本文摘要：

   本文通过调研发现对于数控机床的热特性研究  ，目前研究者大多采用国际标准ISO230-3:2020采用工作台上某固定点测量其主轴热变形特性作为测试指标 。并以此数据为参考  ，建立预测模型进行补偿用于提升机床的加工精度 。然而  ，机床在实际加工过程中有的被加工件体积较大  ，在工作台上占有一定的空间位置而不是固定在工作台上某一点位置 。并且数控机床进行运动时  ，因其复杂的结构差异性会导致其工作台的不同区域产生不同的热特性 。仅仅以固定单点测量作为机床热特性建模数据来源作为建模依据  ，模型缺乏足够的稳健性  ，不能保证数控机床具有热误差稳健性效果 。

   因此本文以五轴加工中心和五轴钻攻中心为研究对象  ，针对其结构特点  ，确定了温度传感器的安放数量以及安放位置 。通过自主设计的全工作区域测量方案以及设备  ，获取机床全工作台的不同位置的热变形数据 。根据模拟数控机床的实际加工过程设计了试验方案  ，然后进行了主轴空转情况下的包含直线轴与旋转轴运动的数控机床全工作热变形量测量实验 。采用了模糊聚类算法和灰色关联度算法选取了2个温度敏感点作为建模自变量 。利用多元线性回归算法建立了各位置固定单点模型  ，随之提出了以多元最小二乘曲面拟合算法建立五轴数控机床的全工作区域模型  ，提升了数控机床全工作区域热误差建模的稳健性 。论文的具体研究工作和总结如下：

1）针对数控机床的结构特点以及目前热特性测试方案的局限性  ，提出了采用以基于在线检测系统与标准矩形柱的组合方式用于获取机床全工作台的不同位置的热变形数据的方案  ，以及温度传感器的安放数量以及安放位置 。并模拟机床实际加工运行轨迹设计了实验方案  ，利用开发的热特性采集系统进行了多批次的热误差实验 。

2）将获取得到了数控机床全工作台热误差变形量进行了数据分析  ，分析发现工作台不同位置测点随着温度升高的过程中热变形量存在差异  ，最大相差7m左右 。因此得出结论仅仅以固定单点测量作为机床热特性建模数据来源是不具备数控机床热误差稳健性效果的 。

3）介绍了温度敏感段组合选取方法  ，首先利用模糊聚类算法对多个温度传感器所测温度数据进行了分类  ，以减小共线性过大对最终建模精度预测效果的影响；然后采用灰色关联度算法  ，选取与热变形量关联度最大的温度测点数据  ，以保证足够的建模信息量用于提升模型的精度 。最终得到的温度测点即为温度敏感点 。

4）详细介绍了固定单点模型和全工作区域模型的建模步骤  ，通过采用多元线性回归算法建立工作台上各测点的固定单点模型  ，进而根据多元曲面拟合算法建立全工作区域模型 。

5）介绍了两种对各固定单点模型的热误差预测效果与全工作区域模型的热误差预测效果进行对比的方法 。(1)通过热误差建模预测精度对比常用方法：根据模型预测的残余标准差的大小来进行说明残余标准差越小精度越高 。(2)从产品实际加工合格概率角度出发  ，采用了通过正态分布3区间范围的方式对模型的预测精度进行比较 。

   通过上述两种方法的对比得知  ，在固定单点模型之间  ，由于C5单点分布在工作台的中央  ，它所处的相对位置是机床X,Y轴向中心线的对称部位  ，与从X,Y轴向产生的热变形相抵  ，它的热变形变化受到工作台的影响不大  ，热变形相对稳定  ，因此其热变形预测误差最小；固定单点模型与全工作区域模型之间  ，由于全工作区域模型考虑到了全工作台不同位置的热变形不同这一因素  ，将位置坐标信息作为自变量参与建模  ，保证了建模信息的完整  ，因此以全工作区域建模相比固定单点建模提升了建模的稳健性 。

   本文针对五轴加工中心进行全工作区域热特性进行了测量  ，并且建立了全工作区域模型 。虽然做了相应的工作  ，但考虑到本人的科研实力以及科研时间  ，某些方面仍存在不足：

1）本文全文均以多元线性回归算法作为建模算法  ，实质选择优良的算法可以大幅提升机床热特性 。因文章篇幅所限和文章重点论述内容要求  ，故没有选用其他算法进行建模效果对比 。

2）由于实验条件与实验时间的限制  ，本文只针对性的研究了数控机床的全工作区域模型的精度预测效果  ，没有更进一步的完成全工作区域补偿实验 。

3）本文结论只针对此五轴加工中心空转热特性  ，而对不同类型的数控加工中心以及实切特性并未给予研究  ，故实验结果具有一定的局限性  ，在后期工作可以扩展到其他类型机床给予持续的深入研究 。

j9九游会平台数控 备注：为保证文章的完整度  ，本文核心内容由PDF格式显示  ，如未有显示请刷新或转换浏览器尝试  ，手机浏览可能无法正常使用！

本文摘要：