ＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.２０９５－５０９Ｘ.２０２３.０７.０１３ＧＭＣ２０００Ａ加工中心热误差建模方法研究李有堂ꎬ汤雷武ꎬ黄华ꎬ吴荣荣(兰州理工大学机电工程学院ꎬ甘肃兰州７３００５０)摘要:热误差是影响机床加工精度的主要因素之一ꎬ为减小热误差对机床精度的影响ꎬ提出萤火虫算法结合ＢＰ神经网络建立热误差模型ꎮ使用萤火虫算法对ＢＰ神经网络进行优化ꎬ对隐含层神经元个数进行优化取值ꎬ确定网络结构ꎬ并对网络初始权值和阈值进行了优化ꎮ以ＧＭＣ２０００Ａ机床为试验对象ꎬ误差模型的输入为模糊Ｃ－均值聚类选取的机床关键位置的温度向量ꎬ输出为Ｙ轴定位误差ꎬ通过均方根误差值ＲＭＳＥ、决定系数Ｒ２和预测精度η三项指标对误差模型预测效果进行评估ꎮ结果表明ꎬ萤火虫算法优化ＢＰ神经网络误差模型取得了较好的预测结果ꎬ且在恶劣的工作环境中仍能保持一定的预测精度ꎮ关键词:萤火虫算法ꎻＢＰ神经网络ꎻ热误差ꎻ误差建模ꎻ误差预测中图分类号:ＴＧ６５９文献标识码:Ａ文章编号:２０９５－５０９Ｘ(２０２３)０７－００６１－０７加工中心在加工过程中产生的误差严重影响了加工精度ꎮ随着机床结构的日益改进ꎬ热误差成为加工中心最大的误差源ꎬ最高达到总误差的７０％[１]ꎮ因此ꎬ减小热误差是提高加工中心精度的首选路径ꎮ热误差是由机床不同构件热效应耦合作用产生的热变形ꎬ由于各构件的结构、尺寸以及材料不同ꎬ导致构件有不同的热容量、热膨胀系数、导热系数ꎮ热变形具有非线性和时滞性等特性ꎬ使目前许多热误差建模方法(如经验公式法、数值计算法)存在时滞性、精度不高且外插值性不良等缺点ꎮ误差补偿法是软件补偿法的一种ꎬ通过对误差源的测量分析ꎬ利用数学方法或数学工具对数据进行计算ꎬ找出误差源之间的关系ꎬ从而建立误差预测的数学模型[２－３]ꎮ可以看出ꎬ采用误差补偿法对数控机床热误差进行补偿是一个减少成本、提高预测精度且缩短计算时间的优选方法ꎮ在误差补偿法中ꎬＢＰ神经网络建模法具有很强的非线性映射能力和柔性网络结构等优点ꎬ许多学者都引用ＢＰ神经网络解决数控机床热误差建模问题ꎮＧｕｏ等[４]建立了基于蚁群算法和人工鱼群算法优化ＢＰ神经网络的热误差预测模型ꎬ取得了不错的预测效果ꎬ但是ＢＰ神经网络未知参数只是进行了随机取值ꎻＨｕａｎｇ等[５]引入了遗传算法优化ＢＰ网络的初始权重和阈值ꎬ发现优化后的ＢＰ神经网络可以有效避免陷入局部最优的缺陷ꎬ且能够提高预测精度ꎻＬｉ...
