基于FS+WP__SVM的数控机床主轴热误差建模方法技术

本发明专利技术公开了一种基于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。本发明专利技术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。

Thermal error modeling method of CNC machine tool spindle based on FS+WP__SVM

The invention discloses a thermal error modeling method of a CNC machine tool spindle based on FS+WP__SVM. It includes data preprocessing, artificial fish swarm algorithm initialization, artificial fish swarm algorithm pre optimization, optimization threshold algorithm artificial fish swarm algorithm, wolves initialization, wolves at the end of the algorithm optimization, algorithm optimization and construction of wolves threshold judgment error of CNC machine tool spindle thermal model. Optimization of the invention using artificial fish swarm algorithm and wolves algorithm early and late on the core parameters of support vector machine, both fish swarm algorithm global optimization ability and fast convergence of the wolves, making in ensuring the premise of prediction accuracy to greatly improve the efficiency, has very high practical the value in the error of CNC machine tool spindle thermal modeling of the actual engineering application.

【技术实现步骤摘要】
基于FS+WP__SVM的数控机床主轴热误差建模方法
本专利技术属于数控机床领域，具体涉及一种通过鱼群结合狼群算法优化支持向量机参数，来确定数控机床主轴在加工过程中产生的热误差模型。
技术介绍
数控机床在加工过程中具有行程大、负载重、加工周期长等特点，使得机床各部件在加工过程中产生严重的温升，由于机床热源分布不均，机床各部件的温升会有很大的差异，在这些不均匀温度作用下，机床会产生严重的热变形。机床的变形进而会影响到工件的加工精度。有研究表明，由机床温度升高产生的误差占机床总误差的40-70％。在机床设计阶段对机床的热特性进行充分的计算与研究是一个耗时耗力的过程，而且很难改变已有机床的热误差特性分布情况。因此，采用对机床热误差进行预测并补偿的方法来解决机床热误差问题是一种经济有效的手段。要想进行有效的补偿，补偿量精确预测是非常重要的前提。因此机床热误差模型的建立是机床热误差控制的重要技术基础。现有的机床热误差建模方法主要有：多元线性回归、支持向量机(SupportVectorMachine，简称SVM)、神经网络算法、遗传算法等各种新型智能算法。多元线性回归在算法实现上是最容易的，且运本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
1.一种基于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。2.如权利要求1所述的基于FS+WP__SVM的数控机床主轴热误差建模方法，其特征在于，所述步骤B中人工鱼群算法参数、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具体为：人工鱼群算法参数包括人工鱼群的种群规模Fish_num、觅食最大试探次数Try_num、感知距离Visual、移动步长Step_leg和鱼群拥挤度因子δ；支持向量机相关参数上下限取值包括SVM惩罚参数C[0,100000]和高斯核函数参数σ[0,100000]；人工鱼群算法的适应度函数为Ffs＝norm(Ys-Yd,2)/size(Ys,2)，其中Ys、Yd分别为机床主轴热伸长的真实值和预测值；适应度阈值为fitness；最大迭代次数为Max_gen。3.如权利要求1所述的基于FS+WP__SVM的数控机床主轴热误差建模方法，其特征在于，所述步骤C中将步骤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具体包括以下分步骤：C1、人工鱼在其视野范围内寻找更优位置，判断人工鱼是否找到更优位置；若是，则人工鱼通过向更优位置方向移动一步来进行觅食行为；若否，则人工鱼通过向其视野范围内随机移动一步进行随机行为；C2、人工鱼在其视野范围内寻找更优位置，判断人工鱼是否找到更优位置；若是，则人工鱼通过向其视野范围内的中心位置方向移动一步进行聚群行为；若否，则返回步骤C1；C3、人工鱼在其视野范围内寻找更优位置，判断人工鱼是否找到更优位置；若是，则人工鱼通过向着全局最优位置方向移动一步进行追尾行为；若否，则返回步骤C1。4.如权利要求3所述的基于FS+WP__SVM的数控机床主轴热误差建模方法，其特征在于，所述步骤C1中人工鱼在其视野范围内寻找更优位置，判断人工鱼是否找到更优位置具体为假设水域中有N条人工鱼，第i条人工鱼所处位置为Xi，Yi为Xi所在位置的食物量，则在其视野范围内随机选择一个位置Xj，比较...

【专利技术属性】
技术研发人员：黄智，贾臻杰，邓涛，杜丽，王立平，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51