一种基于社会蜘蛛聚类的电主轴温度测点优化方法技术

本发明专利技术公开了一种基于社会蜘蛛聚类的电主轴温度测点优化方法。方法包括：安装温度传感器，启动电主轴在不同转速下运行，采集电主轴的温度数据，进行降噪处理获得降噪温度数据；将社会蜘蛛算法进行初始化，将降噪温度数据作为初始化样本空间，使用FCM聚类算法进行迭代优化，输出最优的蜘蛛位置及其隶属度矩阵；进行解码后获得若干降噪温度数据，剔除冗余的预设测点位置，剩余的预设测点位置作为最终的电主轴温度测点位置，实现电主轴温度测点的优化。本发明专利技术有效降低了电主轴温度测点数量上的冗余性，保证了其温度变量的准确性，提高了热误差预测模型的鲁棒性。了热误差预测模型的鲁棒性。了热误差预测模型的鲁棒性。

【技术实现步骤摘要】
一种基于社会蜘蛛聚类的电主轴温度测点优化方法


[0001]本专利技术涉及了一种温度测点优化方法，具体涉及一种基于社会蜘蛛聚类的电主轴温度测点优化方法。

技术介绍

[0002]在数控机床和其他精密加工机床中，热误差约占总误差的40％～70％。在实际应用中，高速电主轴作为机床的核心部件，其产生的热量引起的热误差是影响数控机床加工精度的主要因素。一般对电主轴系统进行数据采集需要设置较多的测温点才能全面描述主轴系统的发热情况，且每一个测温点都会带有一定的误差。这些数据点虽然可以全方面地概括电主轴系统各个部分的发热情况，但过多的测量数据会造成电主轴热误差模型输入数据的冗余性，降低模型计算速度的同时也会降低模型的拟合效果和准确度。所以，电主轴温度测点的优化是必须进行的工作。通过减少相关度高以及共线性明显的数据，获得最优质的一部分数据，达到提高热误差补偿效果的作用。
[0003]目前电主轴温度测点优化的方案中，如公开号为CN105022344A的中国专利文献公开了一种数控机床热误差补偿方法，即对数控机床主轴结构建立有限元仿真分析几何模型并作简化处理，根据主轴结构的工作状态及工作环境，加载合理的边界条件，将简化后的几何模型进行热力学和静力学的有限元仿真分析，在分析结果中取出一定数量点的温度以及热变形量，将这些数据用粒子群优化算法(Particle Swarm Optimization，PSO)进行筛选，最终选取最优的测点温度值作为数控机床热误差补偿参数并建立误差补偿模型，实现数控机床热误差补偿。公开号为CN114861879A的中国专利文献公开了一种基于天牛须算法优化Elman神经网络的电主轴热误差建模方法，其中利用K均值聚类算法(K
‑
means clustering algorithm)结合灰色关联度对温度测点进行优化，确定模型的输入和输出；初始化Elman神经网络模型参数和天牛须算法参数；利用天牛须算法优化Elman神经网络的各网络层的连接权值和阈值；利用优化得到的BAS
‑
Elman神经网络预测模型对高速电主轴热误差进行预测和验证。
[0004]然而，但若只采用PSO等群体优化算法对数据进行筛选选取最优测点，结果的准确性和鲁棒性会受到影响，同时由于粒子群中每个粒子具有独立性，在粒子迭代运动过程中会出现相互妨碍的情况，从而导致精度提升有限；而K
‑
means算法得到的聚类结果往往收敛于局部最优而得不到全局最优解，并且易受噪声影响，而模糊C均值聚类算法(Fuzzy C
‑
Means，FCM)由于增加了隶属度概念，相较于K
‑
means算法增加了鲁棒性，但其计算量较大，运行时间较长。
[0005]可见，目前电主轴温度测点的优化主要存在以下几点局限性：1)要得到较为精确的温度测点，数据应经过聚类处理，但单纯的K
‑
means聚类、FCM算法的计算量、收敛时间以及鲁棒性不理想；2)当前运用的群体智能优化算法自身具有局限性，会对数据的聚类以及精度造成影响。

技术实现思路

[0006]为了解决
技术介绍
中存在的问题，本专利技术所提供一种基于社会蜘蛛聚类算法的电主轴温度测点优化方法。
[0007]本专利技术采用的技术方案是：
[0008]本专利技术的基于社会蜘蛛聚类的电主轴温度测点优化方法包括如下步骤：
[0009]1)将若干温度传感器安装在电主轴的外壳的不同预设测点位置处，在空转状态下启动电主轴并驱动电主轴在不同转速下运行，在每个转速下通过各个温度传感器采集各自所在的电主轴的外壳处的温度数据，然后将每个温度传感器在电主轴不同转速下采集的温度数据进行降噪处理获得降噪温度数据。
[0010]2)将社会蜘蛛算法进行初始化，然后将各个降噪温度数据作为社会蜘蛛算法的初始化样本空间，并使用社会蜘蛛算法优化后的FCM聚类算法进行迭代优化，社会蜘蛛算法输出最优的蜘蛛位置及其隶属度矩阵。
[0011]3)将最优的蜘蛛位置及其隶属度矩阵进行解码后获得若干降噪温度数据，根据解码后的各个降噪温度数据及其温度传感器所在的预设测点位置，剔除其中共线性高于预设阈值的冗余的预设测点位置，将剩余的各个优化后的预设测点位置作为最终的电主轴温度测点位置，实现电主轴温度测点的优化，为以后针对电主轴温度的测量提供理论参考。
[0012]所述的步骤2)中，将社会蜘蛛算法进行初始化，具体为在社会蜘蛛算法的蛛网上随机生成预定数量|pop|的蜘蛛起始位置，采用基于聚类中心编码，每个蜘蛛的位置都由C个聚类中心组成，故蜘蛛的位置信息的维度为C
×
z，其中z代表初始化样本空间中的各个降噪温度数据的组数；针对每个蜘蛛s，蜘蛛s存在一个存储器，存储器中的信息包括其中，P
s
为蜘蛛的所在位置，f(P
s
)为蜘蛛在位置P
s
时的适应度，为蜘蛛s在上一次迭代时的目标振动，c
s
为蜘蛛s自上一次改变其目标振动之后的迭代次数，w为蜘蛛s上一次迭代时的移动方向，m为蜘蛛s上一次迭代中用于游走的掩码，前两类信息描述了蜘蛛s的个体情况，而其他所有信息都涉及引导到新的位置。
[0013]所述的蜘蛛的所在位置P
s
具体如下：
[0014][0015]其中，p
11
、p
12
…
p
1z
分别表示第1个聚类中心点的第1、2
…
z个分量；p
21
、p
22
…
p
2z
分别表示第2个聚类中心点的第1、2
…
z个分量；p
ij
表示第i个聚类中心点的第j个分量；p
C1
、p
C2
…
p
Cz
分别表示第C个聚类中心点的第1、2
…
z个分量。
[0016]所述的步骤2)中，初始化样本空间T具体如下：
[0017]T＝{T
i
，i＝1,2,...,n}
[0018]其中，T
i
表示第i个温度传感器采集的所有时刻在不同转速下的降噪温度数据，n表示温度传感器的数量。
[0019]所述的步骤2)中，使用FCM聚类算法进行迭代优化，社会蜘蛛算法输出最优的蜘蛛位置及其隶属度矩阵，具体为使用FCM聚类算法对社会蜘蛛算法中的每个蜘蛛的位置进行迭代更新，进而获得更新后的蜘蛛的隶属度矩阵U
′
和聚类适应度F(P
s
)，判断是否达到最大预设迭代次数或蜘蛛的最优适应度值条件等其他条件，若条件不满足，则重新进行步骤2)，若条件满足，则继续进行下述步骤，输出最优的蜘蛛位置及其隶属度矩阵。
[0020]社会蜘蛛算法输中的每个蜘蛛在各自的位置产生振动，通过比较预设目标振动与接收到的最强振动，更新蜘蛛的位置，并进行约束处理，同时计算更新后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于社会蜘蛛聚类的电主轴温度测点优化方法，其特征在于：方法包括如下步骤：1)将若干温度传感器安装在电主轴的外壳的不同预设测点位置处，在空转状态下启动电主轴并驱动电主轴在不同转速下运行，在每个转速下通过各个温度传感器采集各自所在的电主轴的外壳处的温度数据，然后将每个温度传感器在电主轴不同转速下采集的温度数据进行降噪处理获得降噪温度数据；2)将社会蜘蛛算法进行初始化，然后将各个降噪温度数据作为社会蜘蛛算法的初始化样本空间，并使用社会蜘蛛算法优化后的FCM聚类算法进行迭代优化，社会蜘蛛算法输出最优的蜘蛛位置及其隶属度矩阵；3)将最优的蜘蛛位置及其隶属度矩阵进行解码后获得若干降噪温度数据，根据解码后的各个降噪温度数据及其温度传感器所在的预设测点位置，剔除其中共线性高于预设阈值的冗余的预设测点位置，将剩余的各个优化后的预设测点位置作为最终的电主轴温度测点位置，实现电主轴温度测点的优化。2.根据权利要求1所述的一种基于社会蜘蛛聚类的电主轴温度测点优化方法，其特征在于：所述的步骤2)中，将社会蜘蛛算法进行初始化，具体为在社会蜘蛛算法的蛛网上随机生成预定数量|pop|的蜘蛛起始位置，采用基于聚类中心编码，每个蜘蛛的位置都由C个聚类中心组成，故蜘蛛的位置信息的维度为C
×
z，其中z代表初始化样本空间中的各个降噪温度数据的组数；针对每个蜘蛛s，蜘蛛s存在一个存储器，存储器中的信息包括其中，P
s
为蜘蛛的所在位置，f(P
s
)为蜘蛛在位置P
s
时的适应度，为蜘蛛s在上一次迭代时的目标振动，c
s
为蜘蛛s自上一次改变其目标振动之后的迭代次数，w为蜘蛛s上一次迭代时的移动方向，m为蜘蛛s上一次迭代中用于游走的掩码。3.根据权利要求2所述的一种基于社会蜘蛛聚类的电主轴温度测点优化方法，其特征在于：所述的蜘蛛的所在位置P
s
具体如下：其中，p
11
、p
12
…
p
1z
分别表示第1个聚类中心点的第1、2
…
z个分量；p
21
、p
22
…
p
2z
分别表示第2个聚类中心点的第1、2
…
z个分量；p
ij
表示第i个聚类中心点的第j个分量；p
C1
、p
C2
…
p
Cz

【专利技术属性】
技术研发人员：徐月同，陈冲，王郑拓，傅建中，仲柳洲，
申请(专利权)人：浙江大学，
类型：发明
国别省市：