1 引言

在实际生产过程中，机床零部件的发热最终会导致主轴在轴向产生偏移，对产品的加工精度造成影响，甚至产生报废品[1-2]。大量研究表明，机床热误差已经取代几何误差，成为最主要的误差源，减小热误差已经成为企业亟待解决的问题之一。热误差补偿技术相比机床结构改进，是减小热误差、提高加工精度的更加有效、经济的方法。而温度测点的优化布置是实现热误差补偿的重点，其优化结果的有效性大大影响着热误差补偿的精度[3-4]。近年来，国内外学者提出了热误差模态分析法、逐步线性回归法、模糊聚类法、神经网络法[5-7]等多种温度测点的优化布置方法。但上述测点优化布置方法有的过程简单，但十分不准确，影响热误差模型的准确性；有的过程十分复杂，而且需要大量的样本，耗费大量的时间和成本，从而限制了这些方法在热误差建模与补偿中的应用。

在工作、学习或生活中遭受了挫折，会产生消极情绪；受到了他人的挖苦、讽刺或负面评价等会产生负面情绪；甚至无缘无故地，也会莫名其妙地情绪低落。消极情绪是我们情感体验的一种，跟积极情绪一样，都是生活中的一部分。偶尔的消极低落是正常的，它有利于我们从另一方面思考问题，但如果一味沉浸在消极当中，则会阻碍我们进步。

K-means聚类是一种经典算法，其拥有效率高，分类明显，能对大量数据进行分割聚类等特点。该算法通过不断寻找新的聚类中心，使得聚类效果评价函数J不断收敛，直至聚类不再变化，达到较优的聚类效果。将其与Pearson相关系数相结合，对机床主轴温度测点进行优化。该法在对机床主轴进行热态特性分析的基础上，采用K-means算法对热敏区域测点的温度特征聚类，再通过Pearson相关系数选出与热变形相关性最大的测点，实现主轴温度测点优化。最后，对最优温度测点进行热误差建模，并利用方差分析和F检验验证模型的可靠性。

2 温度测点优化

2.1 热态特性分析

在将主轴导入ANSYS Workbench进行热态特性分析之前，为减小分析处理时庞大的计算量，需要对主轴结构进行合理简化，简化有如下几点：

建筑设计：机械工业第六设计研究院有限公司；建筑施工：上海臻源木结构设计工程有限公司；项目所在地：贵州。

（1）去除一些对模型热特性影响较小的特征（如倒角、小孔等）；

由表4可以看出加入固色剂后，染料永光活性湖兰G的棉条表观深度K/S值明显提高，其中碳酸钠的得色率最好，氢氧化钠得色浅。这是由于加入碱剂后，染液pH值提高，碱性越强，有利于纤维素的离子化，即Cell-Oˉ浓度增加，上染率增加，因而棉条得色深。碱性由强到弱依次为：NaOH＞NaCO3＞NaHCO3，由于NaOH属于强碱，使用时会导致染料严重水解[4]，因而上染率最低。NaHCO3碱性最弱，会使棉分子电离不充分，因而上染率不高，棉条得色浅，所以选择NaCO3作为永光活性湖兰G染料固色剂最佳。

相关性分析是用来研究变量间关联程度的一种统计方法，采用相关系数来表征。这里通过比较温度测点与热误差之间的Pearson相关系数，来选出温度聚类结果中每一类别里的最优测点。相关系数r越大，则表明两者间相关性越强。公式如下：

(2)攀枝花钛渣升级制备富钛料能有效解决钛精矿粒度过细的问题。该工艺存在产品中CaO、SiO2杂质含量超标和工业化放大困难的问题。

根据核算结果，其吨镍直接加工成本约58 698.37元，相较传统工艺电炉法和高炉法具有较大的成本优势，并提供了一种处理含镍低于1.4%红土镍矿先进的、经济的火法冶炼工艺。

（2）主轴及箱体结构中的一些腰型孔、小通孔、螺纹孔等均按实体处理；

完成主轴模型的简化后，根据所选机床的实际情况，确定热态特性分析的主体为主轴以及主轴箱。主轴的热传递方式包括热传导、热对流以及热辐射。而此款立式加工中心主轴在冷却液等的作用下，温升较小，故忽略通过热辐射失去的热量，热传递方式只考虑热传导和热对流。其中，热传导系数由主轴及箱体的材料决定，而热对流主要考虑套筒内冷却液的强迫对流换热、主轴旋转带动周围空气的流动形成的强迫对流换热以及空气的自然对流。由此可计算得主轴的热边界参数[8-10]，如表1所示。

 

表1 主轴热边界参数Tab.1 Spindle Thermal Boundary Parameters

  

发热量/W强迫对流换热系数/（W/m2·K）自然对流换热系数/（W/m2·K）前轴承 后轴承 冷却液 空气 空气47.7 30.5 87.2 65.8 10

将上述已知参数在有限元分析软件中进行设定，并进行温度场仿真，通过稳态热分析结果划定出具体的热敏区域。

主轴及箱体系统的稳态热分析结果，如图1所示。根据仿真结果，得知稳定后主轴最高温度位于前端轴承，约为32.9℃，其次为后端轴承，约为30.3℃，即热敏区域为前后轴承之间的区域。利用该软件中的Probe探针，结合实际尺寸，初步确定热敏区域范围为［88mm，265mm］。

  

图1 主轴热敏分析图Fig.1 Spindle Thermal Analysis Diagram

2.2 K-means算法温度聚类分析

K-means聚类算法是一种基于划分法的聚类算法，它将聚类温度集内的所有温度样本的均值作为该聚类的中心点。其工作原理是首先从温度测点集合中随机选取k个温度测点作为初始聚类中心，分别计算各个温度测点到初始聚类中心的相似度（以欧式距离作为相似度测量准则），并根据计算所得的距离将每个温度测点赋给最近的聚类中心。然后再计算该温度测点集合内的所有温度的平均值，得到新的聚类中心。反复循环计算，一旦连续两次循环得到的聚类中心均为同一个温度测点，说明温度聚类分析完成。通常采用平方误差函数J作为聚类效果的评价函数，公式如下：

方案一：在干式变绕组高、低压侧下方安装2组冷却风机，将冷空气吹向干式变压器的线圈内。安装时应调整冷却风机变压绕组距离及风机的出风角度（与水平夹角约为135°），出风口位置选择合理可保证95%冷却风量进入高、低绕组自然通风道；风机的进风口应加装滤网防止杂物通过通风系统进入绕组。

 

最后，由于选择的初始聚类中心对于最终聚类结果有着很大的影响，且为了达到较好的聚类效果，需要选择不同的初始聚类中心，分别输入K-means算法求解程序中，比较其误差平方和，得出最优分类结果。结果，如表2所示。

算法流程如下：

（1）参数设定。随机选择k个温度测点作为初始温度聚类的中心；

（2）初始聚类。计算并比较温度测点到每一个温度聚类中心的距离，并根据最短距离聚类；

式中：X—任意一个温度测点的数据；Y—热变形数据。

（3）修正聚类。根据新的温度聚类，计算该温度聚类的平均值；

从李辉家离开，江帆冷静过后觉得有些愧疚，刘珊珊战战兢兢的样子，和李林那声甜甜的“叔叔”，唤醒了他内心的善良。他再次按响门铃。

（4）聚类结果。若温度聚类中心未发生变化，输出最终聚类结果，循环结束，否则，返回步骤（2）继续迭代。

2.3 相关性分析

（3）打刀缸及其附属部件不在分析范围内；

 

在传播传统体育文化的过程中，大众媒体的作用仍然极为关键。在我国电视媒体普遍具有一定的公益性，其中中央电视台的报道视角，更加倾向于传统的民族文化。因此在传播民族体育文化的过程中，可通过中央电视台第五频道，打造民族体育文化的传播平台，例如，该频道可设置赛龙舟、民间武术以及舞狮等体育运动的专题节目。通过央视媒体的传播，传统运动将得到更好的推广。再有我国的地方媒体，也应当对本地区的特色体育项目进行集中报道。例如，在对民间武术的报道过程中，地方媒体可突出武术派别的地域差异，通过这样的宣传，民间爱好者的乡土情结将得到激发，对于该项赛事的关注度也将得到提升。

3 试验验证

3.1 实验方案

以VMC850E高速高精密立式加工中心的主轴作为实验对象，如图2所示。在前端轴承与后端轴承之间的热敏区域，均匀布置8个温度传感器，并在主轴轴向延长线上布置一个激光位移传感器。采集数据时，8个温度传感器分别将采集的温度信息和标签信息打包无线发送给读写器，上位机通过自编的LabVIEW串口调试程序接收温度信息和标签信息，实现信息的无线采集，最大程度上解决了一般测试方法布线繁杂等问题；而激光位移传感器将主轴轴向的热变形数据通过专用的控制器传输给上位机。

  

图2 测试系统示意图Fig.2 Test System Schematic Diagram

  

图3 现场测试图Fig.3 Field Test Diagram

实验时，设定立式加工中心主轴转速为3500r/min，运转120min，并通过自编LabVIEW软件对温度传感器及激光位移传感器同步发送命令。采样间隔为3min，并对采集的各测点温度数据和轴向热变形数据实时显示、存储。实验现场测试图，如图3所示。

3.2 测点优化结果

将采集得的8个测点的温度数据与主轴轴向的热变形数据，首先输入到K-means算法（初始聚类）LabVIEW求解程序当中，设定初始聚类中心个数为2个，分别为第1列和第3列温度数据，初始聚类结果，如图4所示。

由初始聚类程序计算结果得，第（1、5、6、7）列温度数据分为一类，第（0、2、3、4）列温度数据分为另一类，并根据初始聚类的结果，求出更新中心点0和更新中心点1。

（4）在做动物淋巴管灌注实验时，先解剖家兔，进行淋巴管灌注，观察活体状态下各器官淋巴管的分布及各级淋巴管之间的关系。通过本实验，充实淋巴系统解剖学实验内容，填补以往实验教学的空白点，开辟淋巴实验教学的新途径，提高实验教学效果。

  

图4 K-means算法（初始聚类）Fig.4 K-means Algorithm（Initial Clustering）

再将更新中心点0、1和8个测点的温度数据输入到K-means算法（修正聚类）LabVIEW求解程序当中，如图5所示，经过多次修正，求解出最终的更新聚类中心0’、1’，最终聚类结果为第（1、3、5、6、7）列温度数据分为一类，第（0、2、4）列温度数据分为另一类。

（4）主轴上的小配件不在模型中显示。

  

图5 K-均值算法（修正聚类）Fig.5 K-means Algorithm（Amended Clustering）

式中：P—温度分类Cj中任一个温度测点；Z—温度分类Cj的温度聚类中心。

 

表2 温度测点聚类分析结果Tab.2 Cluster Analysis Results of Temperature Measuring Points

  

分析次数 初始聚类中心 最终聚类结果 误差平方和1 1，3 （1、3、5、6、7）（0、2、4） 294.61 2 2，5 （0、2、4）（1、3、5、6、7） 294.61 3 6，8 （1、3、5、6、7）（0、2、4） 294.61

由上述结果可以看出，由三组初始聚类中心进行聚类分析的最终结果相同，则以此聚类结果作为最佳聚类结果。

再利用Pearson相关系数计算各温度测点数据与热变形数据之间的相关性，从每一类中选出对热变形影响最大的一个点。

求解结果，如表 3 所示。第一类（1、3、5、6、7）中 1 号测点与热变形之间的相关性最大，第二类（0、2、4）中2号测点与热变形之间的相关性最大，由此可知，经优化后的最佳温度测点组合为（1，2）。

 

表3 温度测点相关性求解结果Tab.3 Correlation Results of Temperature Measuring Points

  

组别 温度测点 相关系数R 1第一组0.9946 3 0.9909 5 0.9906 6 0.9857 7 0.9854 0第二组0.9813 2 0.9829 4 0.9767

4 回归建模及分析

将最佳温度测点组合（1，2）的温度数据和轴向热变形数据输入到热误差建模程序中求解，并通过方差分析和F检验法对模型预测能力进行评价。设温度值x1、x2与热变形值y之间满足如下函数关系：

 

式中：x1、x2—测点 1、2 的温度数据；y—轴向热变形数据；a、b、c—回归系数。

若将温度数据x1和x2代入式（3）即可得到相对的热变形值y。利用最小二乘法，建立误差方程并转化为正规方程，最终矩阵化求解。为避免繁杂的计算过程，利用LabVIEW图形化软件开发界面友好的热误差模型求解程序，结果，如图6所示。由图6可以看出，所得的热误差模型为y=0.00061x1+0.00136x2-0.01055，且在给定显著水平0.01下，回归方程F＞F0.01（2,40）=5.18，即在最佳温度测点处监测的温度与热变形有显著的线性关系，该回归方程可较好地反映出热变形的客观变化规律。

  

图6 回归模型及F检验结果Fig.6 Regression Model and F Test Results

5 结论

（1）合理简化主轴及箱体结构，导入ANSYS Workbench进行稳态热分析，得出热敏分析图，利用主轴实际尺寸确定热敏区域范围为［88mm，265mm］。

（2）采用K-means算法对热敏区域测点的温度特征聚类，再通过Pearson相关系数选出与热变形相关性最大的测点，有效地将热敏区域内监测主轴及箱体温度的8个温度测点减少到2个，极大地降低了热误差建模的时间和成本。

（3）对优化后的温度测点和热变形进行热误差建模，并利用方差分析和F检验验证，该模型可较好地反映出热变形的客观变化规律。

参考文献

［1］Gebhardt M，Mayr J，Furrer N.High precision grey-box model for compensation of thermal errors on five-axis machines［J］.CIRP Annals-Manufacturing Technology，2014，63（1）：509-512.

［2］汪样兴，王树林，张云峰.数控机床热误差灰色神经网络补偿应用研究［J］.机械设计与制造，2014（7）：236-239.

（Wang Yang-lin，Wang Shu-lin，Zhang Yun-feng.The compensation application research of CNC machine tool thermal error gray neural network［J］.Machinery Design＆Manufacture，2014，（7）：236-239.）

［3］丛明，李泳耀，孙宗余.机床温度测点优化方法研究及试验验证［J］.大连理工大学学报，2015，55（6）：582-588.

（Cong Ming，Li Yong-yao，Sun Zong-yu.The optimization method research and test of machine tool temperature measuring points［J］.Journal of Dalian University of Technology，2015，55（6）：582-588.）

［4］Abdulshahed A M，Longstaff A P，Fletcher S.The application of ANFIS prediction models for thermal error compensation on CNC machine tools［J］.Applied Soft Computing，2015，27（2）：158-168.

［5］Babu S R，Raja V P，Thyla P R.Prediction of transient thermo-mechanical behavior of the headstock assembly of a CNC lathe［J］.International Journal of Machine Tools&Manufacture，2014，43（6）：17-24.

［6］Lo C H，Y J X，Ni J.An application of real-time error compensation on a turning center［J］.International Journal of Machine Tools&Manufacture，1995，35（12）：1169-1682.

［7］Liu Q，Yan J W，Pham D T.Identification and optimal selection of temperature-sensitive measuring points of thermal error compensation on a heavy-duty machine tool［J］.International Journal of Machine Tools&Manufacture，2015（10）：1007-1015.

［8］商冬青，杨玉霞.高速卧式加工中心热态特性分析与实验验证［J］.制造业自动化，2011，33（10）：139-141.

（Shang Dong-qing，Yang Yu-xia.The thermal modal analysis and experiment of high horizontal machining center［J］.Manufacturing Automation，2011，33（10）：139-141.）

［9］吕晶，袁江，刘传进.高速高精密立式加工中心主轴热态特性分析［J］.组合机床与自动化加工技术，2014（10）：13-16.

（Lv Jing，Yuan Jiang，Liu Chuan-jin.The thermal modal analysis of high speed and high precision vertical machining center spindle［J］.Combination Machine Tools and Automatic Processing Technology，2014（10）：13-16.）

［10］李程启，张小栋，张倩.基于ANSYS的机床电主轴温度场计算仿真分析［J］.制造技术与机床，2011（6）：148-152.

（Li Cheng-qi，Zhang Xiao-dong，Zhang Qian.The simulation analysis of machining tool motorized spindle temperature field based on ANSYS［J］.Manufacturing Technology&Machine Tools，2011（6）：148-152.）