基于遗传算法小波神经网络的机床主轴热误差预测方法技术

一种基于遗传算法小波神经网络的机床主轴热误差预测方法，属于数控机床加工技术领域。本发明专利技术通过在数控机床上合理布置温度传感器，并用温度传感器测量机床关键温度测点的温度和加工环境的温度数据，采用位移传感器获得机床主轴热误差数据；将数据处理后建立小波神经网络机床主轴热误差预测模型，结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点，使该热误差预测模型具有计算简便、精度高、抗扰动能力和鲁棒性强等优点，而且具有较强的逼近能力，网络收敛速度快。有效的减少了机床数控机床的主轴热误差，提高机床加工精度。

【技术实现步骤摘要】
基于遗传算法小波神经网络的机床主轴热误差预测方法
本专利技术涉及一种机床主轴热误差预测方法，尤其涉及一种基于遗传算法小波神经网络的机床主轴热误差预测方法，属于数控机床加工

技术介绍
随着数控加工逐渐向高速度、高精度方向的迅速发展，对数控机床的加工精度和可靠性等提出了更高的要求，改善数控机床的热态特性，已经成为机械制造技术发展中最重要、最迫切的研究课题之一。数控机床的热误差是指在机械加工过程中，由于机床温度升高导致机床部件变形或膨胀而引起工件和刀具之间的相对位移发生变化。大量研究表明：热误差是精密加工机床的最大误差源，约占机床总误差的70％左右，而且当对机床加工零件精度的要求越高时，热误差所占总误差的比重越大。作为影响机床加工精度的主要误差，热误差严重影响其加工精度。21世纪以来，随着科技的迅猛发展，各支柱产业对机械高端产品精度要求日益提高。因此，机床热误差的补偿技术成为当前高精度加工亟待解决的问题。要想对机床的热误差进行有效地补偿,一个前提条件就是要建立可以实时准确预测机床热变形量大小的补偿模型,这样才能够确保根据热误差预测模型得到的预测值可以逼近于机床的实际误差,进而保证机床热误差的最终补偿效果可以达到实际需求。目前国内外学者针对误差补偿模型做了大量的试验和研究，从不同的角度揭示了各个机床构件温度与热误差之间的关系。常用的建模方法有：最小二乘法拟合建模、人工神经网络建模、灰色理论建模、基于时间序列分析建模等模型。其中人工神经网络模型近年来应用较多且取得了一些成功的运用，但是难以精确的建立热误差补偿模型，对机床热误差的补偿效果仍不理想。专利技术内容本专利技术的主要目的是克服现有技术中的不足，提供基于遗传算法小波神经网络的机床主轴热误差预测方法,使其不仅具有计算简便、精度高、抗扰动能力和鲁棒性强等优点，而且具有较强的逼近能力，网络收敛速度快；旨在为预测模型的参数优化提供一种新方法，也为预测、预报的研究拓宽新思路。为了达到上述目的，本专利技术所采用的技术方案是：基于遗传算法小波神经网络的机床主轴热误差预测方法，其特征在于，该方法的具体内容如下：1)机床主轴按设定的主轴转速运转，采用温度传感器测量机床关键温度测点的温度和加工环境的温度数据，采用位移传感器获得机床主轴热误差数据；2)对获取的温度和热误差测试数据进行归一化处理，并进行累加变换，得到试验样本；设某一关键温度测点温度时间序列为x＝(x1，x2，…，xi)，对数据进行归一化通常使用最大最小法：xio＝(xi-xmin)/(xmax-xmin)为了减弱测试数据的随机性，突出其变化趋势，对xio进行一阶累加：累加变换生成温度序列X(1)＝(X1(1)，X2(1)…，Xs(1))。同样对其它关键温度测点的温度和主轴热误差值进行预处理。将同一时刻处理后的温度与热误差值合并成一组数据，即为试验样本；3)建立小波神经网络机床主轴热误差预测模型；三层神经网络能够实现任何复杂的非线性问题，因此建立小波神经网络热误差预测模型为三层网络结构，其中输入层Xi为若干关键温度测点的温度序列，输出层Y为机床热误差预测值，隐含层为小波基函数。设输入层神经元个数即关键温度测点数为I，隐含层神经元个数为J，输出层为热误差预测输出神经元个数为1，隐含层神经元个数根据经验公式计算：式中：a的取值范围[1,10]；J具体数目可通过网络训练后获得的特征系数确定。构建隐含层输出公式为：式中：h(j)为隐含层第j个节点输出值，ωij为隐含层第j个节点和输入层第i个节点的权值，aj为小波基函数hj的伸缩因子，bj为小波基函数hj的平移因子，xni为输入层第i个关键温度测点第n个温度；小波神经网络的输出层输出公式为：式中：yn为热误差预测值，ωj为隐含层第j个节点和输出层的权值，l为隐含层节点数；根据梯度下降法，计算网络预测误差如下：式中：dn为热误差期望输出值，N为输入样本集数；根据预测误差E修正小波神经网络初值ωij、ωj、aj、bj：式中：式中：η1为权值学习速率，η2为尺度因子学习速率，λ为动量因子；k＝1,2,3…；4)确定小波神经网络模型的参数：包括输入层神经元个数I、输出层神经元个数J、学习速率η1和η2动量因子λ等以及初始化网络初值ωij、ωj、aj、bj；5)利用遗传算法优化小波神经网络模型的初值ωij、ωj、aj、bj；①个体采用实数编码，每个个体由ωij、aj、bj、ωj组成，编码形式为：式中：N为种群规模；②选取适应度函数计算每个个体的适应度值：用小波神经网络进行训练，根据训练结果求个体适应值，若满足适应度要求则终止循环，否则执行下一步；为避免绝对误差值过小，取适应度函数为：式中：f为个体适应度值，E为网络预测误差；③进行遗传操作：i)选择：按照适应值排名，最优保存策略与比例选择机制相结合选择最佳个体，继承给下一代；ii)交叉：采用线性组合方式，设t为进化代数，xit和xjt是按照选择法选取的2个进行交叉的父代个体，交叉产生的子代为xit+1和xjt+1：xit+1＝Pcxit+(1－Pc)xjtxjt+1＝Pcxjt+(1－Pc)xit式中：Pc为交叉概率；iii)变异：为防止群体收敛到局部最优解，进行变异操作，变异产生的下一代群体转步骤②，变异操作算法为：xit+1＝xit[1+Pm(2δ－1)]式中：δ∈[0,1]为均匀分布的随机数，Pm为变异率；iv)终止循环，得到新的种群进行解码得到小波神经网络的权值、伸缩因子和平移因子。6)转入小波神经网络进行训练，将步骤2)中得到的试验样本分为训练样本和测试样本，通过训练样本对预测模型进行训练，根据预设误差和迭代次数判断是否结束网络训练。训练好模型后对测试样本进行预测，得到机床主轴热误差预测值。通过分析机床可能产生的热源点，布置若干温度传感器，然后对测得的温度数据进行分析，选择出与热变形相关系数最大的温度变量作为机床关键温度测点。本专利技术具有以下优点及突出性的技术效果：本专利技术提供的基于遗传算法优化小波神经网络的数控机床主轴热误差预测方法，利用遗传算法结合小波神经网络在全局进行最优解的初步搜寻，将最优解锁定在某个小区域并确定小波神经网络的初始平移、伸缩参数以及网络的权值，解决网络初值问题，再用小波神经网络进行快速的局部寻优。由于本专利技术采用的数据处理方法结合了小波变换、人工神经网络及遗传算法的优点，不仅具有计算简便、精度高、抗扰动能力和鲁棒性强等优点，而且具有较强的逼近能力，网络收敛速度快，在机床主轴热误差预测中具有重要的实用价值。附图说明图1为本专利技术提供的基于遗传算法小波神经网络的机床主轴热误差预测方法的算法流程图。图2为某型号五轴摆动卧式加工中心试验时采用的主轴转速谱。图3为某型号五轴摆动卧式加工中心试验所获取的温度变量曲线。图4为某型号五轴摆动卧式加工中心试验所获取的主轴热误差曲线。图5为主轴Z向热误差测量值及采用不同热误差预测模型的热误差预测值曲线。图6为采用不同热误差预测模型的热误差预测残差曲线。具体实施方式下面通过实施例结合附图对本专利技术作进一步描述。参见图1，基于遗传算法小波神经网络的机床主轴热误差预测方法，其具体包括如下步骤：1)机床主轴按设定的主轴转速运转，采用温度传感器测量机床关键温度测点的温度和加工环境本文档来自技高网...

【技术保护点】
1.基于遗传算法小波神经网络的机床主轴热误差预测方法，其特征在于，所述方法如下步骤：1)机床主轴按设定的主轴转速运转，采用温度传感器测量机床关键温度测点的温度和加工环境的温度数据，采用位移传感器获得机床主轴热误差数据；2)对获取的温度和热误差数据进行归一化处理，并进行累加变换，得到试验样本；3)建立小波神经网络机床主轴热误差预测模型：建立三层网络结构的小波神经网络热误差预测模型，其中输入层Xi为若干关键温度测点的温度序列，输出层Y为机床热误差预测值，中间层为小波基函数；设输入层神经元个数即关键温度测点数为I，隐含层神经元个数为J，输出层为热误差预测输出神经元个数为1，隐含层神经元个数根据经验公式计算：

【技术特征摘要】
1.基于遗传算法小波神经网络的机床主轴热误差预测方法，其特征在于，所述方法如下步骤：1)机床主轴按设定的主轴转速运转，采用温度传感器测量机床关键温度测点的温度和加工环境的温度数据，采用位移传感器获得机床主轴热误差数据；2)对获取的温度和热误差数据进行归一化处理，并进行累加变换，得到试验样本；3)建立小波神经网络机床主轴热误差预测模型：建立三层网络结构的小波神经网络热误差预测模型，其中输入层Xi为若干关键温度测点的温度序列，输出层Y为机床热误差预测值，中间层为小波基函数；设输入层神经元个数即关键温度测点数为I，隐含层神经元个数为J，输出层为热误差预测输出神经元个数为1，隐含层神经元个数根据经验公式计算：式中：a的取值范围[1,10]，J具体数目通过网络训练后获得的特征系数确定；构建隐含层输出公式为：式中：h(j)为隐含层第j个节点输出值，ωij为隐含层第j个节点和输入层第i个节点的权值，aj为小波基函数hj的伸缩因子，bj为小波基函数hj的平移因子，xni为输入层第i个关键温度测点第n个温度；小波神经网络的输出层输出公式为：式中：yn为热误差预测值，ωj为隐含层第j个节点和输出层的权值，l为隐含层节点数；根据梯度下降法，计算网络预测误差如下：式中：dn为热误差期望输出值，N为输入样本集数；根据预测误差E修正小波神经网络初值ωij、ωj、aj、bj：其中：式中：η1为权值学习速率，η2为尺度因子学习速率，λ为动量因子，k＝1,2,3…；4)确定小波神经网络模型的参数：包括输入层神经元个数I、输出层神经元个数J、学习速率η1和η2动量因子λ等以及初始化网络初值ωij、ωj、aj、bj；5)利用遗传算法优化小波神经网络模型的初值ωij、ωj、aj、bj；①个体采用实数编码，每个个体由ωij、aj、bj、ωj组成，编码形式为：ωij1aj1bj1ωj1…ωi...

【专利技术属性】
技术研发人员：张云，李彬，王立平，李学崑，姜楠，曹海燕，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11