[发明专利]带滞后数据处理的灰色理论分段式加权热误差建模方法

说明书

本发明公开了一种带滞后数据处理的灰色理论分段式加权热误差建模方法，通过灰色理论模型对温度和热误差数据的处理能力建立多个不同序列长度的灰色模型组成灰色模型预处理模块，将预处理模块的输出作为分布滞后模型后处理模块的输入，确定模型滞后阶数后建立滞后模型作为后处理模块，形成灰色模型和分布滞后模型相结合的层级模型；以层级模型为基础，建立不同初始温度下的GM‑DL补偿模型，根据测试样本初始环境温度选择紧邻的两个热误差补偿模型并通过分段加权的方式计算得到最终热误差数据完成建模。本发明最大限度的提取数据中有用信息，使模型具有很强的趋势性和适应性，提高模型对各个季节和时段的适应性，最终大大提高了机床的加工精度。

技术领域

本发明属于机床热误差补偿技术领域，具体涉及一种带滞后数据处理的灰色理论分段式加权热误差建模方法。

背景技术

大量的试验研究表明，热误差是影响数控机床加工误差的主要因素，其在所有误差源中占比例可以达到40％～70％，对于越精密的机床热误差占比越高。并且热误差是由热源引起的，而机床运行中必然存在热源，所以机床热误差的问题不可避免，因此寻求减小热误差方法才是提高精密数控机床加工精度的关键。针对机床的热误差问题，热误差预防法和热误差补偿法是减小热误差提高机床加工精度的两种基本方法。其中热误差预防法为硬技术，主要是在设计和制造阶段提高机床的制作精度来满足工件的加工精度，与热误差补偿法相比较，提高同样的加工精度经济上的代价要非常大，并且精度提高有限，所以热误差补偿法是目前减小热误差的主要方法。热误差补偿法主要通过建立热敏感点和热变形对应关系的数学模型，实际加工中，通过热敏感点的温度值来推断热变形的大小，从而通过机床数控系统的原点偏移功能实现热误差的补偿，提高机床加工精度。

热误差补偿模型有很多种，根据灰色理论建立的灰色模型(GM)和根据时间序列原理建立的分布滞后模型(DL)是常用的方法。灰色系统理论将系统中的随机变量当作变化的灰色量，随机过程当作在一定范围内产生变化的灰色过程。建立模型前，对无规律或者具有较弱规律的原始数据进行预处理，使其变为具有一定规律的新数据，该模型对有已知信息，同时又有未知信息的系统建模效果较好，具有较强的趋势性。但由于温度传感器测量的是材料表面某处温度，该模型未考虑材料形变相对于温度的滞后性所带来的建模影响，尤其是对于工况比较复杂的情况时，数控机床热源切换比较频繁，传感器所测温度和材料内部由于温度变化导致的变形会有较大滞后性，忽略滞后性直接建模一定程度上会影响模型预测精度。对于时间序列原理建立的分布滞后模型是将因变量的值与当前自变量和多个滞后自变量联系起来，用于热误差建模中则表示机床当前的热误差值不仅与多个当前温度值有关系而且与若干个滞后温度值有关系，这样建立的模型就大大弱化滞后性带来的影响，提高预测精度。但由于测量的不精确性和机床的复杂性，用于热误差建模的温度数据和热误差数据不可避免地包含一些“灰色信息”，在对于“灰色信息”的处理上，分布滞后模型没有优势。

此外，机床一般放置在工厂中，要保持厂房恒温环境耗费巨大，所以一般机床周围环境温度随四季变化而变化，通过大量的热误差建模补偿的文献我们总结得到规律，环境温度在机床热误差建模中有着重要的影响。当建模的样本数据和测试数据初始环境温度相差不大时，样本测试的模型补偿效果较好；当建模的训练数据和与热误差的测试数据的初始环境温度相差较大时，补偿效果往往很差。例如用冬天的数据建立热误差模型来补偿夏季的热误差或者正午的数据建立的热误差模型补偿凌晨测的热误差往往出现较大的偏差。针对这一问题，往往一是通过增加样本数量的方法即用冬夏的数据同时作为样本数据建模，二是选择泛化能力强的热误差模型例如支持向量回归机模型，但通过前人补偿效果我们发现，补偿效果有所提高但效果有限。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种带滞后数据处理的灰色理论分段式加权热误差建模方法，能够提高热误差预测能力并最终提高机床加工精度。

本发明采用以下技术方案：