[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

摘要

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。

主权项

1.一种基于包裹式原理的数控机床热误差预测方法，在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折交叉验证法将温度数据和热误差数据划分为训练集和测试集；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；S8、输出最优关键温度点、最优核函数参数以及平衡参数，完成最小二乘支持向量机的热误差模型的构建，将最优关键温度点处的实际温度输入最小二乘支持向量机的热误差模型，得到机床热误差的预测值。