一种北方苍鹰算法优化制造技术

一种北方苍鹰算法优化

【技术实现步骤摘要】
一种北方苍鹰算法优化KELM神经网络电主轴热误差建模方法


[0001]本专利技术属于高速电主轴热误差分析领域，具体涉及一种北方苍鹰算法优化
KELM
神经网络的电主轴热误差建模方法
。

技术介绍

[0002]电主轴热误差补偿技术的主要原理是利用智能算法建立预测主轴热位移的数学模型
。
通过计算得到的补偿值来调整轴系相对位置，从而减小热误差
。
实现热误差补偿需要依赖电主轴数据检测技术和电主轴温度测点优化技术
。
同时，热误差补偿结果的优劣与热误差建模技术的鲁棒性和精确度密切相关
。
因此，提高热误差建模的精度对于提升热误差补偿效果尤为重要
。
[0003]核极限学习机
(KELM)
神经网络在热误差建模方面有以下优点：适应不同数据类型
、
高效的模型训练
、
对特征选择不敏感
、
增强模型的鲁棒性
。
利用
KELM
算法建模能够应对不同类型
、
不同数据量级
、
以及非线性问题等，从而提高热误差建模的精度和鲁棒性
。
但是
KELM
神经网络也有计算复杂，参数选择不当可能导致模型过拟合或欠拟合等缺点
。

技术实现思路

[0004]本专利技术的目的是为了解决
KELM
神经网络在热误差建模方面存在计算复杂，参数选择不当可能导致模型过拟合或欠拟合等缺点，提供一种北方苍鹰算法优化
KELM
神经网络电主轴热误差建模方法
。
[0005]为实现上述目的，本专利技术采取的技术方案如下：
[0006]一种基于北方苍鹰算法优化
KELM
神经网络电主轴热误差建模方法，所述方法为：
[0007]步骤一：采集高速电主轴不同转速下的温度和热误差数据，并将采集的数据划分为模型的训练集和测试集；
[0008]步骤二：利用谱系聚类分析和灰色关联度分析对温度测点进行优化，构造模型的输入和输出；
[0009]步骤三：初始化
KELM
神经网络模型参数和
NGO(
北方苍鹰算法
)
算法参数；
[0010]步骤四：利用
NGO
算法通过迭代更新优化
KELM
神经网络的超参数选择，建立
NGO
‑
KELM
神经网络电主轴热误差预测模型；
[0011]步骤五：利用优化得到的
NGO
‑
KELM
神经网络预测模型对高速电主轴热误差进行预测和验证
。
[0012]进一步地，所述步骤一具体为：采集高速电主轴不同转速下的若干个温度测点的温度和热误差数据，并根据转速将采集的数据划分为训练集和测试集
(
将采集的
4000r/min
转速的数据划分为训练集，
2000r/min
和
10000r/min
转速的数据划分为测试集
)。
[0013]进一步地，所述步骤二具体为：
[0014](1)
利用谱系聚类分析，将若干个温度测点分成所需类数；
[0015](2)
利用灰色关联度分析，从各组中筛选出与热误差关联度最大的温度测点作为
温度敏感点；
[0016](3)
利用筛选的温度敏感点作为模型的输入，热误差作为输出
。
[0017]进一步地，所述步骤三具体为：确定
KELM
神经网络输入层
、
隐含层
、
承接层和输出层个数；确定北方苍鹰算法的迭代次数
(T)
和总体成员数量
(N)。
[0018]进一步地，步骤三中，
ELM
是一种单隐含层前馈神经网络，其学习目标函数
F(x)
用矩阵表示为：
F(x)
＝
H
×
β
＝
L
[0019]其中，
x
为输入向量，
H
为隐层节点输出，
β
为输出权重，
L
为期望输出；
[0020]将网络训练变为线性系统求解的问题，其中，
H
T
为
H
的广义逆矩阵，为增强神经网络的稳定性，引入正则化系数
c
和单位矩阵
I
，则输出权值的最小二乘解为
[0021][0022]引入核函数到
ELM
中，核矩阵为：
[0023]Ω
ELM
＝
HH
T
＝
K(x
i
,x
j
)
[0024]其中，
H
为隐层节点输出，
K
为核函数，
i
表示矩阵的行，
j
表示矩阵的列，
x
i
为试验输入的矩阵行向量，
x
j
为试验输入的矩阵列向量；
[0025]输入层和输出层个数根据输入输出参数确定，将核函数引入后则可将学习目标函数
F(x)
用矩阵表示为：
[0026][0027]其中，
(x1,x2,
…
,x
n
)
为给定训练样本，
n
为样本数量
。
[0028]进一步地，所述步骤四具体为：
[0029](1)
算法初始化过程，公式为：
[0030][0031]其中，
F(X)
为得到的目标函数值的向量，
F
i
为用所提解得到的目标函数值，
X
i
是第
i
个提议的解决方案，
N
是总体成员数；
[0032](2)
第一阶段，猎物识别
(
探索
)
，目的是确定最优区域，公式为：
[0033]p
i
＝
x
k
,i
＝
1,2,...,n,k
＝
1,2,i
‑
1,i+1,N
[0034][0035][0036]其中，
P
i
是第
i
只北方苍鹰捕食的位置，
i
为可以是1或2的随机数，
k
为区间
[1
，
N]内
的随机自然数，是第
i
个提议解的新状态，是它的第
j
维，
x
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于北方苍鹰算法优化
KELM
神经网络电主轴热误差建模方法，其特征在于：所述方法为：步骤一：采集高速电主轴不同转速下的温度和热误差数据，并将采集的数据划分为模型的训练集和测试集；步骤二：利用谱系聚类分析和灰色关联度分析对温度测点进行优化，构造模型的输入和输出；步骤三：初始化
KELM
神经网络模型参数和
NGO
算法参数；步骤四：利用
NGO
算法通过迭代更新优化
KELM
神经网络的超参数选择，建立
NGO
‑
KELM
神经网络电主轴热误差预测模型；步骤五：利用优化得到的
NGO
‑
KELM
神经网络预测模型对高速电主轴热误差进行预测和验证
。2.
根据权利要求1所述的一种基于北方苍鹰算法优化
KELM
神经网络电主轴热误差建模方法，其特征在于：所述步骤一具体为：采集高速电主轴不同转速下的若干个温度测点的温度和热误差数据，并根据转速将采集的数据划分为训练集和测试集
。3.
根据权利要求1所述的一种基于北方苍鹰算法优化
KELM
神经网络电主轴热误差建模方法，其特征在于：所述步骤二具体为：
(1)
利用谱系聚类分析，将若干个温度测点分成所需类数；
(2)
利用灰色关联度分析，从各组中筛选出与热误差关联度最大的温度测点作为温度敏感点；
(3)
利用筛选的温度敏感点作为模型的输入，热误差作为输出
。4.
根据权利要求1所述的一种基于北方苍鹰算法优化
KELM
神经网络电主轴热误差建模方法，其特征在于：所述步骤三具体为：确定
KELM
神经网络输入层
、
隐含层
、
承接层和输出层个数；确定北方苍鹰算法的迭代次数
(T)
和总体成员数量
(N)。5.
根据权利要求1或4所述的一种基于北方苍鹰算法优化
KELM
神经网络电主轴热误差建模方法，其特征在于：步骤三中，
ELM
的学习目标函数
F(x)
用矩阵表示为：
F(x)
＝
H
×
β
＝
L
其中，
x
为输入向量，
H
为隐层节点输出，
β
为输出权重，
L
为期望输出；将网络训练变为线性系统求解的问题，其中，
H
T
为
H
的广义逆矩阵，为增强神经网络的稳定性，引入正则化系数
c
和单位矩阵
I
，则输出权值的最小二乘解为引入核函数到
ELM
中，核矩阵为：
Ω
ELM
＝
HH
T
＝
K(x
i
,x
j
)
其中，
H
为隐层节点输出，
K
为核函数，
i
表示矩阵的行，
j
表示矩阵的列，
x
i
为试验输入的矩阵行向量，
x
j
为试验输入的矩阵列向量；输入层和输出层个数根据输入输出参数确定，将核函数引入后则可将学习目标函数
F(x)
用矩阵表示为：
其中，
(x1,x2,
…
,x
n
)
为给定训练样本，
n
为样本数量
。6.
根据权利要求1所述的一种基于北方苍鹰算法优化
KELM
神经网络电主轴热误差建模方法，其特征在于：所述步骤四具体为：
(1)
算法初始化过程，公式为：其中，
F(X)
为得到的目标函数值的向量，
F
i
为用所提解得到的目标函数值，
...

【专利技术属性】
技术研发人员：李兆龙，孙本超，祝文明，王庆海，荀梦，戴野，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：