機床商務網技術文章
改進 RBF 網絡的加工中心主軸熱誤差建模
閱讀：118 發布時間：2020-8-101 引言
隨著生產自動化水平的不斷提高 , 各行各業對機床性能提出了越來越高的要求。數控機床在機械制造領域運用廣泛 , 隨著機械制造對精度要求的提高 , 各種有關影響機床精度的問題以及相應的解決方法也越來越引起人們的重視并對它展開研究。大量研究表明: 熱誤差對機床加工精度的影響較大, 由其引起的加工誤差約占機床總體誤差的 40% ～ 70%[1-2]?，F階段 , 熱誤差預測法和補償法是解決熱誤差問題的兩大主要方法 [3]。預測法是通過優化機床結構、提高機床零部件精度或以隔離熱源等方法降低誤差 , 但是所需成本較大且耗費時間長。而補償法則是通過測量機床誤差并使用各種方法進行補償 , 從而減少機床誤差 , 這種方法成本低 , 應用性強 , 使得以低成本制造高精度機床成為可能。建模是誤差補償技術中重要的一部分 , 其精度將對后的結果產生直接影響。目前 , 常用的熱誤差建模方法有 : 神經網絡、狀態估計、多元回歸、組合建模等 [4]。
徑向基函數 (Radial Basis Function,RBF) 神經網絡是近發展起來的一種高效的前饋式網絡 [5]。其結構簡單、訓練速度快 , 在模式識別等領域被廣泛使用。但RBF 神經網絡還是存在信息丟失以及在數據不充分時網絡無法工作等問題 , 且其預測精度也有待提高 , 另外隱層基函數中心選擇存在任意性 , 隱層節點數目、中心和寬度的選定在實際系統中也存在難度。
因此 , 本文采用改進 PSO 算法優化的 RBF 神經網絡構建熱誤差預測模型 , 通過改進的 PSO 優化 RBF 神經網絡的重要參數來提高模型的預測精度 , 結果表明 ,改進的模型能夠得到更優異的預測效果。