[发明专利]基于多源异类信息融合的机床主轴Z向热变形预测方法

权利要求书

1.基于多源异类信息融合的机床主轴Z向热变形预测方法，其特征在于，包括以下步骤：

步骤一：在机床上布置一组不同类型的传感器并通过动态信息采集分析系统收集存储机床多源异类信息；

步骤二：采用信号去噪方法对步骤一中采集的多源异类信息进行预处理；

步骤三：对步骤二中经过预处理的多源异类信息进行基于时域、频谱、时频域分析的特征提取；

步骤四：基于相关性分析的特征选择与基于KPCA的特征降维后实现多源异类信息的特征融合；

步骤五：对特征融合后的信息数据集进行划分，选取训练集与测试集；

步骤六：通过选取的训练集建立基于PSO-SVR的热变形预测模型；

步骤七：将训练得到的热变形预测模型用于机床主轴Z向热变形的预测与验证。

2.根据权利要求1所述的基于多源异类信息融合的机床主轴Z向热变形预测方法，其特征在于，所述步骤一的具体过程如下：利用一组不同类型传感器采集并通过计算机存储机床固定转速工作状态下的多源异类信息，多源异类信息包括温度、振动及热变形信息；将热变形信息作为预测对象。

3.根据权利要求1所述的基于多源异类信息融合的机床主轴Z向热变形预测方法，其特征在于，所述步骤二的具体过程如下：

1)进行多源异类信号的时间配准，并根据时间轴提取状态信息，将系统运行的总时长划分为p段机床状态，每一状态下的多源异类信息集合即为一个原始样本数据；

2)对每个样本数据中的温升与热变形信号采取算数平均滤波法；

3)对每个样本数据中的振动信号数据采用EMD分解和小波阈值联合去噪方法。

4.根据权利要求1所述的基于多源异类信息融合的机床主轴Z向热变形预测方法，其特征在于，所述步骤三的具体过程如下：对于每个去噪后的样本数据中的温度场数据与热变形数据直接提取物理意义值，即温度值与热变形量；对振动信号提取对应的时域、频域及时频域特征。

5.根据权利要求1所述的基于多源异类信息融合的机床主轴Z向热变形预测方法，其特征在于，所述步骤四的具体过程如下：

1)将步骤三中得到的温度特征、振动特征以及热变形特征按样本排列分别得到温度特征矩阵、振动特征矩阵以及热变形特征矩阵；

2)基于相关性分析筛选振动特征矩阵中的特征向量，去除相关系数低于设计阈值的特征向量。

3)对筛选处理后的振动特征矩阵进行基于KPCA的特征降维，保留95％的累计方差，获得前K个主成分即原始振动特征的低维表述；得到的振动降维矩阵与温度特征矩阵依据时间轴进行融合处理得到多源异类融合信息特征矩阵。

6.根据权利要求1所述的基于多源异类信息融合的机床主轴Z向热变形预测方法，其特征在于，所述步骤五的具体过程如下：读取标签矩阵和特征矩阵，标签矩阵为热变形特征向量，特征矩阵为步骤四中得到的融合信息特征矩阵；把每个标签矩阵和对应的特征矩阵相匹配作为样本数据集；将样本数据集划分为训练集及测试集。

7.根据权利要求1所述的基于多源异类信息融合的机床主轴Z向热变形预测方法，其特征在于，所述步骤六的具体过程如下：将训练样本中的特征矩阵作为SVR模型输入，标签矩阵作为输出，通过粒子群算法PSO优化SVR模型的参数以建立准确的预测模型；确定PSO中粒子群的个体学习因子c₁与c₂，群体规模M，最大速度Vmax、惯性因子w和最大迭代次数T，寻找最优模型参数。