自適應神經模糊推理系統和灰色理論的加工中心熱謨差補償
海天精工 加工中心 鉆攻中心前言：隨著科學技術的進步，機械加工產業也在向著 高精度方向發展。高精度是機械產品競爭能力的主要因素，特別是生產制造機械。伴隨超精密產品的誕生，對加工中心的加工精度要求也會越來越高。通常情況下，CNC加工中心運行過程中產生的誤差包括以下幾個部分：（1)加工中心熱變形產生的誤差；（2)切削力產生的誤差；（3)刀具磨損產生的誤差；（4)加工中心定位誤差等等。在加工中心運行所產生的多種誤差中，機床的熱誤差是占據主導地位[1]，大約占總誤差的70%。因此，必須盡快降低加工中心熱誤差的影響，提高機械零部件的生產精度。當前，主要是通過兩種方法減小加工中心熱誤差的影響，分別為誤差防止法和誤差補償法[2]。誤差防止法受到經濟條件的約束，應用相對較少。誤差補償法通過計算機技術對產生的誤差進行修正，成本較低?因此，許多研究人員對加工中心熱誤差補償法進行了深入的研究。例如:文獻[3-4]基于動態自適應加權最小二乘支持矢量機的方法構建加工中心熱誤差預測模型。采用動態的自適應方法，對建模選擇的參數進行優化，根據熱誤差變量得到權重系數，最終確定最小二乘法支持矢量機加工中心的熱誤差預測模型。該方法建模精度較高，優于傳統的最小二乘法。文獻[5-7]基于神經模糊控制理論的建模方法創建加工中心熱誤差模型，將模糊神經網絡建模方法與徑向基函數神經網絡建模方法進行了對比。對比結果顯示，模糊神經網絡建模方法精度更髙，預測性能較好。文獻[8-9]研究了CNC加工中心熱誤差補償分布滯后模型，通過模糊聚類法選擇出測量加工中心溫度的實驗數據，從而擬合成分布滯后預測模型，并且與多元線性回歸模型進行比較。結果顯示，在同等條件下，分布滯后模型預測精度較高。以往研究的加工中心熱誤差預測模型預測精度雖然提高，但是比較繁瑣，需要測量的溫度數據較多。對此，本文采用自適應神經模糊推理系統的模糊C均值聚類法，對加工中心運動的溫度數據進行篩選，選擇出最優的溫度數據。引入灰色理論系統創建熱誤差預測數學模型，通過實驗數據對本文創建的熱誤差模型進行驗證，并與其它預測模型進行對比。結果表明，本文所創建的加工中心熱誤差預測模型不僅需要的溫度數椐較少，而且熱誤差補償后誤差明顯減小，加工精度較高。1自適應神經模糊推理系統1.1 ANFIS 結構ANFIS結構如圖1所示，系統模型有五個層面，每個層面均包括了由節點函數定義的諸多節點。方框表示自適應可調參數的節點集，圓圈表示模型中固定參數的節點集。在ANFIS簡化模型中，定義了兩個輸人變量（和r2)以及一個輸出變量n熱漂移）。在第一層面中:輸入變量通過隸屬度函數（MF)轉化為一個模糊集，其中自適應節點的節點函數[w]為海天精工 備注：為保證文章的完整度，本文核心內容都PDF格式顯示，如未有顯示請刷新或轉換瀏覽器嘗試，手機瀏覽可能無法正常使用！結束語：本文采用了自適應模糊推理系統和灰色理論研究了CNC加工中心熱誤差的預測模型。分析了自適應模糊推理系統的結構和模糊C均值聚類法，根據灰色理論創建熱誤差預測模型。通過模糊C均值聚類法篩選溫度實驗數據，確定出******溫度測量數據，溫度傳感器從76個減少到5個。通過實驗驗證本文預測模型，并且與其它預測模型方法進行對比。預測結果表明，本文預測熱誤差經過補償后所產生的******誤差在5 pm以內，其他方法預測熱誤差經過補償后所產生的******誤差在10 pm以內。自適應模糊推理系統的模糊C均值聚類法耦合灰色理論創建的CNC加工中心熱誤差預測模型預測精度較高，為加工中心運行的熱誤差補償提供了參考依據。海天精工是一家集銷售、應用及服務于一體的公司。產品包括：CNC加工中心、鉆攻中心、龍門加工中心、雕銑機、石墨機、五軸加工中心、立式加工中心、臥式加工中心等。我們機床的生產工廠設在廣東省寧波市，目前其生產的加工中心70%出口，其中出口到歐洲占到50%。我們盡心、盡力、盡意的服務！聲明：本站文章均來自網絡，所有內容不代表本站觀點，本站不承擔任何法律責任！