[发明专利]基于加强朴素贝叶斯网络的机床热误差补偿方法

权利要求书

1.基于加强朴素贝叶斯网络的机床热误差补偿方法，其特征在于，包括下列步骤：

步骤一，在机床上的热关键点附近布置多个传感器；

步骤二，通过传感器采集多组不同工况下的温度信号，并抽取其中四分之一以上的温度信号作为模型的训练信号，将剩余温度信号作为检验信号；

步骤三，构造朴素贝叶斯网络分类模型，并根据训练信号中的数据进行网络学习；构造朴素贝叶斯网络分类模型的步骤为：

(1)、选取网络节点，确定变量集；选择热关键点和工况类别作为贝叶斯网络节点，贝叶斯网络节点的取值对应变量集G＝{X₁,X₂,...,X_n,C},其中，X_i是第i处热关键点的温度信号值，i＝(1,2,…,n)，n为热关键点总数；(x₁,x₂,...,x_n)表示集合G中一组温度信号的实际值；C表示工况类别变量，c_k表示C的值，k＝(1,2,…,m)，m为工况类别总数；

(2)、确定网络结构，根据变量之间存在的因果关系勾画出从因变量到果变量之间的连接；

(3)、确定局部概率分布；类c_k的后验概率可由以下公式计算得到：

公式(1)中,p(c_k|x₁,x₂,...,x_n)是类c_k的后验概率；p(c_k)是类c_k的先验概率；p(x₁,x₂,...,x_n|c_k)是类c_k的似然度；p(x₁,x₂,...,x_n,c_k)是热关键点节点和工况类别节点的联合概率；p(x₁,x₂,...,x_n)是热关键点节点的联合概率；因为p(c_k|x₁,x₂,...,x_n)对各个工况类别都是常数，故有：

p(c_k|x₁,x₂,...,x_n)∝p(x₁,x₂,...,x_n,c_k) 公式(2)

根据链规则得到热关键点节点和工况类别节点的联合概率为：

公式(3)中，π(x_i)为节点x_i的父节点集合；

步骤四，构造BAN的网络结构；

(1)、朴素贝叶斯网络分类模型根据后验概率最大的准则进行分类,即将类c_k赋值为max{p(c_k|x₁,x₂,...,x_n)}；两个热关键点节点间的互信息定义为：

条件互信息定义为：

公式(4)和公式(5)中，X_i和X_j表示第i处和第j处热关键点的温度信号值；p(x_i)表示X_i的熵；p(x_i，y_i)表示X_i，X_j的联合熵；

(2)、判断X_i，X_j所代表的两个节点是否条件独立；设定阈值ε，如果两节点间的互信息I(X_i,X_j)＜ε,则X_i和X_j是边缘独立的；如果I(X_i,X_j|C)＜ε,则X_i和X_j是条件独立的；

(3)、利用条件独立性测试方法来确定BAN的网络结构；

步骤五，根据训练信号和BAN的网络结构通过概率统计的方法计算得出条件概率表；

步骤六，由条件概率表和检验信号完成分类；

步骤七，通过上述分类可以将每组温度送入到不同工况类别下建立的误差模型，从而得到机床热误差的预测值，并控制机床进行相应的补偿调节。