دانلود ترجمه مقاله مدلسازی خطای حرارتی ماشین ابزارها براساس ANFIS با خوشه بندی فازی میانگین-c

1. مقدمه 2. دوربین تصویربرداری حرارتی 3. سیستم تداخل فازی-عصبی تطبیقی (ANFIS) 4. مدل گری GM (0,N) 5. نحوه انجام آزمایش 6. نتیجه گیری

چکیده - خطاهای حرارتی اغلب بزرگترین عامل در خطای ماشین ابزار CNC عنوان می شود، اما آنها را می توان بطور موثر با استفاده از جبرانسازی خطا کاهش یابند. عملکرد سیستم جبرانسازی خطای حرارتی به دقت و قدرت مدل خطای حرارتی و کیفیت ورودی ها به مدل بستگی دارد. مکان اندازه گیری دما باید یک اندازه گیری نماینده از تغییر دما که بر ساختار ماشین تاثیر می گذارد فراهم سازد. تعداد حسگرها و مکان آنها همیشه سرراست نیستند و زمان مورد نیاز برای شناسایی مکان های بهینه اغلب بازدارنده است و باعث بوجود آمدن نتایج بد و ضعیف می شود. در این مقاله، یک سیستم جبرانسازی هوشمند جدید برای کاهش خطاهای حرارتی ماشین ابزارها با استفاده از داده های بدست آمده از یک دوربین تصویربرداری حرارتی ارائه شده است. گروه های مختلفی از نقاط دمای کلیدی از تصاویر حرارتی با استفاده از یک طرح نوین براساس مدل گری GM (0,N) و روش خوشه بندی میانگین c فازی (FCM)، شناسایی شده اند. یک سیستم تداخل عصبی-فازی تطبیقی با خوشه بندی میانگین c فازی (FCM-ANFIS) برای طراحی مدل تخمین حرارتی بکار گرفته شده است. برای بهینه سازی روش، یک تحقیق پارامتری با تغییر تعداد ورودی ها و تعداد توابع عضویت برای مدل FCM-ANFIS و مقیاسه قدرت نسبی طراحی ها انجام شد. طبق نتایج، مدل FCM-ANFIS با چهار ورودی و شش تابع عضویت به بهترین عملکرد از نظر دقت قابلیت پیش بینی خود می رسد. مقدار باقیمانده مدل کمتر از ±2μm می باشد که این بیانگر کاهش 95 درصدی در خطای حرارتی برروی ماشین است. در آخر اینکه، روش پیشنهادی نسبت به مدل شبکه عصب مصنوعی (ANN) برتری دارد.

Thermal errors are often quoted as being the largest contributor to CNC machine tool errors, but they can be effectively reduced using error compensation. The performance of a thermal error compensation system depends on the accuracy and robustness of the thermal error model and the quality of the inputs to the model. The location of temperature measurement must provide a representative measurement of the change in temperature that will affect the machine structure. The number of sensors and their locations are not always intuitive and the time required to identify the optimal locations is often prohibitive, resulting in compromise and poor results. In this paper, a new intelligent compensation system for reducing thermal errors of machine tools using data obtained from a thermal imaging camera is introduced. Different groups of key temperature points were identified from thermal images using a novel schema based on a Grey model GM (0, N) and fuzzy c-means (FCM) clustering method. An Adaptive Neuro-Fuzzy Inference System with fuzzy c-means clustering (FCM-ANFIS) was employed to design the thermal prediction model. In order to optimise the approach, a parametric study was carried out by changing the number of inputs and number of membership functions to the FCM-ANFIS model, and comparing the relative robustness of the designs. According to the results, the FCM-ANFIS model with four inputs and six membership functions achieves the best performance in terms of the accuracy of its predictive ability. The residual value of the model is smaller than ±2 μm, which represents a 95% reduction in the thermally-induced error on the machine. Finally, the proposed method is shown to compare favourably against an Artificial Neural Network (ANN) model.