1、數控機床多源異類信息采集測試試驗及平臺搭建在影響數控機床加工精度的因素中，機床內部熱源和外部環境引 起的機床熱位移是數控機床的最大誤差源，約占機床總誤差的40%70% 圖7所示，主要過程如下：圖7數據采集原理圖Fig.7Data acquisition principle(1)采集系統采用ICP型的傳感器輸入模式，對各通道平衡清零后 可實現多通道傳感器信號的同步高速采集；(2)由傳感器將被測物理量轉換為電壓信號，再由低噪聲的前置放 大器擴大微弱電信號后將信號中高于奈奎斯特頻率的信號成分濾去， 經模數轉換器將每一個脈沖電壓轉換為二進制代碼以編排儲存；(3)最后通過1394電纜連接儀器與計算機后可

2、將數據傳遞到計算機 中做后續分析處理。最終，本文所搭建的測試采集試驗平臺如圖8所示。根據上述溫度敏 感點選取9個溫度測點，主軸上選取3個，法面底面上選取1個，主 軸箱上選取4個，環境溫度測點1個；位移測點布置在主軸末端，通 過5個點位來分別測量主軸末端的x、y、z向變形；選取6個振動測點作為主要點位，再加上工作臺上的2個測點共8個，如圖9所示。 具體布點說明如表4。圖8多源異類信息采集試驗平臺Fig. 8Multi-source heterogeneous information collection test platform圖9測點布置示意圖Fig. 9Schematic diagram

3、of measuring point layout表4測點位置說明Tab. 4Location description of measuring points傳感器類型測點位置測點對應溫度傳感器主軸側面T1主軸側面T2主 軸側面T3法蘭底面T4主軸箱正面T5主軸箱內部T6主軸箱側面T7 主軸箱內部T8環境溫度T9加速度傳感器工作臺A1主軸箱側面A2主 軸正面A3主軸箱正面A4主軸箱正面A5工作臺A6主軸箱正面A7主 軸箱側面A8位移傳感器檢驗棒X方向XI檢驗棒X方向X2檢驗棒Y 方向Y1檢驗棒Y方向Y2檢驗棒Z方向Z以2 000 r/min 3 000 r/min和4 000 r/min的轉速

4、進行機床空轉 實驗，在主軸末端安裝直徑為20 mm的檢驗棒作為位移監測的對象。 在工作臺上搭建固定座和夾持裝置用以安放和調節位移傳感器的位 置，X、Y向位移傳感器DX, DY對準檢驗棒的中軸線，Z向傳感器DZ 安裝要求傳感器探頭對準檢驗棒的軸線。每次實驗開始時在位移采集 界面對檢驗棒Z軸方向進行調整，調整完畢后調零，開始采集。由于 仿真結果中Z方向位移較為明顯，本文選用此方向位移數據作為案例 分析，溫度與位移傳感器的數據采樣間隔均為5 so結果采集與分析多源異類信息采集過程從開機開始直到機床到達熱平衡狀態，然后停 機冷卻，持續時間為9 h。試驗平臺的數控機床主軸智能熱特性測試 與補償儀記錄了試

5、驗總持續時間內的溫度與熱位移數據信息，采樣間 隔為5 s； DHS5902動態數據采集分析系統記錄了停機前約6小時的 振動數據信息，采樣頻率為500 Hzo溫度、熱變形以及振動三類傳 感器在2 000 r/min、3 000 r/min和4 000 r/min三種轉速下的采 集結果分別如圖1012所示。圖10不同轉速下的各測點溫度數據Fig. lOTemperature data of each measuring point at different speeds圖11不同轉速下各振動測點信號Fig. HSignal of vibration measuring points at diff

6、erent speeds圖12不同轉速下Z向位移信號Fig. 12Signal ofZ-direction displacement at different speeds當機床溫升到達最大溫升的95%時，可認為機床處于熱平衡狀態，根 據圖 10 與圖 12 計算 2 000 r/min 3 000 r/min 和 4 000 r/min 不 同轉速與環境溫度下主軸系統到達熱平衡狀態的時間分別為310 min、 250 min和190 min。比照仿真分析與實際測得結果，處于熱平衡狀 態下的位移量兩者相對誤差如表5所示，可以得到三個不同轉速下的 數據采集結果與仿真結果的相對誤差均在10%以內，

7、故該試驗結果驗 證了選用的仿真分析模型的有效性，仿真分析結果作為該試驗平臺搭 建的理論基礎是可行的。表5各轉速下主軸Z向熱變形比照分析結果Tab. 5Comparative analysis results of Z- direction thermaldeformation of spindle at different speeds轉速/(r , min-1)仿真 /Rm 試驗 /um 相 對誤差 /%2 00011. 33012. 2507. 51300012. 28611. 5656. 234 00013. 49013. 0653. 25多源信息熱誤差建模根據多源異類信息采集試驗得到的

8、溫度、位移以及振動信息，建立機 床熱誤差神經網絡預測模型。由于徑向基函數(RBF)神經網絡具有 建模精度高與泛化能力強等特點16,本文選用該神經網絡模型對 機床由開機到熱平衡的時間過程進行熱誤差預測。3. 3. 1預測模型建立RBF神經網絡其隱單元的“基”構成隱藏層空間，將輸入特征量映射 到隱層。其激活函數是以輸入向量和權值向量之間的歐式距離作為自 變量，一般表達式為17：R(xk- ci)=exp(- 12 o 2/7xk- Ri2) 其中：xk為溫度與振動特征向量；4)i為高斯函數中心；。為方差， 用來調整影響半徑。當RBF的中心點確定以后，這種映射關系也就確 定了。而輸出層與隱藏層之間那

9、么是線性加權的關系，此處的權重為網 絡可調參數，可得到的網絡輸出yj為：yj=E i=lmwi jexp (- 12。2xk- i2), j=l, 2,. , n,其中：wij為權重，m為隱藏層神經元數，n為輸出層神經元數。RBF 神經網絡通過輸入層、隱藏層以及輸出層構成的前向網絡以解決線性 不可分問題，該網絡結構如圖13所示。圖13RBF神經網絡結構Fig. 13Structure of RBF neural network輸入層與輸出層數據可由原始信號得到。首先，將三類信號數據進行 時間配準，得到按時間順序排列的包含三類數據的樣本集，根據2 000 r/min 3 000 r/min和4

10、000 r/min不同轉速的熱平衡時間，以2 min 為一個樣本周期，劃分的樣本個數分別為155、125和95個；其次, 對于溫度與位移信號分別提取每個樣本點對應的平均值以構成特征 矩陣，而對于振動信號那么提取每個樣本點對應波形的時域、頻域和時 頻域特征。為解決振動信號特征數據量龐大且會存在冗余的問題，先 通過相關系數篩選出一局部變量，再基于核主成分分析進行數據降維, 保存95%的累計方差，得到降維后的振動特征矩陣；最后，將溫度與 振動的特征矩陣融合輸入到RBF神經網絡模型中，將位移量作為輸出 量，建立多源信息融合熱誤差預測模型。3. 3.2結果分析將2 000 r/min. 3 000 r/

11、min和4 000 r/min三個轉速條件下的樣 本集等間距分別抽取出77、62和48組樣本作為神經網絡的訓練集， 總樣本作為測試集，最終獲得的預測曲線如圖14所示。多源信息融 合熱誤差預測模型采用平均絕對誤差(MAE)、均方根誤差(RMSE)及 決定系數(R2) 18來評估其預測性能，如表6所示。由結果可以 得出，通過試驗平臺獲取的多源異類信息構建RBF神經網絡預測模型, 三個轉速條件下的預測性能雖略有差距，但其預測精度均控制在0. 9 um之內，符合熱誤差預測精度要求。圖14RBF神經網絡位移預測曲線Fig. 14Displacement prediction curve of RBF n

12、eural network表6模型預測性能評估Tab. 6Model prediction performance evaluation轉速/ (r-min-1) MAE/口 mRMSE/口 mR22 0000. 6830. 8900. 936 730000. 6020. 6320. 956 74 0000. 4830. 7260. 940 94結論本文基于數控機床的熱態特性仿真分析確定出測點布置位置，搭建出 了一種數控機床的多源異類信息采集試驗平臺，用多路不同類型傳感 器獲得了具體數控立式加工中心在2 000 r/min. 3 000 r/min和4 000 r/min三個轉速下的溫度信號、z軸方向位移信號以及加速度信號。 比照仿真熱態特性分析得