[发明专利]一种基于包裹式原理的数控机床热误差预测方法

说明书

本发明属于数控机床精密加工制造领域，具体涉及一种基于包裹式原理的数控机床热误差预测方法，包括构建最小二乘支持向量机的热误差预测模型，根据10折交叉验证法划分数据集，将训练数据输入模型进行训练；将测试集的数据输入完成训练的模型，得出10折交叉验证的平均均方根误差，计算代价函数；判断当前迭代次数是否超过最大迭代次数或者最近50次迭代的代价函数值一致，若是则输出最优关键温度点、最优的核函数参数以及平衡参数，训练得到基于最小二乘支持向量机的最优热误差预测模型，否则利用二进制鲸鱼优化算法继续寻优；本发明可以建立具有良好预测性能的热误差预测模型，能更加有效补偿机床热误差，最终显著提高机床加工精度。

技术领域

本发明属于数控机床精密加工制造领域，具体涉及一种基于包裹式原理的数控机床热误差预测方法。

背景技术

在机械加工中，所加工零件的精度受机床几何误差、力误差、热误差以及其他误差等的综合影响。机床结构复杂、散热条件差、内部耦合关系复杂，易产生不均匀的温度场以及非线性热误差，从而使机床加工精度变差。众多研究表明，热误差越来越成为影响机床特别是精密机床加工精度的重要因素，在机床总误差中可占比高达40％～70％。因此，减少热误差特别是主轴热误差对于提高机床加工精度至关重要。

热误差补偿作为一种经济、高效的减少热误差的方法，其关键在于准确的热误差预测。由于机床运行时热误差的非线性、复杂性和时变性，准确预测需解决两个关键问题，作为热误差预测输入的关键温度点的筛选，由于所布置的温度点中可能包含不相关或冗余温度点，筛选出关键温度点对于提高预测性能至关重要。

现有热误差预测方法取得了较好的效果。但是它们通常是两个独立的过程，即首先利用过滤式方法如聚类分析、相关性分析、粗糙集理论或其组合方法等筛选出关键温度点，再利用多元线性回归、人工神经网络或支持向量机等机器学习方法进行热误差预测。但是，这种独立方式削弱了其间的内在联系，不能完全保证数控机床热误差预测性能。

发明内容

为解决独立筛选关键温度点再进行热误差建模破坏其内在联系从而降低热误差模型预测性能的问题，本发明提出一种基于包裹式原的数控机床热误差预测方法，在数控机床上布置多个关键温度点，每个关键温度点安装一个温度传感器，每隔一定时间间隔记录每个温度传感器的温度数据，采用三点法测量每个关键温度点的热误差数据，利用记录的温度数据和测量的热误差数据进行机床热误差预测，其特征在于，具体包括以下步骤：

S1、构建基于最小二乘支持向量机(Least Square Support Vector Machine，LSSVM)的热误差模型，输入温度数据和热误差数据，并根据10折交叉验证法对温度数据和热误差数据进行划分；

S2、将训练集数据输入基于最小二乘支持向量机的热误差模型进行训练；

S3、将测试集数据中的温度数据输入完成训练的最小二乘支持向量机热误差模型，得到预测的热误差值，并计算预测的热误差值与测量的热参数值之间的10折交叉验证的平均均方根误差；

S4、根据平均均方根误差和关键温度点的个数计算二进制鲸鱼优化算法的代价函数；

S5、判断当前迭代次数是否超过最大迭代次数或者最近50次迭代的结果得到的代价函数的值一致，若是则进行S8；否则进行步骤S6；

S6、导出热误差模型当前的核函数参数以及平衡参数，将不同关键温度点进行组合，并根据当前的核函数参数以及平衡参数的值计算得到当前的最优核函数参数以及平衡参数，将每个关键温度点的组合与该当前的最优核函数参数以及平衡参数进行打包编码作为鲸鱼位置，根据二进制鲸鱼优化算法寻优得到最优鲸鱼位置；

S7、将最优鲸鱼位置中包括的所有关键温度点的温度数据和热误差数据作为训练数据、将最优鲸鱼位置中的最优核函数参数以及平衡参数输入基于最小二乘支持向量机的热误差模型，进行训练并返回步骤S3；