[发明专利]一种基于梯度提升树的回转体测量系统误差补偿方法

说明书

本发明公开了一种基于梯度提升树的回转体测量系统误差补偿方法，所述方法包括：分析回转体测量系统的误差来源，并针对每种误差分析其对测量结果的影响形式；对误差来源进行不同参数的组合，控制测量条件，在不同误差源参数组合下利用标准环规进行实验数据的采集；采用K折交叉验证进行基于梯度提升树的回转体测量系统误差补偿模型的训练；验证上述误差补偿模型的误差补偿效果，将测试样本输入训练完成的误差补偿模型中，计算误差补偿模型对误差的预测值，并对样本中测量值进行误差补偿，分析误差补偿模型的有效性；将训练好并验证有效的误差补偿模型运用到实际测量中，对测量结果进行有效的误差补偿，提高测量精度。

技术领域

本发明涉及回转体测量系统误差补偿领域，尤其涉及一种基于梯度提升树的回转体测量系统误差补偿方法。

背景技术

在航空航天、汽车制造、船舶制造等国民经济重点发展的行业中，薄壁回转体零件是其中极为关键的零件，往往用于发动机、涡轮套筒、汽缸、舱体结构、惯性元件框架等部件中。这些零件常需要和其他回转体零件配合安装，所以需要有很好的加工精度以保证尺寸匹配。而回转体的高精度测量是检验这类回转体零件的加工精度以及各项形位误差是否在要求范围内的重要手段。

随着世界科学技术和经济的飞速发展，现代制造业中产品的检测环节对回转体的测量精度有了更高的要求。在回转体的高精度测量过程中，测量系统的动态误差成为影响测量精度的重要因素，精准的对回转体测量系统进行误差补偿就成了亟待解决的问题。

现有的对于回转体测量系统的误差补偿方法大多只能针对一种影响测量精度的因素，且实现方法繁琐，效率低，不能满足在复杂环境下的测量系统的误差补偿。在实际测量中，影响测量精度的因素十分复杂，因此需要建立一个综合考虑多种因素的误差补偿模型对测量系统的测量结果进行误差补偿。

近几年随着人工智能、机器学习的飞速发展，对复杂测量系统的误差补偿有了新的方法。梯度提升树(GBDT)作为集成学习的一个重要算法，近几年在机器学习领域有着广泛的应用并表现卓越。基于梯度提升树建立回转体测量系统的误差补偿模型能很好的进行误差补偿，对提高回转体测量系统的测量精度、促进制造业的发展皆具有重要的意义。

发明内容

本发明提供了一种基于梯度提升树的回转体测量系统误差补偿方法，本发明对回转体测量系统进行误差补偿，提高了测量精度，详见下文描述：

一种基于梯度提升树的回转体测量系统误差补偿方法，所述方法包括：

分析回转体测量系统的误差来源，并针对每种误差分析其对测量结果的影响形式；

对误差来源进行不同参数的组合，控制测量条件，在不同误差源参数组合下利用标准环规进行实验数据的采集；

采用K折交叉验证进行基于梯度提升树的回转体测量系统误差补偿模型的训练；

验证上述误差补偿模型的误差补偿效果，将测试样本输入训练完成的误差补偿模型中，计算误差补偿模型对误差的预测值，并对样本中测量值进行误差补偿，分析误差补偿模型的有效性；

将训练好并验证有效的误差补偿模型运用到实际测量中，对测量结果进行有效的误差补偿，提高测量精度。

本发明提供的技术方案的有益效果是：

1、本发明基于梯度提升树算法提出了一种基于梯度提升树的回转体测量系统误差补偿，该方法具有良好的补偿效果和稳定性，能有效提高测量的精度；

2、本发明相比于神经网络等误差补偿模型具有较高的建模效率，同时，能够只用较小的训练样本训练出有好的误差补偿效果的模型，且有更强的泛化能力。能使自主研制的回转体内径测量机的测量误差从4.7μm减小至1.2μm，误差减少74.5％，具有工程应用价值。

附图说明

图1为回转体测量机的示意图；