數控機床熱誤差智能補償系統設計與研究

梁蔭娟

（佛山市順德區質量技術監督檢測所，廣東 佛山 528000）

1 熱誤差來源分析

隨著機加工技術的提高，機床結構、切削力誤差得到了妥善處理，但直接影響加工精度的熱變形誤差卻一直沒有得到改善[1-2]。傳統的機床熱誤差補償在實際應用過程中具有一定的局限性，原因是過度依賴有線溫度檢測技術[3-4]。該文設計了基于無線傳輸技術的溫度檢測系統，該系統克服了有線檢測系統的局限性，在確保數據獲取可靠性的前提下提高了熱變形誤差實時補償速度。

數控機床的組成材料為金屬材料，由于材料具有熱脹冷縮性，因此在機床正常工作的過程中，受到切削熱和運動部件摩擦產生的摩擦熱及外部熱源的影響，工藝系統會產生變形，該變形即為熱變形，由此產生的誤差為熱誤差[5]。機床熱源可分為由自身組件運動摩擦產生的摩擦熱及切削熱等內部熱源和環境溫度等外部熱源[6]。

數控機床熱變形可視為一系列熱變形的疊加，最終成為熱變形模態。現階段各國學者將目光聚焦于機床誤差，通過廣泛且深入地探討與研究提出了很多可行的精度改善方法，例如消除誤差、誤差補償等。

2 溫度無線檢測系統設計

該文提出的這套系統由硬件層、應用軟件層及操作系統層組成，其整體結構設計如圖1所示。硬件層包括電源、溫度傳感器、串口通信模塊及無線頻射模塊，通過外圍電路設計有機地整合了硬件層的4個部分；操作系統層主要完成無線節點端、PC端對任務、內存及設備接口等系統設備的控制；應用軟件層實現測定溫度、數據無線傳輸、處理、顯示等應用軟件設計。

無線溫度傳感器為溫度無線監測系統的核心組成部分，其集成溫度信息采集、低功耗和無線通信等技術于一體，避免了使用過程中的線路鋪設，簡化了系統硬件連接。無線溫度傳感器的數據傳輸包括433 MHz、Wi-Fi和ZigBee等方式，Wi-Fi和ZigBee傳輸方式的傳輸速率較低，難以滿足文中系統需要的誤差實時補償的快速響應需求，經過綜合考慮后該文選取433 MHz無線溫度傳感器傳輸數據，傳感器的具體布設如圖2所示，布設位置及作用見表1。

表1 溫度傳感器布設位置及作用

3 熱誤差建模及智能補償

3.1 基于BP神經網絡的熱誤差建模

神經網絡通過大量神經元的互連對事物功能進行處理，側重于解決非線性問題且對樣本分布沒有特殊要求，僅要求樣本完整而全面并具備自學和并行處理等能力。當神經網絡建模時，將捕捉到的數據導入神經網絡模型并按照特定原則和要求訓練這些數據，當獲得適合的閾值和權值時即可獲得符合實際情況的神經網絡模型，進而將該模型應用于數控機床的誤差補償[7]。

數控機床的Y軸誤差補償模型如圖3所示。根據實際經驗可知，導致機床加工誤差的溫度主要來自右十字滑座、上軸承機體和電機外殼，考慮到這些因素，采用了較為經典的三層神經網絡。其中，輸入層包括A1～A44個神經單元，分別為電機外殼、上軸承座、右十字滑座溫度及位移量，中間層及輸出層則只擁有一個神經元。

圖3中，位移量A4為刀具初始時刻與當前時刻之間距離，A4=0、10、20、......、1000，各個數值之間量綱不同，須對輸入網絡之前的數據進行歸一化處理，如公式（1）所示。見表2。

表2 歸一化表

通過神經網絡進行熱誤差補償的過程如下：當刀具移動至與初始時刻位置距離分別為A4=0,10,20,…,1000時，配裝在機床上的溫度傳感器則自動完成三處溫度值采集處理[8]，將這些數據導入網絡進行計算分析，隱含層各節點輸入如公式（2）所示。

式中：Wij為輸入層到隱含層權值。

隱含層節點輸出如公式（3）所示。

輸出層輸出如公式（4）所示。

式中：Vrs為隱含層到輸出層取值。

反歸一化處理輸出節點值，如公式（5）所示。

機床熱誤差補償值取為a的相反數-a。輸入節點i分別取值1、2、3、4，隱含層節點j分別取值1、2、3、4、5、6，輸入層到隱含層權值為Wij。同理，隱含層節點r分別取值1、2、3、4、5、6，輸出層節點s取1，隱含層與輸入層閾值分別用b、c進行表示。

3.2 基于BP神經網絡模型的仿真分析

以成熟、完善的粗糙集理論為載體，在數據預處理之后借助MATLAB7.0工具完成仿真分析[9]。經過多方面考慮后采用BP神經網絡。在學習階段，通過輸入端將處理后的樣本置于模型中進行強化訓練，設定目標函數、學習效率及迭代次數，其中將log-Sigmoid函數設定為隱含層神經元變換函數，purelin型線性函數設定為最后輸出層變換函數。須注意的是神經元的連接閾值及權值不是固定不變的，只要誤差符號及大小發生變動，其值也要隨之變化，直至輸出給定結果才能保證建立的模型與實際需求相符。BP神經網絡輸入/輸出映射曲線如圖4所示，BP網絡訓練如圖5所示。

3.3 熱誤差補償仿真結果分析

基于BP神經網絡構建相適配模型并利用該模型完成仿真分析，分析結果發現，無論是期望輸出還是預測誤差均達到了理想控制要求。仿真結果證實，未進行BP神經網絡模型熱誤差補償時，加工誤差為-5 μm～27 μm，通過BP神經網絡模型的熱誤差補償，加工誤差為-5 μm～5 μm，數控機床的加工精度大幅提升。

BP神經網絡的自調整功能非常強大，可針對不同加工誤差選取相適配的訓練數據進行實時處理，從根源上保證了誤差模型構建精度，該系統還有補償準確、快速和適用于所有數控機床的優勢，可以看出采用BP神經網絡模型進行熱誤差補償可以提高零件的加工精度。

3.4 熱誤差補償分析

通過仿真結果分析可進一步發現BP神經網絡模型具有多重功能優勢，它不僅能將加工熱誤差降到最低，還能保證加工效率和制造精度。在該設計中建議用原點平移法進行實時補償，利用功能強大、操作便捷的可編程控制器優化機床程序來減少熱誤差、改善加工精度。

實時補償器具有構造簡單、布局規范的特點，文中通過修改數控機床控制程序可以獲得實時誤差補償控制系統，該系統主要由3個模塊構成，如圖6所示，分別為補償程序執行及數控機床接口模塊、計算處理模塊還有數模轉換及傳感器模塊。

3.5 熱誤差實時補償執行分析

S7-300PLC由于對外開放功能強大而備受認可，可以通過該功能重新設計BP補償模型并將其移植至數控系統中。機床熱誤差進行動態和實時檢測，利用模型確定補償值并對部分程序做出適當調整之后可以通過原點平移法實現熱誤差實時補償。

補償程序導入數控機床后，經現場試驗發現，在誤差補償的過程中加工精度提高約15 μm，基于原點平移法可以實現數控機床加工誤差的補償，該誤差補償方法具有實用性強、經濟性好的特點，促進了數控機床加工制造的發展。

4 結論

該文分析了影響數控機床加工精度的最大因素熱誤差，經過對運作原理和補償方法的深入探究，開發出了實施性更好的無線監測系統并基于該系統采集了溫度值，根據采集數據，通過BP神經網絡建立熱誤差模型，實現熱變形誤差實時補償。基于仿真分析，對BP神經網絡模型在數控機床熱誤差補償中的可行性進行分析。該文系統避免了溫度有限檢測的局限性，確保了數據獲取的可靠性，提高了熱變形誤差實時補償的速度，促進了數控機床加工制造的發展。