数控机床热误差智能补偿系统设计与研究

梁荫娟

（佛山市顺德区质量技术监督检测所，广东 佛山 528000）

1 热误差来源分析

随着机加工技术的提高，机床结构、切削力误差得到了妥善处理，但直接影响加工精度的热变形误差却一直没有得到改善[1-2]。传统的机床热误差补偿在实际应用过程中具有一定的局限性，原因是过度依赖有线温度检测技术[3-4]。该文设计了基于无线传输技术的温度检测系统，该系统克服了有线检测系统的局限性，在确保数据获取可靠性的前提下提高了热变形误差实时补偿速度。

数控机床的组成材料为金属材料，由于材料具有热胀冷缩性，因此在机床正常工作的过程中，受到切削热和运动部件摩擦产生的摩擦热及外部热源的影响，工艺系统会产生变形，该变形即为热变形，由此产生的误差为热误差[5]。机床热源可分为由自身组件运动摩擦产生的摩擦热及切削热等内部热源和环境温度等外部热源[6]。

数控机床热变形可视为一系列热变形的叠加，最终成为热变形模态。现阶段各国学者将目光聚焦于机床误差，通过广泛且深入地探讨与研究提出了很多可行的精度改善方法，例如消除误差、误差补偿等。

2 温度无线检测系统设计

该文提出的这套系统由硬件层、应用软件层及操作系统层组成，其整体结构设计如图1所示。硬件层包括电源、温度传感器、串口通信模块及无线频射模块，通过外围电路设计有机地整合了硬件层的4个部分；操作系统层主要完成无线节点端、PC端对任务、内存及设备接口等系统设备的控制；应用软件层实现测定温度、数据无线传输、处理、显示等应用软件设计。

无线温度传感器为温度无线监测系统的核心组成部分，其集成温度信息采集、低功耗和无线通信等技术于一体，避免了使用过程中的线路铺设，简化了系统硬件连接。无线温度传感器的数据传输包括433 MHz、Wi-Fi和ZigBee等方式，Wi-Fi和ZigBee传输方式的传输速率较低，难以满足文中系统需要的误差实时补偿的快速响应需求，经过综合考虑后该文选取433 MHz无线温度传感器传输数据，传感器的具体布设如图2所示，布设位置及作用见表1。

表1 温度传感器布设位置及作用

3 热误差建模及智能补偿

3.1 基于BP神经网络的热误差建模

神经网络通过大量神经元的互连对事物功能进行处理，侧重于解决非线性问题且对样本分布没有特殊要求，仅要求样本完整而全面并具备自学和并行处理等能力。当神经网络建模时，将捕捉到的数据导入神经网络模型并按照特定原则和要求训练这些数据，当获得适合的阈值和权值时即可获得符合实际情况的神经网络模型，进而将该模型应用于数控机床的误差补偿[7]。

数控机床的Y轴误差补偿模型如图3所示。根据实际经验可知，导致机床加工误差的温度主要来自右十字滑座、上轴承机体和电机外壳，考虑到这些因素，采用了较为经典的三层神经网络。其中，输入层包括A1～A44个神经单元，分别为电机外壳、上轴承座、右十字滑座温度及位移量，中间层及输出层则只拥有一个神经元。

图3中，位移量A4为刀具初始时刻与当前时刻之间距离，A4=0、10、20、......、1000，各个数值之间量纲不同，须对输入网络之前的数据进行归一化处理，如公式（1）所示。见表2。

表2 归一化表

通过神经网络进行热误差补偿的过程如下：当刀具移动至与初始时刻位置距离分别为A4=0,10,20,…,1000时，配装在机床上的温度传感器则自动完成三处温度值采集处理[8]，将这些数据导入网络进行计算分析，隐含层各节点输入如公式（2）所示。

式中：Wij为输入层到隐含层权值。

隐含层节点输出如公式（3）所示。

输出层输出如公式（4）所示。

式中：Vrs为隐含层到输出层取值。

反归一化处理输出节点值，如公式（5）所示。

机床热误差补偿值取为a的相反数-a。输入节点i分别取值1、2、3、4，隐含层节点j分别取值1、2、3、4、5、6，输入层到隐含层权值为Wij。同理，隐含层节点r分别取值1、2、3、4、5、6，输出层节点s取1，隐含层与输入层阈值分别用b、c进行表示。

3.2 基于BP神经网络模型的仿真分析

以成熟、完善的粗糙集理论为载体，在数据预处理之后借助MATLAB7.0工具完成仿真分析[9]。经过多方面考虑后采用BP神经网络。在学习阶段，通过输入端将处理后的样本置于模型中进行强化训练，设定目标函数、学习效率及迭代次数，其中将log-Sigmoid函数设定为隐含层神经元变换函数，purelin型线性函数设定为最后输出层变换函数。须注意的是神经元的连接阈值及权值不是固定不变的，只要误差符号及大小发生变动，其值也要随之变化，直至输出给定结果才能保证建立的模型与实际需求相符。BP神经网络输入/输出映射曲线如图4所示，BP网络训练如图5所示。

3.3 热误差补偿仿真结果分析

基于BP神经网络构建相适配模型并利用该模型完成仿真分析，分析结果发现，无论是期望输出还是预测误差均达到了理想控制要求。仿真结果证实，未进行BP神经网络模型热误差补偿时，加工误差为-5 μm～27 μm，通过BP神经网络模型的热误差补偿，加工误差为-5 μm～5 μm，数控机床的加工精度大幅提升。

BP神经网络的自调整功能非常强大，可针对不同加工误差选取相适配的训练数据进行实时处理，从根源上保证了误差模型构建精度，该系统还有补偿准确、快速和适用于所有数控机床的优势，可以看出采用BP神经网络模型进行热误差补偿可以提高零件的加工精度。

3.4 热误差补偿分析

通过仿真结果分析可进一步发现BP神经网络模型具有多重功能优势，它不仅能将加工热误差降到最低，还能保证加工效率和制造精度。在该设计中建议用原点平移法进行实时补偿，利用功能强大、操作便捷的可编程控制器优化机床程序来减少热误差、改善加工精度。

实时补偿器具有构造简单、布局规范的特点，文中通过修改数控机床控制程序可以获得实时误差补偿控制系统，该系统主要由3个模块构成，如图6所示，分别为补偿程序执行及数控机床接口模块、计算处理模块还有数模转换及传感器模块。

3.5 热误差实时补偿执行分析

S7-300PLC由于对外开放功能强大而备受认可，可以通过该功能重新设计BP补偿模型并将其移植至数控系统中。机床热误差进行动态和实时检测，利用模型确定补偿值并对部分程序做出适当调整之后可以通过原点平移法实现热误差实时补偿。

补偿程序导入数控机床后，经现场试验发现，在误差补偿的过程中加工精度提高约15 μm，基于原点平移法可以实现数控机床加工误差的补偿，该误差补偿方法具有实用性强、经济性好的特点，促进了数控机床加工制造的发展。

4 结论

该文分析了影响数控机床加工精度的最大因素热误差，经过对运作原理和补偿方法的深入探究，开发出了实施性更好的无线监测系统并基于该系统采集了温度值，根据采集数据，通过BP神经网络建立热误差模型，实现热变形误差实时补偿。基于仿真分析，对BP神经网络模型在数控机床热误差补偿中的可行性进行分析。该文系统避免了温度有限检测的局限性，确保了数据获取的可靠性，提高了热变形误差实时补偿的速度，促进了数控机床加工制造的发展。