，滚珠丝杠转速n2，丝杠螺母的摩擦力矩m2；驱动电机输出力矩mm，驱动电机转速n3、油液的动力粘度μ和密封带部分的支承面积a。
3.如权利要求1所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述步骤s4中，可拓神经网络算法的训练过程如下：
定义热源属性数据集为
(1)根据下式确定每个产热对精度影响状态类别的经典域作为初始权值
其中，k＝1…nc，nc为总的类别个数；
(2)计算每个产热对精度影响状态类别的初始类别中心
zk＝{zk1,zk2,…,zkn}，
(3)读取第i个热特性特征数据集中的数据点以及此数据点所属的类别p
(4)参照可拓理论中可拓距的计算公式，计算数据点
(5)找出数据点
edio＝min{edik}；
(6)用下面的公式更新第p个类别中心和第o个类别中心
用下面的公式更新第p个类别权值和第o个类别权值
其中，η是学习率，取典型值η＝0.001；
(7)重复第3-6步，当所有的数据都训练完成时，结束一个训练周期，重新输入第一个数据并进行下一周期的训练；
(8)当达到目标错误率时，结束“可拓神经网络”识别算法的训练过程。
4.如权利要求3所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述目标错误率的计算公式为：
其中，e为目标错误率，nm为所有训练周期的错误数据，np为所有训练周期的所有数据。
5.如权利要求4所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述目标错误率取值为e≤1x10-7。
6.如权利要求1所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述步骤s6中，识别过程包括如下步骤：
(1)读取训练阶段的最终权值；
(2)使用公式zk＝{zk1,zk2,…,zkn}，
(3)读取实时采集的数据点
xt＝{xt1,xt2,…,xtn}，
使用公式
计算采集的数据点与各类别之间的距离；
(4)若满足
(5)依次完成采集的所有数据点的识别，确定当前状态下数控铣镗床产热对加工精度影响的状态数据。
7.如权利要求1所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述步骤s1中实时采集特征量的采样频率为5-8hz。
技术总结