试析数控机床关键部件的热误差补偿技术

试析数控机床关键部件的热误差补偿技术

程永婵

东莞台一盈拓科技股份有限公司 广东东莞 523000

[摘要]数控机床，属于机械制造整个行业领域当中的重要设备，其内含较多关键部件，若想确保数控机床实现高精度化地制造加工，就需对其关键部件所产生热误差实施有效补偿处理。故本文主要探讨数控机床当中关键部件热误差补偿技术，仅供业内参考。

[关键词]热误差；关键部件；数控机床；补偿技术；

前言：

机械制造业现今向着高集成、高精度、高质量及智能化的方向发展，对加工技术实际精密度层面要求不断提升，数控基坑属于设施设备重要制造加工对象，为确保数控机床整体制造加工精度能够持续提升，便需注重补偿技术的科学运用，实现对其各关键部件热误差实施有效补偿，因而，对数控机床当中关键部件热误差补偿技术开展综合分析较为重要。

1、关于数控机床当中关键部件的热误差主要来源阐述

数控机床当中，滚珠丝杠属于一类关键部件，对机床运动精度有着直接影响，机床较长时间维持运行状态，极易产生发热现象，传动轴的精度极易有变化产生。主轴，它也属于数控机床当中关键部件，属于最易有热误差产生的一个部件。故机床厂家组装数控机床期间，需对其传动部件及其主轴部件实施补偿处理[1]。

2、热误差有效补偿技术

2.1 在模型构建及其优化层面

一是，针对模型构建层面。BP的神经网络，它属于多层前馈类型的神经网络，以误差反向性传播方式开展训练学习，非线性的映射能力相对较强，属于神经网络基础模型当中网络训练及其学习常用方法。该BP的神经网络整个拓扑结构当中，以输出/入层及隐含层为主。各层产生输出值均传输至下层神经元当中，其前后两层经连接权值实现有效连接。经不同连接权值选定，达到将该层神经元的输出改变目的。此次以实验操作所测温度值为网络模型输入，目标输出则为轴向误差，选定三层BP的神经网络，且输入层设3个节点，即为T1、T8及T11。针对隐藏层的节点数，则需结合Kolmogrodv基础定理予以确定为7。BP的神经网络基础模型，其预测至和期望值均会伴随着时间逐渐推移而呈同等变化趋势，原始最大误差及残余最大误差各为40.08µm、5.12µm。该BP的神经网络基础模型所存在不足集中表现为：学习率选取方法缺乏有效性；所需训练时间相对较长；整个网络比较容易陷入到局部的最小点当中；并且，网络结构与其参数需依赖于实践经验予以获取。对此，需对BP的神经网络基础模型予以科学合理地优化；二是，针对模型优化层面。借助遗传算法，对BP的神经网络阀值及权值予以优化，充分满足实际要求后，借助BP的神经网络处于极限点周边实施快速检索，以至于到可满足实际要求便可停止。经全局迅游及快速检索，促使模型总体收敛速度得以提升，具备陷入极限值这一问题得以解决。GA-BP的神经网络具体建模流程，即参数编码、适应度的函数设计、选择及遗传操作[2]。针对参数编码节点，遗传算法合理优化侧重于BP网络阀值及权值的优化，故应当以其阀值及权值为其参数变量，实施编码，促使初始种群得以形成，编码方法需选定浮点数这一编码方法；针对适应度的函数设计节点，BP的神经网络误差平方之和若是相对较小，则网络具备越为良好性能，故BP的神经网络属于最小化合理优化问题，适应度的函数可以误差平方总和倒数予以表示出来，即为ƒ=，该列式当中，代表网络当中第i个的预测值；代表网络当中第i个的实测值；E代表网络所输出误差；针对选择操作及遗传操作节点，先选定较高适应度个体，将较低适应度个体合理剔除掉；经交叉及变异操作，促使新的种群得以形成。而后再重复实施适应度的函数设计、选择及遗传操作，对网络阀值及权值予以反复修正，确保可满足实际要求便可停止。那么，经10代的遗传运算，GA-BP的神经网络基础模型实际适应度维持稳定状态，所输出误差恒定。原始最大误差及其残余最大误差各为40.08µm、3.96µm。

那么，为更加有效地将这两种模型自身优势凸显出来，分别对于其原始最大误差及其均差、残余最大误差其残余均差实施对比分析，详见表1。结合表1所显示数据即可了解到，GA-BP的网络基础模型所预测的平均误差及残余最大误差、残余均差等，均要比BP的神经网络基础模型误差值小，由此表明了经优化之后模型更具预测精度。GA-BP的网络基础模型残余误差呈小波动、相对集中，优化之后模型总体稳定性及其收敛性改善显著。

表1 两种模型实际精度对比分析数据

2.2 在补偿系统层面

此次选定LGMazak VTC-16A型号立式的加工中心作为实验操作平台，数控机床MAZATROL 640MN系统内设机床坐标系的偏移功能，可经系统所内置CNC及PMC控制单元，其和传输热误差的补偿信号实施信息交换，便于获取所需补偿相应热误差值。机床热的误差综合补偿系统，其内含机床控制装置及计算机，补偿流程即先借助布设于机床上面传感装置，实现对温度及位移信号的实时采集，把所采集信号及时输入至GA-BP的神经网络基础模型当中，预测分析该热误差，将误差值精准计算出来，误差值相反数则为补偿值，被传输至CNC的控制系统当中，系统结合补偿信号，合理调整刀架，对热误差达到有效补偿目的，促使数据机床总体加工精度得以提升

[3]。

2.3 在补偿效果层面

借助该补偿系统，针对于LGMazak VTC-16A型号立式的加工中心轴向位置热误差，积极开展空载状态下的补偿实验，确保每间隔2min实施一次数据采集。轴向位置热误差实施补偿前后对比情况，详见图2。结合图2当中所显示情况可了解到，实施补偿后期轴向位置最大误差缩小约8µm，补偿约79%，呈现良好的补偿效果。空载状态下所开展试验最终结果表明了，此模型针对于数控机床当中关键部件实施热误差的补偿处理可行性突出，机床上面选定某关键不仅实施加工试切相应实验操作，对比所铣同等平面和深度未得以补偿、得以补偿后误差值情况。工件材料选定80mm*200mm*20mm尺寸的T10钢，切削量即1m、2m及3mm，丝杠进给实际速度1200mm/min，主轴转速5000r/min，轴承润滑的冷却系统实际气流量是1.8*10-3m³/s，主轴部分冷却油实际油量是2.1*10-4m³/s，气压0.5MPa。那么，结合表2中所显示轴向热的误差补偿具体对比数据可了解到，补偿实施后阶梯厚度于基准值的1000µm较为接近，误差值缩小明显，计算工件实际精度约提升64.46%。

图2 轴向位置热误差实施补偿前后对比情况曲线图

表2 轴向热的误差补偿具体对比数据

3、结语

综上所述，数控机床当中关键部件热误差补偿技术实操过程，需技术员能够结合实际的需求情况，对BP的神经网络基础模型予以科学合理地优化；将GA-BP的网络基础模型有效构建起来，并积极构建起补偿系统，实现对数控机床当中关键部件热误差的有效补偿处理，经此次对LGMazak VTC-16A型号立式的加工中心轴向位置热误差，积极开展空载状态下的补偿实验可了解到，本文所提出GA-BP的网络基础模型之下补偿技术，其对于数控机床当中关键部件热误差可达到良好的补偿处理效果。

参考文献：

[1] 黄璜. 数控机床热误差检测与补偿技术研究[D]. 西京学院, 2020，19（012）：324-326.

[2] 杜正春, 刘璞凌, 朱梦瑞,等. 基于工件尺寸数据的数控机床热误差补偿方法及系统:, CN111596612A[P]. 2020,11（025）：123-134.

[3] 朱金涛, 金鑫. 关于数控机床热误差实时补偿方法的探讨[J]. 电子制作, 2020, 39(010):999-1000.