基于多元相空间重构的数控机床运动精度预测

摘要

精度是数控机床的一个重要性能指标。数控机床精度直接影响加工零件的精度和质量，体现着整个制造业的技术水平和竞争力。我国是数控机床消费大国，但不是数控机床制造强国，需求和制造力处于不平衡状态，尤其是高档数控机床。与进口数控机床相比，国产数控机床的精度保持性不高，提高精度保持性是国内数控机床亟待解决的问题。本文针对数控机床运动精度进行了分析和预测，根据分析和预测结果，可在数控机床运动精度失效之前采取措施减小或消除误差来源，从而提高产品加工精度，并延长数控机床的服役时间，提高精度保持性。另外还能指导机床维修工作，防止失修带来的经济损失。　　本文针对数控机床的多个运动精度特征量时间序列，基于多元相空间技术建立运动精度相空间，将低维时间序列映射到高维相空间中，恢复混沌吸引子，揭露复杂表象后的有序状态。引入主成分分析法对重构后的相空间进行去冗降维，简化模型结构。然后构建小波神经网络预测模型，以运动精度的相点坐标为输入，圆度误差变化量为输出，对预测模型训练学习，从而实现数控机床运动精度的预测。本文主要的研究工作如下：　　（1）搭建实验平台测试数控机床运动精度，获取多个运动精度特征量时间序列数据。并通过算数平均法对数据进行降噪处理，采用最大李雅普诺夫指数分析数控机床运动精度序列的混沌特性。　　（2）重构数控机床运动精度相空间。采用C-C算法分别计算出各运动精度特征量时间序列的相空间重构参数。然后通过主成分分析法滤除冗余信息，简化相空间结构。以运动精度相空间维数作为小波神经网络输入层神经元数目，避免了试凑法，保证了输入信息的完备性。　　（3）构建数控机床运动精度小波神经网络预测模型。选用Morlet小波作为隐含层神经元激励函数，分析并确定小波神经网络结构，给出了预测模型参数修正算法，然后通过重构后的运动精度相空间数据对预测模型进行训练和预测。最后根据预测评价指标（预测精度、最大相对误差、相对均方误差），对结果分析评价。同时与未降维处理的多元WNN预测模型、单元WNN预测模型进行比较。　　实验结果表明：基于多元相空间重构的数控机床运动精度预测模型的预测精度高，且经降维处理的多元预测模型所得相对均方误差比其他两个模型低了一个数量级。说明了本文提出的预测模型能够有效跟踪数控机床运动精度变化规律。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 课题来源

1.3 国内外研究现状

1.4 论文研究内容及组织安排

2 数控机床运动精度数据获取及分析

2.1 基于球杆仪数控机床运动精度的测量

2.2 数据预处理

2.3 本章小结

3 数控机床运动精度相空间重构方法

3.1 混沌理论

3.2 相空间重构理论

3.3 重构数控机床运动精度多元相空间

3.4 本章小结

4 基于小波神经网络的运动精度预测模型研究

4.1 小波神经网络

4.2 基于WNN的运动精度预测模型结构分析

4.3 数控机床运动精度WNN预测模型算法

4.4 数控机床运动精度WNN预测模型

4.5 数控机床运动精度预测误差评价指标

4.6 本章小结

5 数控机床运动精度预测模型验证及系统设计

5.1 基于多元-PCA-WNN运动精度预测方法的实现

5.2 模型比较

5.3 预测系统的软件设计

5.4 本章小结

6 总结与展望

6.1 研究总结

6.2 课题展望

致谢

参考文献

个人简历、在学期间发表的学术论文及取得的研究成果

附录1