CN117348517A - 一种机床刀具热补偿方法、***及机床 - Google Patents
一种机床刀具热补偿方法、***及机床 Download PDFInfo
- Publication number
- CN117348517A CN117348517A CN202311511546.9A CN202311511546A CN117348517A CN 117348517 A CN117348517 A CN 117348517A CN 202311511546 A CN202311511546 A CN 202311511546A CN 117348517 A CN117348517 A CN 117348517A
- Authority
- CN
- China
- Prior art keywords
- temperature
- cutter
- thermal
- thermal compensation
- interval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000003754 machining Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 37
- 238000001816 cooling Methods 0.000 claims description 16
- 238000010438 heat treatment Methods 0.000 claims description 14
- 230000000630 rising effect Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012850 discrimination method Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 2
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 description 2
- 239000000110 cooling liquid Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35349—Display part, programmed locus and tool path, traject, dynamic locus
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Automatic Control Of Machine Tools (AREA)
Abstract
本发明公开了一种机床刀具热补偿方法、***及机床,该方法包括以下步骤:S1、在机床刀具加工过程中,通过温度检测模块采集刀具上若干点的温度,并计算得到刀具的热补偿均值温度S2、将步骤S1得到的热补偿均值温度输入热误差预测模型中,得到刀具的热误差值;S3、根据步骤S2得到的热误差值对刀具的刀尖进行位置偏移补偿。本发明中,温变区间判别子模型通过判别特征值k的大小即可快速判断热补偿均值温度所属的温变区间,热误差判别子模型通过热补偿均值温度及其对应的温变区间即可快速、精准预测得到一个唯一的热误差值,能够克服刀具的滞回特性问题;本发明通过预测的热误差值对刀尖位置进行实时偏移补偿,能够提高刀具的加工精度。
Description
技术领域
本发明涉及机床加工技术领域,特别涉及一种机床刀具热补偿方法、***及机床。
背景技术
机床加工控制中,通常会将刀具刀尖假想为一个点,加工时根据刀具实际尺寸,自动改变刀具刀位点(通常将刀尖作为刀位点)位置,刀尖作为基准位置来对刀具的运动进行控制。
加工过程中,刀具的刀尖位置会发生偏移,偏移的原因包括安装位置造成的偏移、刀具磨损造成的偏移、刀具热形变造成的偏移等,其中,安装位置和刀具磨损造造成的偏移通常可在加工前通过相关检测操作进行校准,而刀具热形变是由于加工过程中,刀具与加工件摩擦等使刀具温度上升而造成的,该偏移是动态的、随温度变化而改变的一种偏移,对于该类偏移的补偿需要实时检测获取刀具的热形变才能得到。刀具热形变造成的热误差是机床误差的主要来源之一,对刀具热误差进行补充对于提升机床加工精度具有重要意义。
温度的变化会使刀具产生尺寸的变化,刀具在各温度下,相对于标准温度的尺寸变化即可作为其热误差,在理论上,对于给定的刀具,刀具的热误差与温度存在固定的关系,利用该关系可通过温度分析得到该温度下的刀具热误差。然后刀具普遍存在温度-热误差的滞回特性:温度升高再降低时,升温阶段与降温阶段的热误差曲线不重合,会产生一个温度值对应两个或多个热误差值得情况,这一特性即为温度-热误差的滞回特性。该问题会导致热误差的预测精度大大降低。
专利CN110705180A一种具有外部输入的非线性自回归神经网络机床热误差建模方法,其采用具有外部输入的非线性自回归神经网络模型来够克服温度-热误差的滞回特性,取得了一定的效果,但其需要进行相对信息熵的计算,且整体方法较复杂。另外,其主要针对机床主轴热误差进行预测,主轴热误差的来源主要是热传导,其温度较低、温度的变化也较缓慢,而刀具的温度高、变化更加剧烈、工作环境更复杂,所以刀具热误差的预测难度更大,该专利的方法难以满足刀具热误差预测及补偿的需求。
所以,现在有必要对现有技术进行改进,以提供更可靠的方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种机床刀具热补偿方法、***及机床。
为解决上述技术问题,本发明采用的技术方案是:本发明的第一方面,提供一种机床刀具热补偿方法,包括以下步骤:
S1、在机床刀具加工过程中,通过温度检测模块采集刀具上若干点的温度,并计算得到刀具的热补偿均值温度
S2、将步骤S1得到的热补偿均值温度输入热误差预测模型中,得到刀具的热误差值;
S3、根据步骤S2得到的热误差值对刀具的刀尖进行位置偏移补偿;
其中,所述热误差预测模型包括温变区间判别子模型和热误差判别子模型,所述刀具温度随时间变化曲线的整个温变区间VT被分类为升温区间VT1、恒温区间VT2和降温区间VT3,所述温变区间判别子模型用于判断当前热补偿均值温度所处的温变区间;
所述热误差判别子模型根据当前热补偿均值温度的具体值以及温变区间判别子模型的判别结果分析得到对应当前热补偿均值温度/>的热误差值。
优选的是,所述温变区间判别子模型对温变区间的判定方法为:
记当前时刻为ti,i为自然数,当前时刻刀具的热补偿均值温度为前一个时刻ti刀具的热补偿均值温度为/>
计算判别特征值k,
若k>0,则判定处于升温区间VT1,若k<0,则判定/>处于降温区间VT2,若k=0,则判定/>处于恒温区间VT3。
优选的是,所述温度检测模块采用非接触方式对刀具进行温度采集,所述温度检测模块包括n1个第一温度传感器和n2个第二温度传感器;n1和n2均为不小于3的整数。
优选的是,步骤S1具体为:
S1-1、将所述刀具中与刀尖之间的距离≤l的所有区域划分为前刀面区,其余区域划分为后刀面区,其中,l=αL,L为刀具的外轮廓上的点与刀尖之间的最大距离,α为比例系数,0<α<0.3;
S1-2、在前刀面区上设置有n1个第一温度采集点,每个第一温度采集点之间的间距d1≥0.3~0.65l,且n1个第一温度采集点中包含一个刀尖所在的位置点,n1个第一温度传感器分别对应检测n1个第一温度采集点的温度值;
S1-3、在后刀面区上设置有n2个第二温度采集点,每个第二温度采集点之间的间距d2≥0.2~0.4L,且n2个第二温度采集点中包含一个与刀尖之间的距离为L的位置点,n2个第二温度传感器分别对应检测n2个第二温度采集点的温度值;
S1-4、计算所有第一温度采集点的温度值的平均值T1以及所有第二温度采集点的温度值的平均值T2,计算前刀面区的体积V1、后刀面区的体积V2;
S1-5、按照以下公式计算得到刀具的热补偿均值温度
优选的是,其中,α=0.15。
优选的是,其中,d1≥0.5l,d2≥0.25L。
优选的是,其中,所述热误差判别子模型通过以下方法构建得到:
1)构建训练数据集Q:
1-1)以刀尖为加热位置对刀具进行加热,之后进行降温,重复若干次;
1-2)通过温度检测模块采集刀具上若干点的温度,并计算得到刀具的热补偿均值温度检测在该热补偿均值温度/>下刀具的刀尖相对于标准温度下的偏移量,将该偏移量作为热补偿均值温度/>下刀具的热误差值ΔR,并获取/>所属的温变区间VT;
1-3)获取不同热补偿均值温度下的刀具的热误差值ΔRj以及/>所属的温变区间VT,将VT作为/>的标签,并将具有标签VT的/>ΔRj组合作为一条训练数据qj,其中,j=1,2,...,N;N为整数,表示训练数据的总数;
1-4)将所有的训练数据组合得到所述训练数据集Q,训练数据集Q中的训练数据包含热补偿均值温度分别属于升温区间VT1、降温区间VT2以及恒温区间VT3的若干数据;
2)采用所述训练数据集Q,以热补偿均值温度以及/>的标签温变区间VT为输入、对应的热误差值ΔRj为输出,对BP神经网络模型进行训练,训练好后即得到所述热误差判别子模型。
优选的是,训练数据集Q中的训练数据中,热补偿均值温度属于升温区间VT1的数据数量N1≥1/3N,热补偿均值温度属于升温区间VT2的数据数量N2≥1/3N,且N≥200。
本发明的第二方面,还提供一种机床刀具热补偿***,其采用如上所述的方法对机床刀具进行热补偿,该***包括:
温度检测模块,其用于采集刀具上若干点的温度;
热误差预测模型,其用于根据热补偿均值温度分析得到对应热误差值;
以及分析与控制模块,其根据温度检测模块的检测结果计算得到刀具的热补偿均值温度然后将/>输入热误差预测模型中,并根据热误差预测模型预测得到的热误差值对刀具的刀尖进行位置偏移补偿。
本发明的第三方面,还提供一种机床,其包括执行机构和如上所述的***,所述执行机构用于对目标工件进行加工,所述***用于在加工过程中,采用如上所述的方法对执行机构中的刀具进行热补偿。
本发明的有益效果是:
本发明提供了一种机床刀具热补偿方法、***及机床,本发明中的热误差预测模型为综合型模型,包括温变区间判别子模型和热误差判别子模型,先通过温变区间判别子模型判断当前温度是属于升温区间、降温区间还是恒温区间,然后再通过热误差判别子模型采用机器学习算法测算热误差值,能够在面对滞回特性的情况下,实现刀具热误差的精确测算;
本发明中,温变区间判别子模型通过判别特征值k的大小即可快速判断热补偿均值温度所属的温变区间,热误差判别子模型通过热补偿均值温度及其对应的温变区间即可快速、精准预测得到一个唯一的热误差值,能够克服刀具的滞回特性问题,且本发明的方法对于刀具工作过程中温度高、温度变化剧烈的情况具有很好的适应能力,可以获得高精度的热误差预测结果;本发明通过预测的热误差值对刀尖位置进行实时偏移补偿,能够提高刀具的加工精度。
附图说明
图1为本发明的实施例1中的机床刀具热补偿方法的流程图;
图2为本发明的实施例1中的步骤S1的具体流程图;
图3为刀具温度随时间变化的曲线示意图;
图4为刀具的温度-热误差滞回特性曲线;
图5为本发明的测试例中的预测热误差与实测热误差的对比结果;
图6为本发明的实施例2中的机床刀具热补偿***的原理框图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
参照图1,一种机床刀具热补偿方法,包括以下步骤:
S1、在机床刀具加工过程中,通过温度检测模块采集刀具上若干点的温度,并计算得到刀具的热补偿均值温度
温度检测模块采用非接触方式对刀具进行温度采集,温度检测模块包括n1个第一温度传感器和n2个第二温度传感器;n1和n2均为不小于3的整数。在本实施例中,第一温度传感器和第二温度传感器均为红外温度传感器,且第一温度传感器的数量n1=3,第二温度传感器的数量n2=5。
参照图2,步骤S1具体为:
S1-1、将刀具中与刀尖之间的距离≤l的所有区域划分为前刀面区,其余区域划分为后刀面区,其中,l=αL,L为刀具的外轮廓上的点与刀尖之间的最大距离,α为比例系数,0<α<0.3,本实施例中,α=0.15;
S1-2、在前刀面区上设置有n1个第一温度采集点,每个第一温度采集点之间的间距d1≥0.5l,且n1个第一温度采集点中包含一个刀尖所在的位置点,n1个第一温度传感器分别对应检测n1个第一温度采集点的温度值;
S1-3、在后刀面区上设置有n2个第二温度采集点,每个第二温度采集点之间的间距d2≥0.25L,且n2个第二温度采集点中包含一个与刀尖之间的距离为L的位置点,n2个第二温度传感器分别对应检测n2个第二温度采集点的温度值;
S1-4、计算所有第一温度采集点的温度值的平均值T1以及所有第二温度采集点的温度值的平均值T2,计算前刀面区的体积V1、后刀面区的体积V2;
S1-5、按照以下公式计算得到刀具的热补偿均值温度
前刀面区是刀具与工件直接接触位置及附近位置、切屑与刀具摩擦位置及附近位置的主要区域,也是热量产生的集中区域,此区域产生的热量再向后方传递至整个后刀面区,所以前刀面区与后刀面区的整体温度有较大的差异,应当分开进行检测与处理,而前刀面区与后刀面区的划分根据刀具实际尺寸可进行调整,本实施例中,按照l=0.15L,进行划分,能获得较好的效果;
温度的变化会使刀具产生尺寸的变化,刀具在各温度下,相对于标准温度(25℃)的尺寸变化即可作为其热误差,本实施例中,具体而言是将特定温度下,刀具的刀尖位置相对于标准温度下的偏移量作为该特定温度的刀具热误差。在理论上,对于给定的刀具,刀具的热误差与温度存在固定的关系,获知该关系后,即可通过实际温度分析得到该温度下的刀具热误差,所以需要先对刀具的温度进行实时采集。然而,刀具的温度实际上并非均匀的,其上各位置的温度通常会存在较大的差别,实际处理时也无法检测刀具每个位置的温度,只能尽量估算出更精准的、对判断热误差具有更高参考价值的判别平均温度,本实施例中,采用热补偿均值温度作为该判别平均温度。
其中,刀具的前刀面区与后刀面区由于具有较大的温度差异,故需要分开进行温度值的估算;
(1)对于前刀面区的平均温度T1:本实施例中通过3个第一温度传感器对区域内的3个第一温度采集点进行温度采集,其中一个点为刀尖,且3个采集点之间的间距均不小于0.5l,通过根据前刀面区的大小来限定各采集点的布置位置,能够根据实际情况获得更具代表性的前刀面区的平均温度。
(2)对于后刀面区的平均温度T2:本实施例中通过5个第二温度传感器对区域内的5个第二温度采集点进行温度采集,其中一个点为与刀尖距离最远的点(即后刀面区轮廓的远离刀尖位置点),且5个采集点之间的间距均不小于0.25L,通过根据后刀面区的大小来限定各采集点的布置位置,能够根据实际情况获得更具代表性的后刀面区的平均温度。
(3)最后根据前刀面区和后刀面区的体积大小来计算刀具的整体平均温度的估算值,能够获得更准确、更具参考价值的估算结果。根据热量与质量之间的关系式,并进一步推导:
Q=C*m*Δt=C*ρV*Δt
其中,Q为吸热量或放热量,C为比热容,m为质量,ρ为密度,V为体积,Δt为温度变化;
可以看出,对于刀具的不同区域,其密度相同,则热量与体积正相关,所以采用以上的计算公式:对热补偿均值温度/>进行估算,能够综合考虑前刀面区、后刀面区的温度和区域大小,使获得的估算结果能够更加客观反映刀具的整体温度情况,更具代表价值来进行热误差的测算。
S2、将步骤S1得到的热补偿均值温度输入热误差预测模型中,得到刀具的热误差值。
本实施例中,热误差预测模型包括温变区间判别子模型和热误差判别子模型,刀具温度随时间变化曲线的整个温变区间VT被分类为升温区间VT1、恒温区间VT2和降温区间VT3,温变区间判别子模型用于判断当前热补偿均值温度所处的温变区间;
热误差判别子模型根据当前热补偿均值温度的具体值以及温变区间判别子模型的判别结果分析得到对应当前热补偿均值温度/>的热误差值。
本实施例中,温变区间判别子模型对温变区间的判定方法为:
记当前时刻为ti,i为自然数,当前时刻刀具的热补偿均值温度为前一个时刻ti刀具的热补偿均值温度为/>
计算判别特征值k,
若k>0,则判定处于升温区间VT1,若k<0,则判定/>处于降温区间VT2,若k=0,则判定/>处于恒温区间VT3。
参照图3,为刀具加工过程中刀具温度(热补偿均值温度)随时间变化的曲线示意,可以看出,在升温区间,判别特征值k为正值;降温区间,判别特征值k为负值;恒温区间,判别特征值k=0;从而通过上述简单的方法即能快速判断热补偿均值温度所属的温变区间,从而为后续的热误差值测算提供一个参考特征。
温度升高再降低时,升温阶段与降温阶段的热误差曲线不重合,会产生一个温度值对应两个或多个热误差值得情况,这一特性即为温度(热补偿均值温度)-热误差的滞回特性,刀具普遍存在该特性,参照图4,为刀具的温度-热误差滞回特性曲线;且刀具在加工过程中会因摩擦等原因产热而升温,同时又会施加降温措施对刀具进行降温,如喷洒冷却液或喷射冷却空气等,所以刀具在加工过程中往往会经历若干升降温的过程,所以,对于刀具热误差的测算必须考虑其滞回特性,否则容易出现1个温度对应2个热误差的情况。本发明中,通过先判断当前温度是属于升温区间、降温区间还是恒温区间,然后再通过热误差判别子模型通过机器学习算法测算热误差值,能够在面对滞回特性的情况下,实现刀具热误差的精确测算。需要理解的是,属于相同温变区间的温度,理论上是与热误差值唯一对应的。
本实施例中,热误差判别子模型通过以下方法构建得到:
1)构建训练数据集Q:
1-1)以刀尖为加热位置对刀具进行加热,之后进行降温,重复若干次;
1-2)通过温度检测模块采集刀具上若干点的温度,并计算得到刀具的热补偿均值温度检测在该热补偿均值温度/>下刀具的刀尖相对于标准温度下的偏移量,将该偏移量作为热补偿均值温度/>下刀具的热误差值ΔR,并获取/>所属的温变区间VT;
1-3)获取不同热补偿均值温度下的刀具的热误差值ΔRj以及/>所属的温变区间VT,将VT作为/>的标签,并将具有标签VT的/>ΔRj组合作为一条训练数据qj,其中,j=1,2,...,N;N为整数,表示训练数据的总数;
1-4)将所有的训练数据组合得到训练数据集Q,训练数据集Q中的训练数据包含热补偿均值温度分别属于升温区间VT1、降温区间VT2以及恒温区间VT3的若干数据;
也即采集的训练数据中,必须包含多个升温、降温周期,从而使得包含升温区间、降温区间的若干数据,从而在面对刀具存在温度-热误差信号的滞回特性时,通过以上数据训练所得的模型能够具备优秀的根据温变区间和热补偿均值温度准确判定对应的热误差值的能力,即能够根据温度的温变区间这一特征参数作为辅助,将热补偿均值温度与相应的热误差值唯一匹配,避免出现一个热补偿均值温度值对应多个热误差值的现象;
2)采用训练数据集Q,以热补偿均值温度以及/>的标签温变区间VT为输入、对应的热误差值ΔRj为输出,对BP神经网络模型进行训练,训练好后即得到热误差判别子模型。
其中,训练数据集Q中的训练数据中,热补偿均值温度属于升温区间VT1的数据数量N1≥1/3N,热补偿均值温度属于升温区间VT2的数据数量N2≥1/3N,且N≥200。本实施例中,N=400,N1=181,N2=196,N3=23。
热误差预测模型进行热误差值测算时,当前的热补偿均值温度输入到温变区间判别子模型后,其通过上述方法快速判定/>所属的温变区间,然后将/>及其所属的温变区间输送至热误差判别子模型中,即可快速测算得到该/>对应的热误差值。
S3、根据步骤S2得到的热误差值对刀具的刀尖进行位置偏移补偿。
以上所得的热误差值即为刀尖偏离标准温度(25℃)下的位置,将其对此温度下的刀尖位置进行实时偏移补偿,能够提高刀具的加工精度。
测试例
模拟刀具加工过程的温度变化,对刀具施加升温和降温措施,升温措施是以刀尖为加热点对其进行电加热,降温措施是采用冷却液进行降温,按照实施例1的方法计算刀具的热补偿均值温度并通过实施例1中的热误差预测模型预测对应的热误差(即预测热误差),同时对刀具的实际热误差进行测量,得到实测热误差,将不同热补偿均值温度/>下的预测热误差和实测热误差绘制成温度-热误差曲线,进行对比,如图5所示,为对比结果,图中横坐标的温度为热补偿均值温度/>从对比结果可以看出,实施例1预测的热误差与实际热误差曲线重合度较高,说明预测结果的精度较高,能够满足应用需求。
实施例2
参照图6,一种机床刀具热补偿***,其采用实施例1的方法对机床刀具进行热补偿,该***包括:
温度检测模块,其用于采集刀具上若干点的温度;
热误差预测模型,其用于根据热补偿均值温度分析得到对应热误差值;
以及分析与控制模块,其根据温度检测模块的检测结果计算得到刀具的热补偿均值温度然后将/>输入热误差预测模型中,并根据热误差预测模型预测得到的热误差值对刀具的刀尖进行位置偏移补偿。
实施例3
一种机床,其包括执行机构和实施例2的***,执行机构用于对目标工件进行加工,***用于在加工过程中,采用实施例1的方法对执行机构中的刀具进行热补偿。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节。
Claims (10)
1.一种机床刀具热补偿方法,其特征在于,包括以下步骤:
S1、在机床刀具加工过程中,通过温度检测模块采集刀具上若干点的温度,并计算得到刀具的热补偿均值温度
S2、将步骤S1得到的热补偿均值温度T输入热误差预测模型中,得到刀具的热误差值;
S3、根据步骤S2得到的热误差值对刀具的刀尖进行位置偏移补偿;
其中,所述热误差预测模型包括温变区间判别子模型和热误差判别子模型,所述刀具温度随时间变化曲线的整个温变区间VT被分类为升温区间VT1、恒温区间VT2和降温区间VT3,所述温变区间判别子模型用于判断当前热补偿均值温度T所处的温变区间;
所述热误差判别子模型根据当前热补偿均值温度T的具体值以及温变区间判别子模型的判别结果分析得到对应当前热补偿均值温度T的热误差值。
2.根据权利要求1所述的机床刀具热补偿方法,其特征在于,所述温变区间判别子模型对温变区间的判定方法为:
记当前时刻为ti,i为自然数,当前时刻刀具的热补偿均值温度为前一个时刻ti刀具的热补偿均值温度为/>
计算判别特征值k,
若k>0,则判定处于升温区间VT1,若k<0,则判定/>处于降温区间VT2,若k=0,则判定处于恒温区间VT3。
3.根据权利要求1所述的机床刀具热补偿方法,其特征在于,所述温度检测模块采用非接触方式对刀具进行温度采集,所述温度检测模块包括n1个第一温度传感器和n2个第二温度传感器;n1和n2均为不小于3的整数。
4.根据权利要求3所述的机床刀具热补偿方法,其特征在于,步骤S1具体为:
S1-1、将所述刀具中与刀尖之间的距离≤l的所有区域划分为前刀面区,其余区域划分为后刀面区,其中,l=αL,L为刀具的外轮廓上的点与刀尖之间的最大距离,α为比例系数,0<α<0.3;
S1-2、在前刀面区上设置有n1个第一温度采集点,每个第一温度采集点之间的间距d1≥0.3~0.65l,且n1个第一温度采集点中包含一个刀尖所在的位置点,n1个第一温度传感器分别对应检测n1个第一温度采集点的温度值;
S1-3、在后刀面区上设置有n2个第二温度采集点,每个第二温度采集点之间的间距d2≥0.2~0.4L,且n2个第二温度采集点中包含一个与刀尖之间的距离为L的位置点,n2个第二温度传感器分别对应检测n2个第二温度采集点的温度值;
S1-4、计算所有第一温度采集点的温度值的平均值T1以及所有第二温度采集点的温度值的平均值T2,计算前刀面区的体积V1、后刀面区的体积V2;
S1-5、按照以下公式计算得到刀具的热补偿均值温度
5.根据权利要求4所述的机床刀具热补偿方法,其特征在于,其中,α=0.15。
6.根据权利要求4所述的机床刀具热补偿方法,其特征在于,其中,d1≥0.5l,d2≥0.25L。
7.根据权利要求4所述的机床刀具热补偿方法,其特征在于,其中,所述热误差判别子模型通过以下方法构建得到:
1)构建训练数据集Q:
1-1)以刀尖为加热位置对刀具进行加热,之后进行降温,重复若干次;
1-2)通过温度检测模块采集刀具上若干点的温度,并计算得到刀具的热补偿均值温度T,检测在该热补偿均值温度T下刀具的刀尖相对于标准温度下的偏移量,将该偏移量作为热补偿均值温度T下刀具的热误差值ΔR,并获取T所属的温变区间VT;
1-3)获取不同热补偿均值温度下的刀具的热误差值ΔRj以及/>所属的温变区间VT,将VT作为/>的标签,并将具有标签VT的/>ΔRj组合作为一条训练数据qj,其中,j=1,2,...,N;N为整数,表示训练数据的总数;
1-4)将所有的训练数据组合得到所述训练数据集Q,训练数据集Q中的训练数据包含热补偿均值温度分别属于升温区间VT1、降温区间VT2以及恒温区间VT3的若干数据;
2)采用所述训练数据集Q,以热补偿均值温度以及/>的标签温变区间VT为输入、对应的热误差值ΔRj为输出,对BP神经网络模型进行训练,训练好后即得到所述热误差判别子模型。
8.根据权利要求7所述的机床刀具热补偿方法,其特征在于,训练数据集Q中的训练数据中,热补偿均值温度属于升温区间VT1的数据数量N1≥1/3N,热补偿均值温度属于升温区间VT2的数据数量N2≥1/3N,且N≥200。
9.一种机床刀具热补偿***,其特征在于,其采用如权利要求1-8中任意一项所述的方法对机床刀具进行热补偿,该***包括:
温度检测模块,其用于采集刀具上若干点的温度;
热误差预测模型,其用于根据热补偿均值温度T分析得到对应热误差值;
以及分析与控制模块,其根据温度检测模块的检测结果计算得到刀具的热补偿均值温度T,然后将T输入热误差预测模型中,并根据热误差预测模型预测得到的热误差值对刀具的刀尖进行位置偏移补偿。
10.一种机床,其包括执行机构和如权利要求9所述的***,所述执行机构用于对目标工件进行加工,所述***用于在加工过程中,采用如权利要求-8中任意一项所述的方法对执行机构中的刀具进行热补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311511546.9A CN117348517B (zh) | 2023-11-14 | 2023-11-14 | 一种机床刀具热补偿方法、***及机床 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311511546.9A CN117348517B (zh) | 2023-11-14 | 2023-11-14 | 一种机床刀具热补偿方法、***及机床 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117348517A true CN117348517A (zh) | 2024-01-05 |
CN117348517B CN117348517B (zh) | 2024-04-19 |
Family
ID=89357643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311511546.9A Active CN117348517B (zh) | 2023-11-14 | 2023-11-14 | 一种机床刀具热补偿方法、***及机床 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117348517B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705180A (zh) * | 2019-10-07 | 2020-01-17 | 曲阜师范大学 | 一种具有外部输入的非线性自回归神经网络机床热误差建模方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5570304A (en) * | 1994-07-27 | 1996-10-29 | Litton Systems, Inc. | Method for thermal modeling and updating of bias errors in inertial navigation instrument outputs |
JP2002326141A (ja) * | 2001-04-27 | 2002-11-12 | Okuma Corp | 工作機械の熱変位補正方法 |
US20030139787A1 (en) * | 2002-01-18 | 2003-07-24 | Eggers Philip E. | System method and apparatus for localized heating of tissue |
US20040066831A1 (en) * | 2000-06-30 | 2004-04-08 | Satish Shivaswamy | Method for determining effective coefficient of thermal expansion |
CN102122146A (zh) * | 2011-01-06 | 2011-07-13 | 上海交通大学 | 用于高速精密加工的热误差实时补偿***及其补偿方法 |
JP2012086352A (ja) * | 2010-10-22 | 2012-05-10 | Niigata Machine Techno Co Ltd | 特殊工具による工作機械加工方法と工作機械加工システム |
CN110889091A (zh) * | 2019-11-18 | 2020-03-17 | 重庆理工大学 | 基于温度敏感区间分段的机床热误差预测方法与*** |
CN111618662A (zh) * | 2020-05-18 | 2020-09-04 | 湖北文理学院 | 一种机床整机热误差特性测试方法 |
CN111666659A (zh) * | 2020-05-18 | 2020-09-15 | 湖北文理学院 | 一种机床整机热误差建模方法 |
US20210026319A1 (en) * | 2019-01-31 | 2021-01-28 | Dalian University Of Technology | Self-adaptive compensation method for feed axis thermal error |
CN113219901A (zh) * | 2021-05-06 | 2021-08-06 | 玉林师范学院 | 一种数控机床智能化热误差补偿方法 |
US20220291656A1 (en) * | 2021-03-11 | 2022-09-15 | Okuma Corporation | Environmental temperature change prediction device and prediction method for machine tool |
-
2023
- 2023-11-14 CN CN202311511546.9A patent/CN117348517B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5570304A (en) * | 1994-07-27 | 1996-10-29 | Litton Systems, Inc. | Method for thermal modeling and updating of bias errors in inertial navigation instrument outputs |
US20040066831A1 (en) * | 2000-06-30 | 2004-04-08 | Satish Shivaswamy | Method for determining effective coefficient of thermal expansion |
JP2002326141A (ja) * | 2001-04-27 | 2002-11-12 | Okuma Corp | 工作機械の熱変位補正方法 |
US20030139787A1 (en) * | 2002-01-18 | 2003-07-24 | Eggers Philip E. | System method and apparatus for localized heating of tissue |
JP2012086352A (ja) * | 2010-10-22 | 2012-05-10 | Niigata Machine Techno Co Ltd | 特殊工具による工作機械加工方法と工作機械加工システム |
CN102122146A (zh) * | 2011-01-06 | 2011-07-13 | 上海交通大学 | 用于高速精密加工的热误差实时补偿***及其补偿方法 |
US20210026319A1 (en) * | 2019-01-31 | 2021-01-28 | Dalian University Of Technology | Self-adaptive compensation method for feed axis thermal error |
CN110889091A (zh) * | 2019-11-18 | 2020-03-17 | 重庆理工大学 | 基于温度敏感区间分段的机床热误差预测方法与*** |
CN111618662A (zh) * | 2020-05-18 | 2020-09-04 | 湖北文理学院 | 一种机床整机热误差特性测试方法 |
CN111666659A (zh) * | 2020-05-18 | 2020-09-15 | 湖北文理学院 | 一种机床整机热误差建模方法 |
US20220291656A1 (en) * | 2021-03-11 | 2022-09-15 | Okuma Corporation | Environmental temperature change prediction device and prediction method for machine tool |
CN113219901A (zh) * | 2021-05-06 | 2021-08-06 | 玉林师范学院 | 一种数控机床智能化热误差补偿方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705180A (zh) * | 2019-10-07 | 2020-01-17 | 曲阜师范大学 | 一种具有外部输入的非线性自回归神经网络机床热误差建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117348517B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105759719B (zh) | 一种基于无偏估计拆分模型的数控机床热误差预测方法及*** | |
CN117348517B (zh) | 一种机床刀具热补偿方法、***及机床 | |
CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与*** | |
CN109623493B (zh) | 一种判定主轴实时热变形姿态的方法 | |
CN117518982B (zh) | 一种提高机床加工精度的方法及*** | |
CN110716500B (zh) | 用于确定温度敏感区间分段建模点的方法与*** | |
CN104950808B (zh) | 基于加强朴素贝叶斯网络的机床热误差补偿方法 | |
CN110231801B (zh) | 一种数控机床热致定位误差关键温度测点选择方法 | |
Li et al. | Roughness prediction model of milling noise-vibration-surface texture multi-dimensional feature fusion for N6 nickel metal | |
CN118094449B (zh) | 基于工业互联网的生产智能监控方法、***及装置 | |
CN112475410A (zh) | 一种铣削温度与多元影响因子的关联分析***及方法 | |
CN117520103B (zh) | 基于热成像的数据中心机房温度监控方法 | |
CN101780488B (zh) | 内螺纹冷挤压加工质量在线预测方法 | |
Xu et al. | Study of adaptive model parameter estimation for milling tool wear | |
CN116880601A (zh) | 熔融态黄磷恒温输送控制*** | |
KR102558133B1 (ko) | 인공지능을 통한 가공 설비 최적 운전 조건 추적 방법 | |
CN105463142A (zh) | 一种高炉炉缸内铁水温度测量的方法 | |
CN114895627A (zh) | 一种分区域机床热误差补偿方法 | |
CN111708323B (zh) | 一种具有热变形误差补偿的五轴小龙门数控加工中心 | |
Zhu et al. | A model-based monitoring and fault diagnosis methodology for free-form surface machining process | |
CN113857936B (zh) | 一种基于视觉检测的机床立柱热补偿方法、***和机床 | |
Yang et al. | Statistics-Based Measuring Point Selection for Monitoring the Thermal Deformation of a Workpiece in End-Milling | |
CN111612211A (zh) | 一种磨煤机煤粉细度的预测建模方法 | |
CN117253568B (zh) | 一种制备氧化钇坩埚的涂层工艺优化方法及*** | |
CN117054734B (zh) | 一种铜板熔炼能耗的监测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |