卧式加工中心空间热误差预测的机理-数据混合驱动模型
《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Mechanism-data hybrid-driven model for spatial thermal error prediction of horizontal machining center
【字体:
大
中
小
】
时间:2026年09月28日
来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 10.2
编辑推荐:
摘要
热误差是影响机床加工精度的主要因素之一。现有的热误差预测方法主要关注局部部件,对加工空间内的空间热误差(STE)表征能力有限。为解决这一问题,本文提出了一种名为"热感知物理约束xRFM"(TPC-xRFM)的机制-数据混合驱动模型,用于机床空间热误差预测。首先建立瞬态
摘要
热误差是影响机床加工精度的主要因素之一。现有的热误差预测方法主要关注局部部件,对加工空间内的空间热误差(STE)表征能力有限。为解决这一问题,本文提出了一种名为"热感知物理约束xRFM"(TPC-xRFM)的机制-数据混合驱动模型,用于机床空间热误差预测。首先建立瞬态有限元模型(FEM),获取机床的温度场和热变形场,并将模拟温度数据与实测数据融合,为模型训练提供基于机制的先验信息。随后引入基于平均梯度外积(AGOP)的温度加权策略,以识别和增强热敏感变量,同时加入热误差一致性和延迟约束以提高物理一致性和时间稳定性。此外,设计了一种快速空间热误差测量方案,以获取加工空间内多位置的热误差数据。实验结果表明,TPC-xRFM在不同方向上均显著优于基线模型,为机床空间热误差预测提供了一种有效且可解释的解决方案。
引言
高精度机床是先进制造的核心装备,其加工精度直接影响产品的尺寸精度[1]、[2]。然而,在实际加工过程中,机床精度受多种误差源的综合影响[3]、[4]、[5]、[6]。其中,热误差被认为是影响加工精度的主要因素之一,先前的研究表明,它可占机床总几何误差的40%-70%[7]。热误差与各种内外热源密切相关,包括主轴轴承、电机、滚珠丝杠、导轨以及环境温度的变化。产生的热量在不同部件之间传递并相互耦合,最终导致机床结构产生复杂的热变形[8]。为解决机床热误差问题,现有的抑制方法主要包括结构优化设计、加工过程中的主动温度控制以及热误差预测与补偿[9]、[10]、[11]。与结构优化和主动温度控制相比,热误差预测与补偿具有成本低、易实施和工程适用性强等优势[12]、[13]。因此,它已成为提高机床加工精度的重要技术手段。
目前,机床热误差预测方法主要可分为机制驱动方法和数据驱动方法。机制驱动方法主要包括有限元方法和解析建模方法[14]。有限元方法将机床结构离散化为网格单元,求解热传导方程与热-结构耦合方程,从而获得机床的温度场、热变形场和热误差分布[15]。由于其对复杂结构具有较强的适应性,它已成为机床设计阶段热特性分析和优化的重要工具[16]。相比之下,解析建模方法通过基于热传导方程、边界条件和热膨胀理论的数学推导,建立温度场与热变形之间的显式或半显式关系,从而具有较强的物理可解释性[17]、[18]。然而,机制驱动方法在预测空间热误差方面存在局限性。静态有限元模型(FEM)通常描述在给定稳态热载荷下的热变形,但无法直接捕捉加工空间中热误差随时间和位置变化的演化过程。解析模型依赖于简化的结构和边界条件,难以表征耦合的机床热变形。
与机制驱动方法相比,数据驱动方法利用人工智能算法直接学习机床温度数据与热误差之间的非线性映射关系,而无需显式推导温度场或热变形场[19]。因此,它具有建模过程简单、预测效率高以及在线应用潜力强等优势[20]。近年来,随着深度学习的发展,数据驱动方法已被广泛应用于机床热误差预测,并取得了较高的预测精度。常用方法包括人工神经网络(ANN)[21],主要用于学习温度变量与热误差之间的非线性映射;以及长短期记忆(LSTM)网络[22]和门控循环单元(GRU)[23],适用于捕捉时间依赖性和热响应的延迟效应。更近期,基于视觉Transformer的架构[24]被用于从视觉热数据中提取信息特征,集成学习方法[25]被采用以提高预测的鲁棒性和泛化能力,时空图神经网络[26]被引入以同时建模温度变量的时间演化和空间相关性。尽管这些方法取得了令人满意的预测性能,但其效果通常依赖于充足的高质量实验数据。然而,机床热误差实验耗时且成本高,难以收集覆盖多种工况的数据。此外,实际约束限制了可安装在机床上的温度传感器的数量和位置,因此实测温度只能提供整体热状态的稀疏观测。因此,纯数据驱动模型可能难以充分表征机床的温度场和热变形的空间分布。
由于基于机制的模型和数据驱动模型均存在固有局限性,机制模型与数据驱动模型的集成已逐渐成为机床热误差 an important direction [27]。现有的融合方法主要包括物理先验嵌入、机制模型引导的残差修正以及可解释函数学习[28]。其中,物理先验嵌入方法通常将热传导定律和热弹性变形关系转化为先验函数、约束项或损失函数,使数据驱动模型能在物理有意义的空间内进行学习[29]。机制模型引导的残差修正方法使用简化的机制模型来描述热误差的主要变化趋势,而数据驱动模型则补偿由复杂边界条件和非线性传热过程引起的残差[30]。可解释函数学习方法通过结构透明的学习模型或显式解析表达式揭示温度变量与热误差之间的映射关系[31]。
这些方法在提高热误差预测精度和增强模型可解释性方面展现出明显优势。然而,现有研究主要关注局部子系统,如主轴系统和进给系统,而对机床结构热变形和加工空间热误差的建模仍显不足。在实际加工过程中,机床热误差并非由单个部件独立产生,而是主轴、进给轴、床身和立柱等多种结构在多个热源耦合效应下共同形成的。因此,现有模型难以全面反映机床热误差的演化机制,也无法准确描述加工空间内多位置、多方向热误差的动态分布,这限制了其在实际加工场景中的有效性。因此,有必要开发一种面向机床的机制-数据融合热误差预测方法,以表征机床多部件之间的耦合热变形,并进一步预测加工空间内的热误差。目前,相关研究仍存在以下局限性:
(1)现有方法仍主要关注局部热误差预测,缺乏对加工空间内多位置、多方向热误差分布的全面描述能力。
(2)现有测量方法难以同时获取机床结构的空间热变形信息,且难以有效区分不同部件热变形对最终热误差的贡献,这限制了机床机制-数据融合模型的构建。
针对上述局限性,本文提出了一种机制-数据混合驱动的热误差预测方法,用于预测空间热变形和空间热误差(STE)。与主要关注局部部件或有限位置热误差的现有混合热误差预测方法不同,所提出的框架整合了机制信息、实验空间热误差测量、热敏感感知和物理一致性建模,以表征整机机床的空间热误差。具体而言,采用有限元方法(FEM)来表征机床的热行为并补充难以通过实验获取的热状态信息,同时利用激光跟踪仪获取加工空间内多位置的空间热误差。模拟温度数据和实验测量温度数据在数据层面进行集成,并共同用于模型训练。基于融合后的数据,采用平均梯度外积(AGOP)自适应识别热敏感变量,并引入物理约束以提高预测结果与机床热变形演化的一致性。本文的主要贡献如下:
(1)开发了一种基于激光跟踪仪的空间热误差测量方案,以高效获取加工空间内多位置、多方向的热误差。测量结果进一步使能够分析和解耦不同机床部件的热变形贡献,为模型构建和验证提供空间热误差数据。
(2)构建了一种用于空间热误差预测的机制-数据混合驱动框架。采用有限元方法(FEM)表征机床的热行为并提供难以直接测量位置的模拟温度信息。模拟温度数据和实验测量温度数据在数据层面进行集成并共同用于模型训练,从而丰富了可用于空间热误差预测的热状态信息。
(3)提出了一种热感知物理约束xRFM(TPC-xRFM)模型,以解决空间热误差的方向依赖性和物理约束特性。基于AGOP的热感知被用于自适应评估不同温度变量的贡献并增强热敏感信息,同时引入热误差一致性和延迟约束以提高预测结果的物理一致性和时间稳定性。
本文其余部分组织如下。第2节介绍所提出的框架和仿真模型。第3节介绍TPC-xRFM算法。第4节描述实验设置并讨论预测结果。最后,第5节对本文进行总结。
所提出的架构
所提出的TPC-xRFM方法的整体架构如图1所示。该方法通过整合实验测量、有限元仿真、基于AGOP的温度感知和物理约束xRFM预测,为卧式加工中心的多轴空间热误差(STE)预测而开发。总体而言,所提出的框架由三个主要部分组成:数据获取层、仿真分析层和平均梯度外积加权(AGOP-weighted)xRFM层。xRFM是一种表格数据预测模型,它结合了特征学习核方法与自适应树结构[38]。对于机床热误差预测问题,温度测量数据本质上是多变量输入。不同的测量点不仅通过热传导相互关联,而且对热误差的贡献也不同。因此,在本研究中,首先使用原始xRFM来建立……
实验与讨论
本节在一台正T型卧式加工中心上进行热特性实验,以验证所提出方法的有效性。机床的具体结构如图3(a)所示。该机床采用T型结构,其中立柱在左右方向的水平移动定义为X轴,主轴箱沿立柱的垂直移动定义为Y轴,……
结论
本研究提出了一种机制-数据混合驱动的TPC-xRFM模型,用于机床多轴空间热误差(STE)预测。所提出的方法将实测数据和模拟数据融合作为TPC-xRFM模型的输入,并在训练过程中引入物理一致性约束。通过这种方式,模型能够将基于机制的先验知识融入到数据驱动预测过程中,从而提高空间热误差建模的准确性、物理一致性和可解释性。主要……
CRediT作者贡献声明
惠一聪:原始稿件撰写、可视化、验证、软件、方法学、调查、形式化分析、数据管理、概念构思。万绍科:稿件审阅与编辑、监督。朱健:数据管理。
李小虎:撰写——审阅与编辑,指导,资源,项目管理,资金支持。
利益冲突声明
作者声明没有已知的相互竞争的经济利益或个人关系可能影响本论文所报告的工作。
致谢
本研究受国家自然科学基金委员会(资助号:U24B2062, 5247051087, 52475533)、陕西省自然科学基金重点项目(2025JC-QYXQ-025)、陕西省重点研发计划项目(2023STZZK04)、中国国机集团科研专项(ZDZX2024-39, JGZD202301)资助。作者对上述支持表示衷心感谢。
辉义聪|万少科|朱建|李小虎
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号