[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

说明书

技术领域

本发明涉及一种机床热误差补偿方法，具体涉及一种基于加强朴素贝叶斯网络的机床热误差补偿方法。

背景技术

在影响零件加工精度的因素中，机床热误差是影响加工精度的主要原因之一，在精密机床加工中由于温度变化造成的加工误差可以占到60％-70％，因此有效地检测出机床热误差并对其补偿，将可以大幅提高加工精度。

现有的数控机床热误差建模和补偿研究，主要集中于建立机床关键部件的温度与机床整体热误差的映射模型，实现对机床的准静态热误差进行补偿的目的。然而，现有模型较少考虑不同工况(主轴转速、进给速度、切削载荷、零件形状等)对热误差的影响。最新的研究表明采用不同的工况条件，即使在机床部件的温度场分布相似的情况下，机床热误差也产生明显的变化。在工况时变性较强的实际加工应用中，上述模型的精度和鲁棒性都很难满足高速高精的现实加工需求。

发明内容

本发明要解决的技术问题是提供一种可有效提高机床加工精度的基于加强朴素贝叶斯网络的机床热误差补偿方法。

本发明解决其技术问题所采用的技术方案是：基于加强朴素贝叶斯网络的机床热误差补偿方法，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：