第3讲:温度误差特性建模(1-4)
温度变化引起的误差-概述说明以及解释

温度变化引起的误差-概述说明以及解释1.引言1.1 概述在物理学和工程领域中,温度变化是一个常见的问题,经常会对测量、实验结果和数据分析产生影响。
温度的变化会导致测量装置或实验材料的性能发生变化,从而引起误差。
本文旨在探讨温度变化对测量的影响,分析温度变化对实验结果的误差产生原因,以及讨论温度变化对数据分析带来的挑战。
同时,本文还将总结温度变化引起的误差,并提出解决温度变化误差的方法,探讨未来可能的研究方向。
希望通过本文的阐述,读者能更深入地了解温度变化对实验和数据分析的重要影响,以及如何有效地应对这一问题。
1.2 文章结构文章结构部分将详细介绍本文的组织方式和章节安排。
本文将分为三个主要部分:引言、正文和结论。
在引言部分,我们将首先概述本文的主题和背景,引出温度变化引起的误差对测量、实验结果和数据分析的影响。
然后,我们将介绍文章的结构,对各个章节的内容进行简要说明,以引导读者了解本文的主要内容和框架。
最后,我们将明确本文的目的和意义,为读者提供阅读的指导和动机。
在正文部分,我们将分别讨论温度变化对测量的影响、对实验结果的误差和对数据分析的挑战。
我们将通过理论解析和实际案例,探讨温度变化引起的误差产生的原因和影响,以及在实验和数据处理过程中应该如何应对和避免这些误差。
最后,在结论部分,我们将总结本文对温度变化引起的误差的讨论和分析,强调解决温度变化误差的重要性和必要性。
我们将提出一些解决温度变化误差的方法和建议,并展望未来的研究方向,以期为相关领域的研究提供新的思路和启发。
通过以上的文章结构安排,我们将全面探讨温度变化引起的误差问题,深入剖析其影响和解决方案,为读者提供一份全面而丰富的参考材料。
1.3 目的本文旨在探讨温度变化引起的误差对科学实验和数据分析的影响,以提高人们对这一问题的认识和理解。
通过分析温度变化对测量准确性、实验结果的可靠性以及数据分析的挑战,我们可以更好地认识到温度变化在科学研究中的重要性和影响。
温度控制系统中模糊控制算法的仿真

1.绪论1.1 模糊控制理论的产生模糊理论是在美国柏克莱加州大学电气工程系的著名控制论学者L.A.Zadeh(扎德)教授于1965年创立的模糊集合理论的数学基础上发展起来的,主要包括模糊集合理沦、模糊逻辑、模糊推理、模糊控制等方面的内容[1]。
自20世纪60年代以来,现代控制理论已经在工业生产过程、军事科学以及航空航天等许多方面都取得了成功的应用。
例如极小值原理可以用来解决某些最优控制问题;卡尔曼滤波器可以对具有有色噪声的系统进行状态估计;预测控制理论可以对大滞后过程进行有效的控制。
但是它们都有一个基本的要求:需要建立被控对象的精确数学模型[4]。
随着科学技术的迅猛发展,各个领域对自动控制系统控制精度、响应速度、系统稳定性与适应能力的要求越来越高,所研究的系统也日益复杂多变。
然而由于一系列原因,诸如被控对象或过程的非线性、多时变、多参数间的强烈吻合、较大的随机干扰、过程机理错综复杂、各种不确定性以及现场测量手段不完善等,难以建立被控对象的精确模型。
虽然常规自适应控制技术可以解决一些问题,但范围是有限的。
对于那些难以建立数学模型的复杂被控刘象,采用传统的控制方法,包括基于现代控制理论的控制方法,往往不如一个有实践经验的操作人员所进行的手动控制效果好。
因为人脑的重要特点之一就是有能力对模糊事物进行识别与判决,看来似乎不确切的模糊手段常常可以达到精确的目的。
操作人员是通过不断地学习、积累操作经验来实现对被控对象进行控制的,这些经验包括对被控对象特征的了解、在各种情况下采取相应的控制策略以及性能指标判据。
这些信息通常是以自然语言的形式表达的,其特点是定性的描述:所以具有模糊性。
由于这种特性使得人们无法用现有的定量控制理沦对这些信息进行处理,于是需探索出新的理论和方法。
实际上,人们已无法回避客观上存在的模糊现象。
早在20世纪20年代,就己经有学者研究如何描述客观世界中普遍存在的模糊现象。
著名的哲学家和数学家B.Russell在1923年就写出了有关含糊性的论文。
系统辨识课件方崇智

e
ˆ (假设的数学关系) f
系统的 实际输 出
(1)数学模型
• 数学模型和真实系统的区别
不可测干扰 可测 输入
u, d , f z
可测 输出
可测 输入
e
综合误差
ˆ (假设的数学关系) f
ˆ , e拟合u, z关系 u, z f
可测 输出
(1)数学模型
• 数学模型的两类形式及其用途
可测 输入
第6章 模型阶次辨识 内 容:Hankel矩阵法、F-Test定阶法。
第7章 系统辨识在实际中注意的问题
参考书:
1.方崇智、萧德云编著,《过程辨识》,清华大学出版社,北京 2.李言俊,张科编著,《系统辨识理论及应用》,国防工业出版社,北京 3.蔡季冰编著,《系统辨识》,北京理工大学出版社,北京
预修课程:自动控制原理,概率统计与随机过程
e
综合误差
可测 输出 •系统分析 •系统设计
ˆ (假设的数学关系) f
ˆ f
•预测(预测控制) •性能监测与故障诊断 •仿真
ˆ z
•在线估计和软测量 •模型评价与系统辨识
(1)数学模型
• 数学模型的近似性和外特性等价
u u
d f
e ˆ f u
z
近似性
ˆ f
ˆ z
d
u u
从黑箱角度出 发,外特性等价 (统计意义)
(1)设计辨识实验,获取实验数据
数据集是辨识的三要素之一
min J fˆ , K ( z (1)
z ( L), u(1)
u( L), )
数据集性质→影响辨识结果,u →数据集,因 此要设计辨识实验(重点设计u)
(1)设计辨识实验,获取实验数据
数控机床热误差补偿建模方法

4 神经网络模型 ( NN 模型)
神经网络模型可应用于多输入多输出的非线性系 统建模。 本文介绍了神经网络模型在补偿大型数控铣 床热变形误差的应用, 并比较神经网络模型和多元线 性回归模型的结果。 本文使用的多输入多输出模型具有三层网络结 构, 如图 1 所示。常用的反传算法用来训练网络。为了
图 2 标出了部分温度传感器的位置。 为了测量机 床的温度分布和变化, 采用了 15 个温度传感器, 它们 分布在机床的不同位置, 图中标出了其中的 10 个。 温度测量结果显示, 最高温度在主轴的前轴承处 (s2) ; 沿滑枕有不同的温度分布 ( s3 , s5 , s6 , s7 , s8 , s9 ) 。 对应于温度变化而产生的位移误差由图 2 所示的
bx ln
1
T1
加快训练速度, 在算法中采用动量修正和自适应调整 学习率, N guyen 2 W id row 初值法设定初值。 隐含层神经元的个数应通过试验选取。 个数太少 不能很好的拟合误差曲线, 个数太多会导致训练得好 但预报能力差的过训练现象。
…
bx l0
…
bx l1
式中, 输入变量矩阵 T = [ T 1 , T 2 , …, T n ] 是 n 个温 度传感器的测量值。 输出位移矩阵 ∃X = [ ∃ x 1 , ∃ x 2 , …, ∃ x l ], l 是热变形位移的维数。 系数矩阵 B 是由各 方向的回归系数矢量组合而成的 l ×n 维回归系数矩 阵。 由测量数据求得回归系数矩阵后, 用上式就可以 根据输入的温度变化值计算出热变形的预报值。 312 M VL R 建模 建立多元线性回归模型的主要问题是求得回归系 数矩阵 B 。 用于计算系数矩阵的测量数据的获取是重 要因素。 测量数据的质量决定了模型的预报能力。 建 立模型就是用最小二乘法逼近得到一组描述输入和输 出关系的回归系数。 对每一个位移方向来说, 一个具有 n 个温度变量的等式就可以计算出相应的位移。例如, 对 x 方向的热变形位移,M VL R 模型的计算式为 ∃ x = bx 0 + bx 1 T 1 + … + bx n T n 通常要计算 x 、 y 和 z 三个方向的热变形位移。用于建 立模型的测量数据可以用于计算各个方向的回归系 数。 也就是说, 从传感器测量出的温度变量 T 1 , …, T n 可以分别单独用于计算各方向的回归系数, 因为这些 温度变量和每一个方向的热变形都有关。
对温控系统进行建模及Matlab仿真

淮海工学院课程设计报告书课程名称: 综合课程设计系(院): 电子工程学院学期:2011~2012 第一学期专业班级:电气082班姓名: 胡韬学号: 030861217对温控系统进行建模及MATLAB仿真1单片机在炉温控制系统中的运用温度是工业对象中一个主要的被控参数,它是一种常见的过程变量,因为它直接影响燃烧、化学反应、发酵、烘烤、煅烧、蒸馏、浓度、挤压成形,结晶以及空气流动等物理和化学过程。
温度控制不好就可能引起生产安全,产品质量和产量等一系列问题。
温度控制是许多设备的重要的构成部分,它的功能是将温度控制在所需要的温度范围内,以利于进行工件的加工与处理。
一直以来,人们采用了各种方法来进行温度控制,都没有取得很好的控制效果。
如今,随着以微机为核心的温度控制技术不断发展,用微机取代常规控制已成必然,因为它确保了生产过程的正常进行,提高了产品的数量与质量,减轻了工人的劳动强度以及节约了能源,并且能够使加热对象的温度按照某种指定规律变化。
实践证明,用于工业生产中的炉温控制的微机控制系统具有高精度、功能强、经济性好的特点,无论在提高产品质量还是产品数量,节约能源,还是改善劳动条件等方面都显示出无比的优越性。
单片机具有集成度高,运算快速快,体积小、运行可靠,价值低廉,因此在过程控制、数据采集、机电一体化、智能化仪表、家用电器以及网络技术等方面得到广泛应用,本文主要介绍单片机在炉温控制中的应用。
本设计以89C51单片机为核心控制器件,以ADC0809作为A/D转换器件,采用闭环直接数字控制算法,通过控制可控硅来控制热电阻,进而控制电炉温度,最终设计了一个满足要求的电阻炉微型计算机温度控制系统。
1、1系统的基本工作原理整个炉温控制系统由两大部分组成。
一部分由计算机和A/D和D/A转换电路组成。
主要完成温度采集,PID运算,产生可控硅的触发脉冲。
另外一部分由传感器信号放大,同步脉冲形成,以及触发脉冲放大等组成。
单热源作用下滚珠丝杠的温度场建模与热误差预测

单热源作用下滚珠丝杠的温度场建模与热误差预测李醒飞;董成军;陈诚;吴腾飞;谭文斌【摘要】研究了滚珠丝杠在单热源作用下的温度场模型,以便快速、准确地预测滚珠丝杠的热误差.根据丝杠的导热方程,在合理修改边值条件的基础上,建立滚珠丝杠的温度场理论模型,引入随温度变化的参数α’修正该模型,并提出模型参数的辨识方法.结合机械热变形理论,用所建立的温度场模型预测滚珠丝杠的热误差,进行温度场模型参数辨识实验和模型预测效果的验证实验.结果显示:基于温度场模型预测的温升值与实验测得的温升值之间的最大误差为0.8℃;热误差预测结果与实测结果的最大误差为3.8 μm.结果表明所建立的温度场模型可以较准确地反映滚珠丝杠在单热源作用下的温度分布,进而可以较准确地预测滚珠丝杠的热误差.%To quicklyand accurately predict the thermal error of a ball screw, this paper focuses on the modeling of temperature field of the screw. A theoretical temperature model is achieved based on the heat conduction equation of the screw and the modified boundary value conditions and a parameter a' which is changed with the temperature are used to improve the model. Then, a model parameter identification process is proposed. The thermal error of the screw is predicted by the model and mechanical thermal deformation theory. Finally, experiments are performed to identify parameters and check up the effect of the model. Result shows that the maximum error between the predicted and the actual temperatures is 0. 8 ℃ and the maximum error between the predicted and the actual thermal errors is 3. 8 μm. It concludes that the temperature model accuratelypredicts the temperature distribution and the thermal error of the screw under a single heat.【期刊名称】《光学精密工程》【年(卷),期】2012(020)002【总页数】7页(P337-343)【关键词】滚珠丝杠;温度场;热误差;单热源【作者】李醒飞;董成军;陈诚;吴腾飞;谭文斌【作者单位】天津大学精密测试技术及仪器国家重点实验室,天津300072;天津大学精密测试技术及仪器国家重点实验室,天津300072;天津商业大学机械工程学院,天津300134;天津大学精密测试技术及仪器国家重点实验室,天津300072;天津大学精密测试技术及仪器国家重点实验室,天津300072【正文语种】中文【中图分类】TH161.4;TH1331 引言滚珠丝杠广泛应用于数控机床、高精密进给平台等伺服系统[1]。
机床热误差建模及补偿精选全文

0.9811 4,3,5 0.9915
0.9790 4,6,5 0.9865
0.9789 4,7,5 0.9881
0.9789 4,8,5 0.9900
Rp2
0.9929 0.9937 0.9875 0.9888 0.9912 0.9888
0.9911
0.9858
0.9875
0.9895
• 热误差补偿的数学模型研究 – 多元线性回归模型 – 人工神经网络模型 – 基于多体理论的热误差模型 – 基于主轴转速的热误差模型
3.测温点位置和数量的优化
• 测温点优化的意义 • 关键测温点的确定 • 加工中心关键测温点的确定
3.1 测温点优化的意义
• 前提:机床热误差补偿的温度输入
• 要求:
数控机床热误差分析和补偿
主要内容 • 数控机床的热变形及热误差机理 • 研究现状 • 测温点的位置和数量的优化 • 热误差建模
1.数控机床的热变形及热误差机理
1.1 机床热变形研究的意义 在精密加工过程中由于工艺系统热变形引起的加工 误差占总加工误差的40%-70%,其中机床的热变 形误差占的比重很大,甚至占整个工件加工误差 的50%以上。
4.4 热误差补偿的人工神经网络模型
• 径向基神经网络系统原理
4.4 热误差补偿的人工神经网络模型
• 热误差人工神经网络模型
4.4 热误差补偿的人工神经网络模型
• 隐层(径向基层)
– 确定隐层节点数目
用模糊聚类法把样本分类,从而确定隐层节点数目
– 隐层传递函数参数的确定
• 传递函数(高斯函数)
0.9849 4,7 0.9794
0.9851 4,8 0.9794
Rp2
气象预报模型误差分析及不确定性量化

气象预报模型误差分析及不确定性量化一、气象预报模型概述气象预报模型是利用数学和物理原理来模拟和预测大气状态变化的复杂系统。
这些模型能够模拟从局部天气现象到全球气候变化的各种尺度的气象过程。
随着计算能力的提升和观测技术的进步,气象预报模型在准确性和精细化方面取得了显著的进展。
然而,由于大气系统的非线性和复杂性,预报模型仍然存在一定的误差和不确定性。
1.1 气象预报模型的基本原理气象预报模型基于大气动力学、热力学和辐射传输等基本物理定律。
模型通过求解描述大气运动的方程组,如纳维-斯托克斯方程和热力学方程,来预测未来一段时间内的气象条件。
这些方程组包括动量方程、能量方程和湿度方程等,它们共同描述了大气中各种物理量的变化。
1.2 气象预报模型的构建构建气象预报模型需要考虑多个因素,包括大气边界层、云物理过程、辐射过程和地表过程等。
模型通常由一系列子模型组成,每个子模型负责模拟特定的物理过程。
例如,边界层模型用于模拟地表与大气之间的相互作用,云物理模型用于模拟云的形成和降水过程。
1.3 气象预报模型的应用气象预报模型广泛应用于天气预报、气候预测和环境监测等领域。
在天气预报中,模型可以预测未来几天的天气状况,如温度、降水、风速和风向等。
在气候预测中,模型可以模拟未来几十年的气候变化趋势。
此外,气象预报模型还可以用于评估极端天气事件的影响,如飓风、热浪和洪水等。
二、气象预报模型误差分析气象预报模型的误差来源多样,包括初始条件误差、模型参数化误差、计算误差和观测数据误差等。
这些误差相互作用,共同影响预报的准确性。
2.1 初始条件误差初始条件误差是指由于观测数据不完整或不准确导致的误差。
大气是一个高度复杂的系统,即使在现代观测技术的支持下,也无法获取所有位置和时间的完整气象数据。
因此,预报模型通常需要对缺失的数据进行插值或估计,这会引入初始条件误差。
2.2 模型参数化误差模型参数化误差是由于模型无法直接解析某些小尺度过程而采用的近似方法导致的误差。
灰色GM_X_N_模型在数控机床热误差建模中的应用

2 切削加工实验
因为通过无实际加工负载的空切削加工数据 或者 F EM 计算软件进行数值仿真产生的数据建 模忽略了机床实际切削加工过程中某些影响热误 差的因素以及切削力造成的影响 , 所以基于这些 数据建立的模型在实际应用过程中将产生较大偏 差[7 ] 。 因此本次实验采用一台 CNC 机床的实际切 削加工进行数据采集 , 其传感器布置分别如图 1 及图 2 所示 ( 数字 1 ~ 6 即为传感器布置位置) 。 其 [8 ] 中 4 个温度传感器布点经优化后确定 。
设 X 10 为所研究机床某一热误差元素序列 , 为同该热误差元素序列相关的温度值序列 , i = 2 , 3 , 4 , 5 , 则 GM ( 0 , 4) 模型被定义如下 :
Xi
5 1 ^ x 1 ( n) =
( ) i =2
( )
( 0)
∑b x
i
( 1) i
+ a b5 ] T
^ a = [ a b2
b3
b4
b5 ] ,
T
灰色 GM ( X , N ) 模型在数控机床热误差建模中的应用 — — — 闫嘉钰 杨建国
时间 , 所以本实验采样周期为 5min 。 为了采集机 床在尽可能多的加工条件下的相关数据 , 本实验 对一天当中进行加工生产的三个班次进行了完整 采样 。 所采集的 101 组数据分别如图 3 、 图 4 所示 。
中国机械工程第 20 卷第 11 期 2009 年 6 月上半月
1
1. 1
模型建立
可通过以下公式进行计算 :
^ a = ( B T B) - 1 B T Y
1 - z1 ( 2)
( ) ( )
机床热误差建模中数学方法的应用

机床热误差建模中数学方法的应用田佳 1011201054 机械工程学院 2011级博士摘要:数控机床的热误差建模技术就是建立热变形关于温度变化的数学模型,在加工过程中以即时采集到的温度值为模型的输入来预测产生的热位移,由控制系统进行补偿以降低热误差。
而采集到数据是一个大样本的数据,需要在大量数据中提取所需要的特征值,从而建立稳定的数学模型,本文以多点测量的温度为模型的输入,分别用线性回归RBF 神经网络建立了模型,并以第二组试验数据进行验证,取得了良好的验证精度。
1 建模方法介绍 1.1 多元线性回归线性回归是利用数理统计中的回归分析,来确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法之一,运用十分广泛。
如果在回归分析中,只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析。
如果回归分析中包括两个或两个以上的自变量,且因变量和自变量之间是线性关系,则称为多元线性回归分析。
通常,回归模型包括k 个变量,即一个因变量和k 个自变量(包括常数项)。
可表示为方程:t 01122Y ,1,2,t t k kt t X X X t N ββββε=+++⋅⋅⋅++=⋅⋅⋅ (1)模型的相应矩阵方程表示为:Y βX ε=⨯+ (2)式中⎪⎪⎪⎪⎪⎭⎫⎝⎛=⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎪⎪⎭⎫⎝⎛=⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=N k kN N k k N X XX X X X X Y Y Y Y εεεεββββ2110121211121,,111, (3)其中:Y 为因变量,X 为自变量,β 为末知参数的(k +1) )列向量,ε 为误差。
1.2 RBF 神经网络RBF 网络即Radial Basis Function Neural Network ,是一种两层前向型神经网络,包含一个具有径向基函数神经元的隐层和一个具有线性神经元的输出层。
径向基函数神经元的传递函数有各种各样的形式,但最常用的形式是高斯函数(radbas )。
主轴热误差前瞻预测模型

F o r e s i h t e d r e d i c t i o n m o d e l o f s i n d l e t h e r m a l e r r o r g p p
12 1 1 1 , , ZHANG T i n Y E W e n- h u a L I ANG R u i u n ZHA O R u i u e - - g , j y ,
力 较 强, 但 推 断 能 力 差。 此 外, 脱离模型训练条件 后, 离线模型在实际加工条件下的工作可靠性较差 。 一些研究者已经意识到建立动态在线预测模型的必
; 。R 收稿日期 : 修订日期 : 2 0 1 0 0 6 0 8 2 0 1 0 0 7 0 1 e c e i v e d 0 8J u n e 2 0 1 0; a c c e t e d 0 1J u l 2 0 1 0. - - - - p y 。F 基金项目 : 江苏省产 学 研 前 瞻 性 联 合 研 究 资 助 项 目 ( B Y 2 0 0 9 1 0 2) o u n d a t i o n i t e m: P r o e c t s u o r t e d b t h e J i a n s u P r o v i n c i a l P r o s e c t i v e j p p y g p , ( ) J o i n t R e s e a r c h F o u n d a t i o n f o r I n d u s t r n i v e r s i t e s e a r c h C h i n a N o . B Y 2 0 0 9 1 0 2 . -U -R y y
( ) 文章编号 : 1 0 0 6-5 9 1 1 2 0 1 0 1 1-2 3 6 9-0 6
基于指数函数的热敏电阻温控器温差补偿模型

基于指数函数的热敏电阻温控器温差补偿模型付小娟;吴洪坤【摘要】The temperature controller measures the temperature through the NTC(Negative Temperature Coefficient).Because the reasons of circuit board fever and shell enclosure with bad radiating effect,there is temperature difference between the measured temperature and the actual temperature.It then needs an ef-fective way to compensate for temperature.It records the display temperature of the temperature controller and the actual temperature of the environment,and through the relationship among thermistor temperature,resistance and voltage to establish the exponential function model and voltage difference index function model with the time changing,respectively.Then,it calculates its corresponding parameters.Accordingly,it designs a temperature-compensation circuit to make real-time correction on the display temperature value of the temperature controller at different temperature conditions.Experimental results show that this method can not only make real-time temperature compensation of the display tem-perature value of the temperature controller,it also has a high compensation accuracy.It is reliable and sta-ble in the range of 0~40 ℃,and it is easy to operate and conducive to the promotion.%温控器是通过负温度系数热敏电阻测量温度的,由于电路板发热、外壳密闭不宜散热等原因,所测温度和环境真实温度存在温差。
温度补偿建模方法说明

2. 温度补偿建模方法说明实际应用环境的不同将导致其温度变化模式不同。
如有的系统准备时间较长,则工作时惯性器件的温度已经达到了稳定,这时只需确定不同温度点的零点偏移和标度因数即可。
但是,有的应用场合下,从上电到惯性测量组件需要正常输出测量信息之间的时间很短,这时惯性器件还没有达到稳定,随着工作时间的延迟,其温度将不断上升,而零点偏移和标度因数也将不断的变化,因此需要对惯性器件特性随温度变化的规律进行标定。
本文所设计的系统的工作条件就是后一种,而且工作时间较短,一般在几分钟之内。
因此,本文的温度试验条件要求惯性器件上电后即输出信息,采集6分钟以上的数据,然后根据输出信息标定出惯性器件的温度特性。
由于系统上电即有数据输出,因此,惯性器件的初始温度与外界环境之间是平衡的。
但是,由于器件工作会产生一定的热量,随着时间的延迟,器件内部温度也逐渐上升,与外界环境之间产生了一个温度差。
系统中的温度输出实际是陀螺仪内部温度值。
所以说,得到的温度变化值其实是陀螺仪内部温度与外界环境温度的梯度值。
角速率变化值与温度变化值之间的关系呈一定的线性关系,因此,可以建立如下的多项式温度补偿模型:2210F a T a T a ∆=∆+∆+ (1)其中,0F F F ∆=-为陀螺仪零偏补偿量,F 为某一时刻的陀螺仪零偏值,0F 为陀螺仪的初始零偏;0T T T ∆=-为陀螺仪内部温度与工作初始温度之间的差值,实际上反映了陀螺内部与外部环境的温度梯度变化,T 为同时刻陀螺仪内部温度,0T 为环境温度,认为陀螺仪初始温度输出即为环境温度;i a (0,1,2i =)为模型待定系数。
由于陀螺仪的温度特性研究的是相对变化,因此其温度及零偏的初始值的选取对结果的影响是很大的。
而陀螺仪的温度输出和零偏输出都存在一定的噪声,为了准确的选取其初始值,我们选取初始一段时间的平均值,代替第一时刻的输出值,作为本次测量的初始值。
这样就可以一定程度上减小噪声对初始值的影响。
对于数控机床热误差建模的初步认识(精)教学总结

对于数控机床热误差建模的初步认识伴随着科技发展和社会进步,人类对机械制造技术提出了更新和更高的要求,计算机数字控制技术(Computer Numerical Control)随之高速发展,数控机床的性能日趋完善,其应用领域也日益扩大,它的广泛应用给机械制造业的生产方式、产业结构、管理方式带来深刻的变化。
数控技术是制造业实现自动化、柔性化、集成化生产的基础,现代CAD/CAM、FMS、CIMS等也都是以数控技术为基础。
因此数控技术水平的高低已成为衡量一个国家工业自动化的重要标志。
二十一世纪数控机床的发展趋势是:高速化、高精度化、柔性化化、智能化、开放化、并联驱动化、网络化、绿色化。
高效、高速、高精度是二十一世纪制造业的基本需求。
但是,产品更新的速度越来越快,在实际加工中遇到的复杂零件越来越多,加工难度越来越大,精度要求也越来越高。
这就使得现在装备制造业要不断地满足新的需求,朝着柔性化、高速化和高精度化发展。
现代工业的不断发展,使得现代制造业对机械产品的质量要求也越来越高,机械零件的精度取决于机床的加工精度。
而热误差则是影响机床精度最重要的因素之一。
机床内部和外部的热源对机床的热干扰导致机床产生热变形,从而产生热误差。
机床的误差主要有几何误差、热误差和切削力误差,其中热误差占机床总误差量的40%—70%左右,而对于超精密机床而言,高的甚至达到89%。
热误差对高精度机械产品的尺寸精度影响较大,进而也会影响产品加工过程质量、生产效率和成本。
随着机床制造技术的发展,几何误差已得到较好的解决,热误差成为影响机床加工精度的最主要因素,也是难以解决的问题。
目前,学术界和工业界正努力寻求可靠、实用的方法来评估热误差,进而减小并避免热误差。
1、数控机床热误差产生的原因研究表明,机床热误差的情况复杂,具有多变量、长时滞、非线性、强耦合的特点。
热误差的产生因素多,形式多样,具体变现为:(1) 机床热误差受内外部热源的共同影响。
机床热补偿中温度变量分组优化建模_杨建国

机床热补偿中温度变量分组优化建模杨建国 教授杨建国 邓卫国 任永强 李院生 窦小龙上海交通大学机械与动力工程学院,上海,200030 摘要:提出数控机床热误差分组优化建模。
在数控机床热误差建模时,先根据温度变量之间的相关性对测量所得的所有温度变量进行分组,再根据各变量与热误差之间的相关性选择典型变量并加以组合,最后依据多元测定系数(回归平方和与总平方和的比值)确定用于建模的温度变量。
给出了分组优化建模实例。
通过分组优化建模,减少了选择温度变量和建模所需的时间,且避免了误差模型中的变量耦合,提高了热误差模型的精确性和鲁棒性,从而使数控机床热误差实时补偿更有效。
关键词:数控机床;热误差;相关分析;优化建模中图分类号:TP273;TG502.15 文章编号:1004-132Ⅹ(2004)06-0478-04Grouping Optimization Modeling by Selection of TemperatureVariables for the Thermal Error Compensation on Machine Tools Yang Jianguo Deng Weiguo Ren Yongqiang Li Yuansheng Dou XiaolongShang hai Jiaotong University ,Shanghai ,200030A bstract :A grouping optimization modeling for the therm al errors of NC machine tools w as presented .First ,all of the temperature variables were g rouped by the correlation between one another .Then ,the rep -resentative ones w hich have the most strongly correlated relationship with the thermal erro rs of the machine w ere found from each group .Last ,optimal combination of the temperature variables used in modeling was found by corresponding criteria .One modeling ex ample w as presented .The variable searching and model -ing time is reduced g reatly .In addition ,the correlation grouping eliminates the coupling problems ,so the robustness of the model can be increased and the predicting precision of the model w ith the optimal combi -nation of the temperature variables is enhanced .The real time com pensation will be mo re effective .Key words :NC m achine tool ;thermal error ;correlation analysis ;optimal modeling收稿日期:2003—04—16 修回日期:2003—08—06基金项目:高等学校全国优秀博士学位论文作者专项资金资助项目(200131)0 引言采用多元回归分析方法进行数控机床热误差建模可以获得较高的预测精度[1]。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
5.惯性器件温度误差特性的测试与建模 5.1 光学陀螺的温度误差对于工程化要求的光学陀螺,为适应各个领域的应用,一般要求其具有较宽的工作温度范围(一般为-40~60℃),可以在不同温度环境下正常工作。
零偏与标度因数是衡量激光陀螺性能的两个重要指标,这两项指标受温度的影响很大。
(1)激光陀螺的温度特性有源谐振腔激光陀螺原理图激光陀螺外界温度变化时,使激光陀螺本体产生热膨胀,导致激光环路的程长增长,零偏和标度因数都会发生变化。
而且,外界温度变化会影响到信息处理电路元器件的工作状态,产生数据读出误差。
即使温度不发生变化,不同温度点的零偏和标度因数也不相同,因为温度不同陀螺本体内部物理结构会产生一些常值的变化。
总之,温度变化和绝对温度值能够影响到谐振腔激活介质增益、顺时针、逆时针光波的自作用和互作用、反射镜特性参数、闭锁锁区、工作气体流动速度、谐振腔长度变化、谐振腔工作模式、压电陶瓷歪扭等,导致零偏和标度因数的变化。
室温下某型激光陀螺捷联系统三轴测试数据变温条件下某型激光陀螺捷联系统三轴测试数据(2)光纤陀螺的温度特性干涉型光纤陀螺结构图构成光纤陀螺的主要器件如光纤线圈、集成光学器件、光源、耦合器等对温度较为敏感,所以当工作环境温度发生变化时,在陀螺的输出信号中将产生非互易相位误差。
由温度变化造成的非互易性误差,是导致光纤陀螺零位漂移和标度因数不稳定的主要原因,严重影响着光纤陀螺仪全温度下的精度。
此外,从工程应用考虑,有的应用场合要求尽可能缩短陀螺启动后达到热平衡的过程,使其迅速进入预定的工作状态,光纤陀螺因为启动后需要较长的热稳定过程,不能满足使用要求。
5.2 温度误差与补偿方法目前为了降低和补偿温度对惯性器件(陀螺与加速度计)精度的影响,常采用四种方法:1、研制对温度不敏感的惯性器件。
从惯性器件的设计出发,使惯性器件的布局、零件的材料和结构形状满足对温度不敏感的要求。
2、在结构中增加负温度系数的材料、元件,以抵消温度变化引起的另外有关材料的物理参数的变化,补偿温度对惯性器件精度的影响。
3、尽可能地改善测试环境温度,或采用一定的硬件措施使惯性器件工作环境温度恒定。
4、有计划的改变惯性器件测试环境的温度,辩识出惯性器件静、动态温度模型,计算出相应的附加误差,进行实时补偿。
对于已定型的激光陀螺产品,为提高其使用精度,最有效的方法就是对温度误差进行建模补偿。
如果我们通过试验能够分析出惯性器件的零偏、标度因数随温度变化呈现有规律的变化,且重复性较好时,就可以应用适当的温度模型对惯性器件进行补偿。
5.3 静态温度误差特性的测试与建模 5.3.1 静态测试温度试验测试设备连接图温度的变化范围一般在-50∼60内。
在此温度范围内等间隔地选取多个温度测试点,如每隔10选定一个温度点(一般应包含室温25)。
C o C o C o C o静态测试方法:将调温室温度设定为某一选定温度并进行恒温,待到激光陀螺捷联系统的整体温度与温室温度相同时,启动系统,以一定的频率采集惯性器件输出数据。
然后改变温度设定值,按照上述方法,依次进行不同温度点下的静态测试。
为了验证测试数据的重复性并保证数据的可靠性,需重复上述测试过程。
5.3.2 拟合模型利用不同温度点下的标定结果,可建立了陀螺零偏、加速度计偏置与标度因数的高阶多项式拟合模型(或分段线性模型)()zy x i T k T k T k D T D i i i fi fi ,,ˆˆ332210,=+×+×+×+=L ()zy x i T A T A T A A T K i i i i ai ,,3322100=+×+×+×+=L ()zy x i T B T B T B B T S i i i i ai ,,332210=+×+×+×+=L 其中,0T T T i −=,0T 为参考温度点(一般取常温),i T 为温度传感器的输出。
x 轴 y 轴 z 轴某系统陀螺零偏静态温度特性及拟合曲线(三阶)x 轴 y 轴 z 轴某系统加表偏置静态温度特性及拟合曲线(三阶)x 轴 y 轴 z 轴加表标度因数静态温度特性及拟合曲线(三阶)5.4 激光陀螺零偏温度特性的动态测试与建模5.4.1 IEEE 标准温度模型 IEEE标准给出的考虑温度影响的激光陀螺模型方程为()()()()[]()()()[]I R I D T D T D T T D D T K T K T T K K K t N Ω+++∆+−+×+∆+−+Ω+=∆−&&00100 式中,N 为t ∆时间内激光陀螺输出的脉冲数;0K 为标度因数的标称值;I Ω为激光陀螺输入角速度;T 为激光陀螺光学本体的温度;T&为激光陀螺温度变化率;0T 为参考温度;T ∆为激光陀螺外界环境和光学本体之间的温度梯度;()I K Ω为在输入I Ω时标度因数相对于标称值的误差函数; 0K ()0T T K −为温度差引起的标度因数相对于标称值的误差函数;0K ()T K ∆为温度梯度引起的标度因数相对于标称值的误差函数;0K ()TK &为温度变化率引起的标度因数误差函数; 0D 为固定的激光陀螺漂移角速度;()0T T D −为温度差引起的陀螺漂移误差函数;()T D ∆为温度梯度引起的陀螺漂移误差函数;()TD &为温度变化律引起的陀螺漂移误差函数; R D 为陀螺随机漂移误差。
5.4.2 动态温度测试由IEEE标准温度模型可以看出,温度对激光陀螺零偏的影响表现在三个方面:温度、温度梯度、温度变化率。
为了全面反映温度的影响规律,要考虑温度连续变化的情况下激光陀螺零偏的输出特性,因此进行如下的动态测试。
动态测试方法:将调温室温度设定为选定的初始温度值,并进行恒温,直至陀螺本体温度与调温室温度相同;然后,启动系统进入稳定工作状态后,将调温室温度以稳定的变化速率由初始值上升(或下降),直至陀螺本体温度升到(或降到)某一预定的温度终止点,其间系统一直保持工作状态,记录温度变化过程中的陀螺输出数据、温室温度、陀螺本体温度及温度传感器输出数据。
5.4.3 温度传感器的安装位置利用采集的温度试验数据所建立的温差模型是否能很好地反映出光纤陀螺温度漂移误差的变化规律,不仅与温度传感器的性能有关,而且温度传感器的安装位置也关键。
对于激光陀螺,需在陀螺光学本体3个通道分别放置1个温度传感器,另外在陀螺基座上(或惯导基座上)放置1个温度传感器。
在对光纤陀螺进行温度实验时,测温点比较合理的选取是将温度传感器放置在光纤环的内、外壁,另外需在基座上放置温度传感器。
5.4.4 拟合建模()z y x i T q T p T T k B T D i i i i j j i ji i fi ,,)()(ˆ3100=×+∆×+−×+=•=∑ 其中,0T T T i −=, 0T 为参考温度点(一般取常温), i T 为温度传感器的输出, i T ∆为温度梯度, i T &为温度变化率。
某系统陀螺零偏进行动态温补前后的对比5.5 光学陀螺温度漂移的建模方法(1)线性模型或多项式模型光学陀螺的零偏漂移是一个非平稳随机过程,对其进行建模实质上是找出描述其随机时间序列统计相关性的数学表达式,即零偏稳定性数学模型。
在工程上常用的方法是,建立陀螺温度漂移的AR、ARMA 线性模型或者多项式模型,对其进行补偿。
线性模型()()ωT A T A 10+=Ω()()021T T a a T A i i i −+= 1,0=i式中,()T A 0为陀螺零偏,()T A 1为标度因数,0T 为参考温度,、为参数的温度系数。
线性模型中的温度系数、通常采用最小二乘拟合来确定。
1i a 2i a 1i a 2i a多项式模型 用关于温度T 的多项式来描述温度对光纤陀螺零偏与标度因数的影响,具体表达式如下()()()()()320,t T D t T C t T B T A t T ⋅+⋅+⋅+=ω()()()()⎪⎪⎪⎩⎪⎪⎪⎨⎧++=++=++=++=2321232123212321TD T D D T D T C T C C T C T B T B B T B T A T A A T A 2211T a T a k T ++=采用时间t 的一次函数和温度T 的混合形式来描述光纤陀螺的零偏温度特性,由于考虑了随工作时间的变化出现的零偏缓慢漂移,利用此模型进行温度补偿的效果较单一的温度补偿效果要明显。
(2)神经网络模型光学陀螺工作过程中温度的变化,主要来自2个方面:环境温度的变化、陀螺工作时自身的发热陀螺自身的发热,需要很长时间才能达到平衡,此时环境温度再发生变化,使得温度场变得更加复杂。
实际上,光学陀螺的温度特性受多种因素影响,具有非常复杂的非线性特性,采用上述传统的(分段) 线性拟合或多项式拟合等方法进行建模补偿,难以准确描述其温度特性的非线性,效果并不理想。
随着科学技术的发展,一些新理论的出现为光纤陀螺的温度建模提供了新思路、新办法。
其中,神经网络具有良好的逼近复杂的非线性函数的能力,在非线性函数逼近领域内引起了广泛讨论和应用,在光学陀螺温度漂移误差建模与补偿中也受到了重视。
黑箱问题在系统辨识中,根据先验知识的不同可分为白箱、灰箱和黑箱模型。
光纤陀螺的温度特性呈现出非常复杂的非线性特点,难以得到具体的解析表达式,可以使用黑箱方法来建立光纤陀螺温度特性的非线性模型。
考虑到温度因素对光纤陀螺输出的影响,光纤陀螺的工作过程可以简单描述为:感受周围环境的温度和载体的角速率,输出反映载体角速率的电压信号,然后通过标度因子将该输出转换为角速率。
该过程用函数可以简单表示为()T f ,0ωω=其中,0ω表示载体角速率,T 表示温度,ω为光纤陀螺的输出。
对于使用者而言,温度T 和陀螺输出电压(或者经转换后的角速率ω) 都是可以准确观测(计算)得到的物理量,而希望得到的载体角速率0ω可以表示为()T h ,0ωω=实现这个函数关系的黑箱模型的简略表示如下图所示。
基于神经网络的黑箱模型示意图神经网络具有良好的逼近复杂非线性函数的能力,使用神经网络建立光纤陀螺温度特性的黑箱模型,无需分别对零偏和标度因子进行建模,温度补偿步骤得以简化,补偿精度得到提高,而且神经网络一旦训练达到要求,就能够得出逼近光纤陀螺温度特性的非线性函数的表达式,便于将训练好的神经网络应用在工程上。
因此,神经网络能够起到“黑箱”的作用。
神经网络模型已应用于此的神经网络模型有如下几种:1、 BP网络2、 BP网络与遗传算法结合3、 RBF神经网络及其改进4、 灰色径向基神经网络(GRBFN)5、 投影寻踪网络(PPLN)(a) RBF网络辨识曲线 (b)BP网络辨识曲线RBF网络与BP网络辨识结果比较(3)小波网络逼近小波网络的逼近式为()()[]∑=−=N i i i i t x a c x y 1ϕ式中,R a i ∈是伸缩系数,是平移系数,d i R t ∈ϕ是小波函数。