一种数控机床进给系统热误差预测方法技术方案

本发明专利技术涉及一种数控机床进给系统热误差预测方法，此方法通过建立神经网络的结构,利用Tent混沌映射改进后的松鼠搜索算法(Tent

【技术实现步骤摘要】
一种数控机床进给系统热误差预测方法


[0001]本专利技术涉及机床进给系统热误差改善领域，具体涉及一种数控机床进给系统热误差预测方法。

技术介绍

[0002]随着生产技术要求向着高精密零件和高生产率的发展，对高速、高精度机床的需求依然在不断增长。机床精度的重要指标就是误差，因此为了提高加工中心的精度，减小其误差是一项重要的工作。而数控机床中误差的所占比重不同，查阅文献可以看出其中热误差在总误差中所占比重为35％，甚至在超精密的加工中40％
‑
70％的加工误差是由热误差引起的，而在数控机床中进给系统的热误差最为明显，因此对机床的进给系统做热特性的分析，建立热误差模型来进行热误差的预测及补偿对提高机床精度具有重要意义。
[0003]现有的BP神经网络预测中存在的局部极小化、收敛速度慢、随机性比较大等现象,不足以用来预测热误差数值，所以需要提出一种新的算法来进行预测。

技术实现思路

[0004]专利技术目的：
[0005]本专利技术提出一种数控机床进给系统热误差预测方法，其目的在于提出一种可以使数控机床进给系统的热误差在给定条件下快速而准确预测出的方法，利用通过Tent混沌改进的松鼠搜索算法对神经网络结构的初始权值和阈值进行全局寻优,克服神经网络的自身特点,提高其预测的准确性。
[0006]技术方案：
[0007]1.一种数控机床进给系统热误差预测方法，包括如下步骤：
[0008]1)根据输入数据与输出数据确定神经网络的输入节点数、输出节点数和隐层节点数，从而确定BP神经网络的结构；
[0009]2)对输入数据与输出数据通过归一化模型进行归一化，并将归一化之后的输入数据和输出数据分别作为BP神经网络结构的输入P与输出T；
[0010]3)设置训练数据的个数和测试数据的个数；
[0011]4)根据参数数目模型确定BP神经网络结构中初始权值和阈值的数目，并将权值和阈值映射成松鼠位置；
[0012]5)设定松鼠规模和迭代次数，通过Tent混沌映射生成松鼠初始种群，形成松鼠种群位置矩阵X，将训练数据输入到BP神经网络模型中，计算初始权值与阈值下的神经网络预测值，将网络预测值与实测值之间的误差函数作为适应度函数F来计算松鼠位置的适应度值；
[0013]7)根据松鼠搜索方法中松鼠的觅食规则和适应度函数F计算松鼠位置的适应度值并按升序排列，最小适应度值的松鼠位置为山核桃树，其次小的三个适应度值的松鼠位置为橡树，其余适应度值的松鼠位置皆为普通树；
[0014]7)根据松鼠移动策略，更新松鼠的位置；
[0015]8)计算季节性常数，判断季节变化条件是否满足，如果普通树上的松鼠位置适应度值均小于核桃树上的松鼠位置，则满足季节变化条件，重新定义普通树上松鼠位置，继续迭代直到季节条件不满足；
[0016]9)满足迭代次数终止时，更新后的松鼠位置适应度值按升序排列，这时核桃树上的松鼠位置即为优化后的权值与阈值；
[0017]10)利用优化后的权值与阈值代入BP神经网络结构进行训练；根据训练结果最终预测出不同工况下进给系统的热误差。
[0018]进一步的，步骤1)中BP神经网络的框架为三层，依次为输入层、隐含层和输出层，输入层神经元数目为4，隐含层神经元数目为3，输出层神经元数目为1。进一步的，步骤2)中归一化的公式为：
[0019][0020]其中，公式中y为归一化后的数据，X
min
为样本数据最小值，X
max
为样本数据最大值。
[0021]进一步的，步骤4)中所需寻优参数数目的模型为：
[0022]j＝k(m+n+1)+n
[0023]其中，j为寻优参数数目数量，k为隐含层神经元数量，m为输入层神经元数量，n为输出层神经元数量。
[0024]进一步的，步骤5)中松鼠种群采用Tent混沌映射的初始位置变换模型为：
[0025][0026]其中，α＝0.4，X
i
代表随机生成的[0,1]内j维向量的初始个体。
[0027]进一步的，步骤5)中通过Tent映射产生初始松鼠种群，初始松鼠种群位置的矩阵X为：
[0028][0029]其中，i表示松鼠数量，j为待优化问题的维数。
[0030]进一步的，步骤5)中适应度函数F为：
[0031][0032]其中，f表示每只松鼠位置的适应度值。
[0033]进一步的，步骤7)中松鼠移动策略的三种情况：
[0034]①
第一种情况，橡树上的松鼠向山核桃树上移动，通过松鼠位置的第一更新模型得到松鼠的新位置，松鼠位置的第一更新模型为：
[0035][0036]式中d
g
为随机滑翔距离，R1是[0,1]范围内的随机数，X
at
代表松鼠在橡树上的位置，X
ht
代表松鼠在核桃树上的位置，t代表当前迭代，G
c
为滑动系数实现全局与局部搜索之间的平衡，G
c
＝1.9，P
dp
天敌的出现概率；
[0037]②
第二种情况，普通树上的松鼠向橡树上移动，通过松鼠位置的第二更新模型得到松鼠的新位置，松鼠位置的第二更新模型为：
[0038][0039]式中R2为[0,1]范围内的随机数，X
nt
代表松鼠在普通树上的位置；
[0040]③
第三种情况，普通树上的松鼠，已经吃了橡果，它们会向山核桃树移动以便储存山核桃来应对食物短缺，通过松鼠位置的第三更新模型得到松鼠的新位置，松鼠位置的第三更新模型为：
[0041][0042]式中R3为[0,1]范围内的随机数；
[0043]其中，
[0044]P
dp
＝(p1
‑
p2)
×
(1
‑
t/t
max
)^5+p2
[0045]其中p1、p2为捕食者概率的最大值和最小值，分别为0.15和0.02。
[0046]进一步的，步骤8)中季节变化条件的步骤流程为：
[0047]①
计算季节常量
[0048][0049]②
计算季节变化条件
[0050][0051]其中，t为当前迭代值，t
m
为最大迭代值，S
min
为季节性常数计算的最小值，S
min
的值影响算法的全局和局部搜索能力，较大利于全局搜索，较小利于局部走搜索；
[0052]③
如果季节条件满足，则重新定位普通树上松鼠的位置,普通树上松鼠的位置：
[0053][0054][0055]其中r
a
和r
b
是[0,1]区间上的两个正态分布随机数，β＝1.5，σ计算如下:
[0056][0057]其中，Γ(x)＝(x
‑...

【技术保护点】

【技术特征摘要】
1.一种数控机床进给系统热误差预测方法，其特征在于：包括如下步骤：1)根据输入数据与输出数据确定神经网络的输入节点数、输出节点数和隐层节点数，从而确定BP神经网络的结构；2)对输入数据与输出数据通过归一化模型进行归一化，并将归一化之后的输入数据和输出数据分别作为BP神经网络结构的输入P与输出T；3)设置训练数据的个数和测试数据的个数；4)根据参数数目模型确定BP神经网络结构中初始权值和阈值的数目，并将权值和阈值映射成松鼠位置；5)设定松鼠规模和迭代次数，通过Tent混沌映射生成松鼠初始种群，形成松鼠种群位置矩阵X，将训练数据输入到BP神经网络模型中，计算初始权值与阈值下的神经网络预测值，将网络预测值与实测值之间的误差函数作为适应度函数F来计算松鼠位置的适应度值；6)根据松鼠搜索方法中松鼠的觅食规则和适应度函数F计算松鼠位置的适应度值并按升序排列，最小适应度值的松鼠位置为山核桃树，其次小的三个适应度值的松鼠位置为橡树，其余适应度值的松鼠位置皆为普通树；7)根据松鼠移动策略，更新松鼠的位置；8)计算季节性常数，判断季节变化条件是否满足，如果普通树上的松鼠位置适应度值均小于核桃树上的松鼠位置，则满足季节变化条件，重新定义普通树上松鼠位置，继续迭代直到季节条件不满足；9)满足迭代次数终止时，更新后的松鼠位置适应度值按升序排列，这时核桃树上的松鼠位置即为优化后的权值与阈值；10)利用优化后的权值与阈值代入BP神经网络结构进行训练；根据训练结果最终预测出不同工况下进给系统的热误差。2.根据权利要求1所述的数控机床进给系统热误差预测方法，其特征在于：步骤1)中BP神经网络的框架为三层，依次为输入层、隐含层和输出层，输入层神经元数目为4，隐含层神经元数目为3，输出层神经元数目为1。3.根据权利要求1所述的数控机床进给系统热误差预测方法，其特征在于：步骤2)中归一化的公式为：其中，公式中y为归一化后的数据，X
min
为样本数据最小值，X
max
为样本数据最大值。4.根据权利要求1所述的数控机床进给系统热误差预测方法，其特征在于：步骤4)中所需寻优参数数目的模型为：j＝k(m+n+1)+n其中，j为寻优参数数目数量，k为隐含层神经元数量，m为输入层神经元数量，n为输出层神经元数量。5.根据权利要求1所述的数控机床进给系统热误差预测方法，其特征在于：步骤5)中松鼠种群采用Tent混沌映射的初始位置变换模型为：
其中，α＝0.4，X
i
代表随机生成的[0,1]内j维向量的初始个体。6.根据权利要求1所述的数控机床进给系统热误差预测方法，其特征在于：步骤5)中通过Tent映射产生初始松鼠种群，初始松鼠种群位置的矩阵X为：其中，i表示松...

【专利技术属性】
技术研发人员：杨赫然，李帅，孙兴伟，刘寅，董祉序，潘飞，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：