數(shù)控機(jī)床多源異類信息采集測(cè)試試驗(yàn)及平臺(tái)搭建

1、數(shù)控機(jī)床多源異類信息采集測(cè)試試驗(yàn)及平臺(tái)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(duì)各通道平衡清零后 可實(shí)現(xiàn)多通道傳感器信號(hào)的同步高速采集；(2)由傳感器將被測(cè)物理量轉(zhuǎn)換為電壓信號(hào)，再由低噪聲的前置放 大器擴(kuò)大微弱電信號(hào)后將信號(hào)中高于奈奎斯特頻率的信號(hào)成分濾去， 經(jīng)模數(shù)轉(zhuǎn)換器將每一個(gè)脈沖電壓轉(zhuǎn)換為二進(jìn)制代碼以編排儲(chǔ)存；(3)最后通過1394電纜連接儀器與計(jì)算機(jī)后可

2、將數(shù)據(jù)傳遞到計(jì)算機(jī) 中做后續(xù)分析處理。最終，本文所搭建的測(cè)試采集試驗(yàn)平臺(tái)如圖8所示。根據(jù)上述溫度敏 感點(diǎn)選取9個(gè)溫度測(cè)點(diǎn)，主軸上選取3個(gè)，法面底面上選取1個(gè)，主 軸箱上選取4個(gè)，環(huán)境溫度測(cè)點(diǎn)1個(gè)；位移測(cè)點(diǎn)布置在主軸末端，通 過5個(gè)點(diǎn)位來分別測(cè)量主軸末端的x、y、z向變形；選取6個(gè)振動(dòng)測(cè)點(diǎn)作為主要點(diǎn)位，再加上工作臺(tái)上的2個(gè)測(cè)點(diǎn)共8個(gè)，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(yàn)平臺(tái)Fig. 8Multi-source heterogeneous information collection test platform圖9測(cè)點(diǎn)布置示意圖Fig. 9Schematic diagram

3、of measuring point layout表4測(cè)點(diǎn)位置說明Tab. 4Location description of measuring points傳感器類型測(cè)點(diǎn)位置測(cè)點(diǎn)對(duì)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(tái)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(tái)A6主軸箱正面A7主 軸箱側(cè)面A8位移傳感器檢驗(yàn)棒X方向XI檢驗(yàn)棒X方向X2檢驗(yàn)棒Y 方向Y1檢驗(yàn)棒Y方向Y2檢驗(yàn)棒Z方向Z以2 000 r/min 3 000 r/min和4 000 r/min的轉(zhuǎn)速

4、進(jìn)行機(jī)床空轉(zhuǎn) 實(shí)驗(yàn)，在主軸末端安裝直徑為20 mm的檢驗(yàn)棒作為位移監(jiān)測(cè)的對(duì)象。 在工作臺(tái)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(duì)準(zhǔn)檢驗(yàn)棒的中軸線，Z向傳感器DZ 安裝要求傳感器探頭對(duì)準(zhǔn)檢驗(yàn)棒的軸線。每次實(shí)驗(yàn)開始時(shí)在位移采集 界面對(duì)檢驗(yàn)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 so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)床到達(dá)熱平衡狀態(tài)，然后停 機(jī)冷卻，持續(xù)時(shí)間為9 h。試驗(yàn)平臺(tái)的數(shù)控機(jī)床主軸智能熱特性測(cè)試 與補(bǔ)償儀記錄了試

5、驗(yàn)總持續(xù)時(shí)間內(nèi)的溫度與熱位移數(shù)據(jù)信息，采樣間 隔為5 s； DHS5902動(dòng)態(tài)數(shù)據(jù)采集分析系統(tǒng)記錄了停機(jī)前約6小時(shí)的 振動(dòng)數(shù)據(jù)信息，采樣頻率為500 Hzo溫度、熱變形以及振動(dòng)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(cè)點(diǎn)溫度數(shù)據(jù)Fig. lOTemperature data of each measuring point at different speeds圖11不同轉(zhuǎn)速下各振動(dòng)測(cè)點(diǎn)信號(hào)Fig. HSignal of vibration measuring points at diff

6、erent speeds圖12不同轉(zhuǎn)速下Z向位移信號(hào)Fig. 12Signal ofZ-direction displacement at different speeds當(dāng)機(jī)床溫升到達(dá)最大溫升的95%時(shí)，可認(rèn)為機(jī)床處于熱平衡狀態(tài)，根 據(jù)圖 10 與圖 12 計(jì)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)到達(dá)熱平衡狀態(tài)的時(shí)間分別為310 min、 250 min和190 min。比照仿真分析與實(shí)際測(cè)得結(jié)果，處于熱平衡狀 態(tài)下的位移量?jī)烧呦鄬?duì)誤差如表5所示，可以得到三個(gè)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(duì)誤差均在10%以內(nèi)，

7、故該試驗(yàn)結(jié)果驗(yàn) 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(yàn)平臺(tái)搭 建的理論基礎(chǔ)是可行的。表5各轉(zhuǎn)速下主軸Z向熱變形比照分析結(jié)果Tab. 5Comparative analysis results of Z- direction thermaldeformation of spindle at different speeds轉(zhuǎn)速/(r , min-1)仿真 /Rm 試驗(yàn) /um 相 對(duì)誤差 /%2 00011. 33012. 2507. 51300012. 28611. 5656. 234 00013. 49013. 0653. 25多源信息熱誤差建模根據(jù)多源異類信息采集試驗(yàn)得到的

8、溫度、位移以及振動(dòng)信息，建立機(jī) 床熱誤差神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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,本文選用該神經(jīng)網(wǎng)絡(luò)模型對(duì) 機(jī)床由開機(jī)到熱平衡的時(shí)間過程進(jìn)行熱誤差預(yù)測(cè)。3. 3. 1預(yù)測(cè)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(xk- ci)=exp(- 12 o 2/7xk- Ri2) 其中：xk為溫度與振動(dòng)特征向量；4)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那

9、么是線性加權(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=E i=lmwi jexp (- 12。2xk- i2), j=l, 2,. , n,其中：wij為權(quán)重，m為隱藏層神經(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(hào)得到。首先，將三類信號(hào)數(shù)據(jù)進(jìn)行 時(shí)間配準(zhǔn)，得到按時(shí)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

10、000 r/min不同轉(zhuǎn)速的熱平衡時(shí)間，以2 min 為一個(gè)樣本周期，劃分的樣本個(gè)數(shù)分別為155、125和95個(gè)；其次, 對(duì)于溫度與位移信號(hào)分別提取每個(gè)樣本點(diǎn)對(duì)應(yīng)的平均值以構(gòu)成特征 矩陣，而對(duì)于振動(dòng)信號(hào)那么提取每個(gè)樣本點(diǎn)對(duì)應(yīng)波形的時(shí)域、頻域和時(shí) 頻域特征。為解決振動(dòng)信號(hào)特征數(shù)據(jù)量龐大且會(huì)存在冗余的問題，先 通過相關(guān)系數(shù)篩選出一局部變量，再基于核主成分分析進(jìn)行數(shù)據(jù)降維, 保存95%的累計(jì)方差，得到降維后的振動(dòng)特征矩陣；最后，將溫度與 振動(dòng)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(cè)模型。3. 3.2結(jié)果分析將2 000 r/min. 3 000 r/

11、min和4 000 r/min三個(gè)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(cè)試集，最終獲得的預(yù)測(cè)曲線如圖14所示。多源信息融 合熱誤差預(yù)測(cè)模型采用平均絕對(duì)誤差(MAE)、均方根誤差(RMSE)及 決定系數(shù)(R2) 18來評(píng)估其預(yù)測(cè)性能，如表6所示。由結(jié)果可以 得出，通過試驗(yàn)平臺(tái)獲取的多源異類信息構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型, 三個(gè)轉(zhuǎn)速條件下的預(yù)測(cè)性能雖略有差距，但其預(yù)測(cè)精度均控制在0. 9 um之內(nèi)，符合熱誤差預(yù)測(cè)精度要求。圖14RBF神經(jīng)網(wǎng)絡(luò)位移預(yù)測(cè)曲線Fig. 14Displacement prediction curve of RBF n

12、eural network表6模型預(yù)測(cè)性能評(píng)估Tab. 6Model prediction performance evaluation轉(zhuǎn)速/ (r-min-1) MAE/口 mRMSE/口 mR22 0000. 6830. 8900. 936 730000. 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(cè)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(yàn)平臺(tái)，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(gè)轉(zhuǎn)速下的溫度信號(hào)、z軸方向位移信號(hào)以及加速度信號(hào)。 比照仿真熱態(tài)特性分析得