[发明专利]基于多源异类信息融合的机床主轴Z向热变形预测方法

说明书

基于多源异类信息融合的机床主轴Z向热变形预测方法，属于数控机床主轴系统热变形预测技术领域。它包括以下步骤：1、采集多源异类信息；2、对采集的多源异类信息进行预处理；3、对预处理后的多源异类信息进行基于时域、频谱、时频域分析的特征提取；4、多源异类信息的特征融合；5、对特征融合后的信息数据集进行划分，选取训练集与测试集；6、建立热变形预测模型；7：将预测模型用于机床主轴Z向热变形的预测与验证。本发明将多源信息融合技术应用于机床热变形预测上，能够实现复杂的数据分析过程；通过将机床各部位的振动信息与温度信息相融合，能够提高模型的可靠性与稳定性，有效提升预测精度。

技术领域

本发明属于数控机床主轴系统热变形预测技术领域，具体涉及基于多源异类信息融合的机床主轴Z向热变形预测方法。

背景技术

目前制造的发展对精密加工及超精密加工提出了更高的要求，数控机床作为制造业的“工业母机”，提高其加工精度具有重要意义。影响数控机床加工精度的因素中，由机床运转与外界环境引起的热变形误差占了加工精度总误差的 40％-70％，是最大的误差源。在实际生产环境中，机床运行过程或加工过程会造成温度场的不均匀分布，使主轴产生不可预知的热变形。对于数控机床这种由众多相互关联影响且热态特性不同的组件所构成的复杂系统，如何有效控制热变形是重要而难以解决的问题。

热误差建模与补偿是减少热变形对加工精度的影响的主要方法，相比于热误差避免，热误差补偿不需要改变原有的机床结构，而热误差避免需要对机床的材料、结构等方面重新设计以减小热误差带来的影响，故其更具有成本优势。现有热误差建模方法大多采用温度敏感点的温度值作为输入。国内外专家学者基于此建立了各种热误差模型，刘阔等学者提出基于多温度测点的回归分析建模的方法实现预测热变形，还有学者利用人工神经网络建立热误差模型，国外学者利用自适应神经模糊推理系统和热成像相机提出了一种热误差建模方法。这些方法均只针对单一信息源的输入进行预测，但单传感器信息表征能力单一，难以得到影响热变形的全局信息，且易受环境因素干扰，在环境或者工况有较大变动时往往难以保持较好的预测精度。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提出基于多源异类信息融合的机床主轴Z向热变形预测方法，利用多源信息融合技术克服了传统的热误差建模使用单一类型信息从而易受环境因素干扰的缺点，具有更高的预测精度。

本发明提供如下技术方案：

基于多源异类信息融合的机床主轴Z向热变形预测方法，包括以下步骤：

步骤一：在机床上布置一组不同类型的传感器并通过动态信息采集分析系统收集存储机床多源异类信息；

步骤二：采用信号去噪方法对步骤一中采集的多源异类信息进行预处理；

步骤三：对步骤二中经过预处理的多源异类信息进行基于时域、频谱、时频域分析的特征提取；

步骤四：基于相关性分析的特征选择与基于KPCA的特征降维后实现多源异类信息的特征融合；

步骤五：对特征融合后的信息数据集进行划分，选取训练集与测试集；

步骤六：通过选取的训练集建立基于PSO-SVR的热变形预测模型；

步骤七：将训练得到的热变形预测模型用于机床主轴Z向热变形的预测与验证。

进一步，所述步骤一的具体过程如下：利用一组不同类型传感器采集并通过计算机存储机床固定转速工作状态下的多源异类信息，多源异类信息包括温度、振动及热变形信息；将热变形信息作为预测对象。

进一步，所述步骤二的具体过程如下：

1)进行多源异类信号的时间配准，并根据时间轴提取状态信息，将系统运行的总时长划分为p段机床状态，每一状态下的多源异类信息集合即为一个原始样本数据；