数控机床多源异类信息采集测试试验及平台搭建

1、数控机床多源异类信息采集测试试验及平台搭建在影响数控机床加工精度的因素中，机床内部热源和外部环境引起的机床热位移是数控机床的最大误差源，约占机床总误差的40%70%图7所示，主要过程如下：图7数据采集原理图Fig.7Data acquisition principle（1）采集系统采用ICP型的传感器输入模式，对各通道平衡清零后可实现多通道传感器信号的同步高速采集；（2）由传感器将被测物理量转换为电压信号，再由低噪声的前置放大器扩大微弱电信号后将信号中高于奈奎斯特频率的信号成分滤去，经模数转换器将每一个脉冲电压转换为二进制代码以编排储存；（3）最后通过1394电缆连接仪器与计算机后可将数据传递

2、到计算机中做后续分析处理。最终，本文所搭建的测试采集试验平台如图8所示。根据上述温度敏感点选取9个温度测点，主轴上选取3个，法面底面上选取1个，主轴箱上选取4个，环境温度测点1个；位移测点布置在主轴末端，通过5个点位来分别测量主轴末端的x、y、z向变形；选取6个振动测点作为主要点位，再加上工作台上的2个测点共8个，如图9所示。具体布点说明如表4。图8多源异类信息采集试验平台Fig.8Multi-source heterogeneous information collection test platform图9测点布置示意图Fig.9Schematic diagram of measuring

3、 point layout表4测点位置说明Tab.4Location description of measuring points传感器类型测点位置测点对应温度传感器主轴侧面T1主轴侧面T2主轴侧面T3法兰底面T4主轴箱正面T5主轴箱内部T6主轴箱侧面T7主轴箱内部T8环境温度T9加速度传感器工作台A1主轴箱侧面A2主轴正面A3主轴箱正面A4主轴箱正面A5工作台A6主轴箱正面A7主轴箱侧面A8位移传感器检验棒X方向X1检验棒X方向X2检验棒Y方向Y1检验棒Y方向Y2检验棒Z方向Z以2 000 r/min、3 000 r/min和4 000 r/min的转速进行机床空转实验，在主轴末端安装直径

4、为20 mm的检验棒作为位移监测的对象。在工作台上搭建固定座和夹持装置用以安放和调节位移传感器的位置，X、Y向位移传感器DX，DY对准检验棒的中轴线，Z向传感器DZ安装要求传感器探头对准检验棒的轴线。每次实验开始时在位移采集界面对检验棒Z轴方向进行调整，调整完毕后调零，开始采集。由于仿真结果中Z方向位移较为明显，本文选用此方向位移数据作为案例分析，温度与位移传感器的数据采样间隔均为5 s。3.2结果采集与分析多源异类信息采集过程从开机开始直到机床达到热平衡状态，然后停机冷却，持续时间为9 h。试验平台的数控机床主轴智能热特性测试与补偿仪记录了试验总持续时间内的温度与热位移数据信息，采样间隔为5

5、 s；DHS5902动态数据采集分析系统记录了停机前约6小时的振动数据信息，采样频率为500 Hz。温度、热变形以及振动三类传感器在2 000 r/min、3 000 r/min和4 000 r/min三种转速下的采集结果分别如图1012所示。图10不同转速下的各测点温度数据Fig.10Temperature data of each measuring point at different speeds图11不同转速下各振动测点信号Fig.11Signal of vibration measuring points at different speeds图12不同转速下Z向位移信号Fig.1

6、2Signal ofZ-direction displacement at different speeds当机床温升达到最大温升的95%时，可认为机床处于热平衡状态，根据图10与图12计算2 000 r/min、3 000 r/min和4 000 r/min不同转速与环境温度下主轴系统达到热平衡状态的时间分别为310 min、250 min和190 min。对比仿真分析与实际测得结果，处于热平衡状态下的位移量两者相对误差如表5所示，可以得到三个不同转速下的数据采集结果与仿真结果的相对误差均在10%以内，故该试验结果验证了选用的仿真分析模型的有效性，仿真分析结果作为该试验平台搭建的理论基础是可

7、行的。表5各转速下主轴Z向热变形对比分析结果Tab.5Comparative analysis results of Z- direction thermal deformation of spindle at different speeds转速/（rmin-1）仿真/m试验/m相对误差/%2 00011.33012.2507.513 00012.28611.5656.234 00013.49013.0653.253.3多源信息热误差建模根据多源异类信息采集试验得到的温度、位移以及振动信息，建立机床热误差神经网络预测模型。由于径向基函数（RBF）神经网络具有建模精度高与泛化能力强等特点16，

8、本文选用该神经网络模型对机床由开机到热平衡的时间过程进行热误差预测。3.3.1预测模型建立RBF神经网络其隐单元的“基”构成隐藏层空间，将输入特征量映射到隐层。其激活函数是以输入向量和权值向量之间的欧式距离作为自变量，一般表达式为17：R(xkci)=exp(122xki2)（3）其中：xk为温度与振动特征向量；i为高斯函数中心；为方差，用来调整影响半径。当RBF的中心点确定以后，这种映射关系也就确定了。而输出层与隐藏层之间则是线性加权的关系，此处的权重为网络可调参数，可得到的网络输出yj为：yj=i=1mwijexp(122xki2),j=1,2,.,n,（4）其中：wij为权重，m为隐藏层

9、神经元数，n为输出层神经元数。RBF神经网络通过输入层、隐藏层以及输出层构成的前向网络以解决线性不可分问题，该网络结构如图13所示。图13RBF神经网络结构Fig.13Structure of RBF neural network输入层与输出层数据可由原始信号得到。首先，将三类信号数据进行时间配准，得到按时间顺序排列的包含三类数据的样本集，根据2 000 r/min、3 000 r/min和4 000 r/min不同转速的热平衡时间，以2 min为一个样本周期，划分的样本个数分别为155、125和95个；其次，对于温度与位移信号分别提取每个样本点对应的平均值以构成特征矩阵，而对于振动信号则提取

10、每个样本点对应波形的时域、频域和时频域特征。为解决振动信号特征数据量庞大且会存在冗余的问题，先通过相关系数筛选出一部分变量，再基于核主成分分析进行数据降维，保留95%的累计方差，得到降维后的振动特征矩阵；最后，将温度与振动的特征矩阵融合输入到RBF神经网络模型中，将位移量作为输出量，建立多源信息融合热误差预测模型。3.3.2结果分析将2 000 r/min、3 000 r/min和4 000 r/min三个转速条件下的样本集等间距分别抽取出77、62和48组样本作为神经网络的训练集，总样本作为测试集，最终获得的预测曲线如图14所示。多源信息融合热误差预测模型采用平均绝对误差（MAE）、均方根误

11、差（RMSE）及决定系数（R2）18来评估其预测性能，如表6所示。由结果可以得出，通过试验平台获取的多源异类信息构建RBF神经网络预测模型，三个转速条件下的预测性能虽略有差距，但其预测精度均控制在0.9 m之内，符合热误差预测精度要求。图14RBF神经网络位移预测曲线Fig.14Displacement prediction curve of RBF neural network表6模型预测性能评估Tab.6Model prediction performance evaluation转速/（rmin-1）MAE/mRMSE/mR22 0000.6830.8900.936 73 0000.6020.6320.956 74 0000.4830.7260.940 94 结论本文基于数控机床的热态特性仿真分析确定出测点布置位置，搭建出了一种数控机床的多源异类信息采集试验平台，用多路不同类型传感器获得了具体数控立式加工中心在2 000 r/min、3 000 r/min和4 000 r/min三个转速下的温度信号、z轴方向位移信号以及加速度信号。对比仿真热态特性分析得