第11期 2016年11月
组合机床与自动化加工技术
Modular Machine Tool & Automatic Manufacturing Technique
文章编号：10012265(2016)11006805
D0I:10.13462/j. cnki. mmtamt.2016.11.019
基于SOM神经网络聚类以及支持向量机的
数控机床热误差建模方法的研究
陈卓，李自汉，杨建国，姚晓栋
（上海交通大学机械与动力工程学院，上海200240）
No.11 Nov.2016
摘要：为了减小主轴季节性热误差影响，提高机床的加工精度，提出了基于针对机床热源进行SOM 神经网络预聚类后的支持向量回归机的主轴热误差综合模型。针对一台型号为HTM40100h的车铣复合中心，对主轴的关键温度测点进行了内外热源的划分，并在冬复两个李节对所有测温点温度和热误差数据进行采集，将外部热源温度数据作为SOM网络的输入变量进行李节性聚类，聚类后的外部热源温度数据连同同时刻的内部热源温度数据一起作为不同季节支持向量回归机模型的输入变量，得到热误差拟合值。将通过聚类预处理的方法与未经聚类的方法进行了对比试验，结果表明：该综合预测模型在冬夏两个季节均获得了较高的建模精度和鲁棒性。
关键词：机床热误差建模；SOM神经网络；支持向量回归机；季节性预聚类
中图分类号：TH132；TG659
文献标识码：A
Modeling for Thermal Error of Machine Tool Based on SOM Neural
Network and Support Vector Regression Machine CHEN Zhuo,LI Zi-han, YANG Jian-guo, YAO Xiao-dong
(School of Mechanical Engineering,Shanghai Jiao Tong University,Shanghai 200240,China）
Abstract: In order to reduce the impact of seasonal thermal eror of spindle on CNC machine tool, a novel method of modeling based on preclassification by SOM neural network and Support Vector Regression Ma chine(SVRM) is proposed. Experiment was performed on a HTM40100h turning milling machining center Temperature and error data both in Summer and Winter were collected, and the measuring points of temperature on machine tool were classified into internal heat sources points and external ones. The temperature data of exter-nal heat sources points were input into SOM neural network for seasonal classification. The data of classified ex-ternal heat sources points along with the meanwhile data from internal heat sources points were input into corre sponding SVRM model for error fitting. The comparison between modelling with and without preclassification shows that, the former one presents much better robustness and precision in two different seasons.
Key words : machine tool; SOM neural network ; support vector regression machine; seasonal preclassification
0引言
数控机床在加工工件的过程中，会产生加工误差。
接照原因的不同，这些误差包括热误差、儿何误差、切削力误差等。其中由机床热变形引起的误差占到了总误差的40%以上。因此，机床热误差的实时补偿技术的研究对于工程实践而言显得极为迫切而重要。而在热误差补偿技术中，机床热误差建模又是所有问题中最重要的一环，不仅仅是因为它高度概括地将生产实践中的实际问题抽象为了数学模型，使得工程技术
收稿日期：2015-12-07；修回日期：2016-01-06
人员可以采用信息化手段着手解决，也因为要得到个具有好的鲁棒性和稳定性的热误差模型是极为困难且难以实现的。
在机床各个部件中，机床主轴是因为热变形导致产生加工误差的最主要部件之一[2]。从上世纪八十年代开始，国内外许多学者对此进行了深入探讨和研究总结出了很多极具价值的建模算法，包括最小二乘法建模[3]、BP神经网络模型[4]、灰色系统神经网络模型[5]，多项式拟合与纵向建模[6]，因子分析与贝叶斯估
*基金项目：上海市军民结合产业发展体系建设项目（JMJH2013002）；上海市闵行区产学研项目（2013MH111）；辽宁省科技创新重大专项
（201301001）；上海市产研项目（沪CXY-2013-29）
作者简介：陈卓(1989—），男，长沙人，上海交通大学硕士研究生，研究方向为机床主轴热误差测量和补偿，（E-mail)john02142005@sjtu.edu.en
杨建国(1951一），男，上海人，上毒交通大学教授，博士生导师，研究方向为精密加工与测试，数控机床误差检测、建模、补偿，（E-mail）万态数据tu.edu.en。