[发明专利]基于FS+WP__SVM的数控机床主轴热误差建模方法

摘要

本发明公开了一种基于FS+WP__SVM的数控机床主轴热误差建模方法。其包括数据预处理，人工鱼群算法初始化，人工鱼群算法前期寻优，人工鱼群算法优化阈值判断，狼群算法初始化，狼群算法后期寻优，狼群算法优化阈值判断及构建数控机床主轴热误差模型。本发明分别使用人工鱼群算法和狼群算法对支持向量机的核心参数进行前期和后期的优化，兼有鱼群算法全局优化能力强以及狼群算法局部收敛速度快的特点，使得在保证预测精度的前提下在执行效率上有很大的提升，在实际的数控机床主轴热误差建模工程应用中具有很高的实用价值。

主权项

一种基于FS+WP__SVM的数控机床主轴热误差建模方法，其特征在于，包括以下步骤：A、数据预处理：将采集到的数控机床关键点位的温度数据和主轴热致位移数据进行平滑滤波处理，并划分A、B两组数据分为作为训练样本和预测样本；B、人工鱼群算法初始化：设置人工鱼群算法参数、支持向量机相关参数上下限取值、人工鱼群算法的适应度函数、适应度阈值及最大迭代次数；C、人工鱼群算法前期寻优：将步骤A中的训练样本作为步骤B中支持向量机的训练数据进行优化迭代，并在迭代过程中利用支持向量机根据步骤A中的预测样本进行预测，得到人工鱼群算法的适应度值；D、人工鱼群算法优化阈值判断：根据步骤C中得到的人工鱼群算法的适应度值判断是否达到步骤B中设置的适应度阈值、或者达到最大迭代次数，选择是否切换到狼群算法进行后期寻优；E、狼群算法初始化：设置狼群算法参数、支持向量机相关参数上下限取值、狼群算法的适应度函数、目标精度及最大迭代次数；F、狼群算法后期寻优：将人工鱼群算法的最优解作为狼群算法第一次迭代的首领狼位置，将步骤A中的训练样本作为步骤B中支持向量机的训练数据进行优化迭代，并在迭代过程中利用支持向量机根据步骤A中的预测样本进行预测，得到狼群算法的优化精度；G、狼群算法优化阈值判断：根据步骤D中得到的狼群算法的优化精度判断是否达到步骤E中设置的目标精度、或者达到最大迭代次数，得到最优支持向量参数组合，H、构建数控机床主轴热误差模型：在最优支持向量参数组合下对支持向量机进行训练得到数控机床主轴热误差模型。