數(shù)控機(jī)床多源異類信息采集測試試驗及平臺搭建

1、數(shù)控機(jī)床多源異類信息采集測試試驗及平臺搭建在影響數(shù)控機(jī)床加工精度的因素中，機(jī)床內(nèi)部熱源和外部環(huán)境引起的機(jī)床熱位移是數(shù)控機(jī)床的最大誤差源，約占機(jī)床總誤差的40%70%圖7所示，主要過程如下：圖7數(shù)據(jù)采集原理圖Fig.7Data acquisition principle（1）采集系統(tǒng)采用ICP型的傳感器輸入模式，對各通道平衡清零后可實(shí)現(xiàn)多通道傳感器信號的同步高速采集；（2）由傳感器將被測物理量轉(zhuǎn)換為電壓信號，再由低噪聲的前置放大器擴(kuò)大微弱電信號后將信號中高于奈奎斯特頻率的信號成分濾去，經(jīng)模數(shù)轉(zhuǎn)換器將每一個脈沖電壓轉(zhuǎn)換為二進(jìn)制代碼以編排儲存；（3）最后通過1394電纜連接儀器與計算機(jī)后可將數(shù)據(jù)傳遞

2、到計算機(jī)中做后續(xù)分析處理。最終，本文所搭建的測試采集試驗平臺如圖8所示。根據(jù)上述溫度敏感點(diǎn)選取9個溫度測點(diǎn)，主軸上選取3個，法面底面上選取1個，主軸箱上選取4個，環(huán)境溫度測點(diǎn)1個；位移測點(diǎn)布置在主軸末端，通過5個點(diǎn)位來分別測量主軸末端的x、y、z向變形；選取6個振動測點(diǎn)作為主要點(diǎn)位，再加上工作臺上的2個測點(diǎn)共8個，如圖9所示。具體布點(diǎn)說明如表4。圖8多源異類信息采集試驗平臺Fig.8Multi-source heterogeneous information collection test platform圖9測點(diǎn)布置示意圖Fig.9Schematic diagram of measuring

3、 point layout表4測點(diǎn)位置說明Tab.4Location description of measuring points傳感器類型測點(diǎn)位置測點(diǎn)對應(yīng)溫度傳感器主軸側(cè)面T1主軸側(cè)面T2主軸側(cè)面T3法蘭底面T4主軸箱正面T5主軸箱內(nèi)部T6主軸箱側(cè)面T7主軸箱內(nèi)部T8環(huán)境溫度T9加速度傳感器工作臺A1主軸箱側(cè)面A2主軸正面A3主軸箱正面A4主軸箱正面A5工作臺A6主軸箱正面A7主軸箱側(cè)面A8位移傳感器檢驗棒X方向X1檢驗棒X方向X2檢驗棒Y方向Y1檢驗棒Y方向Y2檢驗棒Z方向Z以2 000 r/min、3 000 r/min和4 000 r/min的轉(zhuǎn)速進(jìn)行機(jī)床空轉(zhuǎn)實(shí)驗，在主軸末端安裝直徑

4、為20 mm的檢驗棒作為位移監(jiān)測的對象。在工作臺上搭建固定座和夾持裝置用以安放和調(diào)節(jié)位移傳感器的位置，X、Y向位移傳感器DX，DY對準(zhǔn)檢驗棒的中軸線，Z向傳感器DZ安裝要求傳感器探頭對準(zhǔn)檢驗棒的軸線。每次實(shí)驗開始時在位移采集界面對檢驗棒Z軸方向進(jìn)行調(diào)整，調(diào)整完畢后調(diào)零，開始采集。由于仿真結(jié)果中Z方向位移較為明顯，本文選用此方向位移數(shù)據(jù)作為案例分析，溫度與位移傳感器的數(shù)據(jù)采樣間隔均為5 s。3.2結(jié)果采集與分析多源異類信息采集過程從開機(jī)開始直到機(jī)床達(dá)到熱平衡狀態(tài)，然后停機(jī)冷卻，持續(xù)時間為9 h。試驗平臺的數(shù)控機(jī)床主軸智能熱特性測試與補(bǔ)償儀記錄了試驗總持續(xù)時間內(nèi)的溫度與熱位移數(shù)據(jù)信息，采樣間隔為5

5、 s；DHS5902動態(tài)數(shù)據(jù)采集分析系統(tǒng)記錄了停機(jī)前約6小時的振動數(shù)據(jù)信息，采樣頻率為500 Hz。溫度、熱變形以及振動三類傳感器在2 000 r/min、3 000 r/min和4 000 r/min三種轉(zhuǎn)速下的采集結(jié)果分別如圖1012所示。圖10不同轉(zhuǎn)速下的各測點(diǎn)溫度數(shù)據(jù)Fig.10Temperature data of each measuring point at different speeds圖11不同轉(zhuǎn)速下各振動測點(diǎn)信號Fig.11Signal of vibration measuring points at different speeds圖12不同轉(zhuǎn)速下Z向位移信號Fig.1

6、2Signal ofZ-direction displacement at different speeds當(dāng)機(jī)床溫升達(dá)到最大溫升的95%時，可認(rèn)為機(jī)床處于熱平衡狀態(tài)，根據(jù)圖10與圖12計算2 000 r/min、3 000 r/min和4 000 r/min不同轉(zhuǎn)速與環(huán)境溫度下主軸系統(tǒng)達(dá)到熱平衡狀態(tài)的時間分別為310 min、250 min和190 min。對比仿真分析與實(shí)際測得結(jié)果，處于熱平衡狀態(tài)下的位移量兩者相對誤差如表5所示，可以得到三個不同轉(zhuǎn)速下的數(shù)據(jù)采集結(jié)果與仿真結(jié)果的相對誤差均在10%以內(nèi)，故該試驗結(jié)果驗證了選用的仿真分析模型的有效性，仿真分析結(jié)果作為該試驗平臺搭建的理論基礎(chǔ)是可

7、行的。表5各轉(zhuǎn)速下主軸Z向熱變形對比分析結(jié)果Tab.5Comparative analysis results of Z- direction thermal deformation of spindle at different speeds轉(zhuǎn)速/（rmin-1）仿真/m試驗/m相對誤差/%2 00011.33012.2507.513 00012.28611.5656.234 00013.49013.0653.253.3多源信息熱誤差建模根據(jù)多源異類信息采集試驗得到的溫度、位移以及振動信息，建立機(jī)床熱誤差神經(jīng)網(wǎng)絡(luò)預(yù)測模型。由于徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)具有建模精度高與泛化能力強(qiáng)等特點(diǎn)16，

8、本文選用該神經(jīng)網(wǎng)絡(luò)模型對機(jī)床由開機(jī)到熱平衡的時間過程進(jìn)行熱誤差預(yù)測。3.3.1預(yù)測模型建立RBF神經(jīng)網(wǎng)絡(luò)其隱單元的“基”構(gòu)成隱藏層空間，將輸入特征量映射到隱層。其激活函數(shù)是以輸入向量和權(quán)值向量之間的歐式距離作為自變量，一般表達(dá)式為17：R(xkci)=exp(122xki2)（3）其中：xk為溫度與振動特征向量；i為高斯函數(shù)中心；為方差，用來調(diào)整影響半徑。當(dāng)RBF的中心點(diǎn)確定以后，這種映射關(guān)系也就確定了。而輸出層與隱藏層之間則是線性加權(quán)的關(guān)系，此處的權(quán)重為網(wǎng)絡(luò)可調(diào)參數(shù)，可得到的網(wǎng)絡(luò)輸出yj為：yj=i=1mwijexp(122xki2),j=1,2,.,n,（4）其中：wij為權(quán)重，m為隱藏層

9、神經(jīng)元數(shù)，n為輸出層神經(jīng)元數(shù)。RBF神經(jīng)網(wǎng)絡(luò)通過輸入層、隱藏層以及輸出層構(gòu)成的前向網(wǎng)絡(luò)以解決線性不可分問題，該網(wǎng)絡(luò)結(jié)構(gòu)如圖13所示。圖13RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.13Structure of RBF neural network輸入層與輸出層數(shù)據(jù)可由原始信號得到。首先，將三類信號數(shù)據(jù)進(jìn)行時間配準(zhǔn)，得到按時間順序排列的包含三類數(shù)據(jù)的樣本集，根據(jù)2 000 r/min、3 000 r/min和4 000 r/min不同轉(zhuǎn)速的熱平衡時間，以2 min為一個樣本周期，劃分的樣本個數(shù)分別為155、125和95個；其次，對于溫度與位移信號分別提取每個樣本點(diǎn)對應(yīng)的平均值以構(gòu)成特征矩陣，而對于振動信號則提取

10、每個樣本點(diǎn)對應(yīng)波形的時域、頻域和時頻域特征。為解決振動信號特征數(shù)據(jù)量龐大且會存在冗余的問題，先通過相關(guān)系數(shù)篩選出一部分變量，再基于核主成分分析進(jìn)行數(shù)據(jù)降維，保留95%的累計方差，得到降維后的振動特征矩陣；最后，將溫度與振動的特征矩陣融合輸入到RBF神經(jīng)網(wǎng)絡(luò)模型中，將位移量作為輸出量，建立多源信息融合熱誤差預(yù)測模型。3.3.2結(jié)果分析將2 000 r/min、3 000 r/min和4 000 r/min三個轉(zhuǎn)速條件下的樣本集等間距分別抽取出77、62和48組樣本作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，總樣本作為測試集，最終獲得的預(yù)測曲線如圖14所示。多源信息融合熱誤差預(yù)測模型采用平均絕對誤差（MAE）、均方根誤

11、差（RMSE）及決定系數(shù)（R2）18來評估其預(yù)測性能，如表6所示。由結(jié)果可以得出，通過試驗平臺獲取的多源異類信息構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型，三個轉(zhuǎn)速條件下的預(yù)測性能雖略有差距，但其預(yù)測精度均控制在0.9 m之內(nèi)，符合熱誤差預(yù)測精度要求。圖14RBF神經(jīng)網(wǎng)絡(luò)位移預(yù)測曲線Fig.14Displacement prediction curve of RBF neural network表6模型預(yù)測性能評估Tab.6Model prediction performance evaluation轉(zhuǎn)速/（rmin-1）MAE/mRMSE/mR22 0000.6830.8900.936 73 0000.6020.6320.956 74 0000.4830.7260.940 94 結(jié)論本文基于數(shù)控機(jī)床的熱態(tài)特性仿真分析確定出測點(diǎn)布置位置，搭建出了一種數(shù)控機(jī)床的多源異類信息采集試驗平臺，用多路不同類型傳感器獲得了具體數(shù)控立式加工中心在2 000 r/min、3 000 r/min和4 000 r/min三個轉(zhuǎn)速下的溫度信號、z軸方向位移信號以及加速度信號。對比仿真熱態(tài)特性分析得