【技术实现步骤摘要】
本专利技术涉及机床热误差领域，尤其涉及聚类约束的遗传算法用于选择温度敏感点的方法。
技术介绍
1、温度场分布的不均匀是机床热误差的重要原因，在布置的传感器中，特定位置的温度值变化对机床热误差具有特别重要的影响，相应的测量位置就是热关键点或热敏感点，选择适当的温度敏感点是机床热误差建模的第一前提，通常在机床热源附近和附近布置足够的传感器，以精确获取有关机床温度场的信息，然而，太多的测量点变量可能会影响预测模型的泛化能力和模型的计算速度，温度变量太少可能无法充分表达机床温度场的信息。
2、聚类分析经常被用于温度敏感点的筛选，例如使用模糊聚类、灰色关联和逐步回归来优化温度测量点，采用模糊c均值(fcm)聚类和聚类有效性来获得最佳的分类准确性，利用k均值聚类和灰色模型(gm)进行温度敏感点的选择，结合模糊聚类和平均影响值选择典型的温度变量；总体而言，先前的研究大多通过聚类分析和相关性分析的结合来确定温度敏感点，聚类分析用于分组温度点，随后，在每个簇内选择与误差最高相关的温度点作为温度敏感点。
3、传统的温度敏感点筛选方法在不同工作条件下具有较差的模型鲁棒性和预测准确性，原因在于聚类和相关性的方法仅在聚类后选择每个类别中的局部最优解，这并不是测量点的最优组合。
技术实现思路
1、本专利技术的目的是提供聚类约束的遗传算法用于选择温度敏感点的方法，通过聚类生成约束，规定必须从每个聚类中选择一个点，为了确保遗传算法中新生成的特征子集满足约束条件，引入了新的种群初始化和交叉方
2、为了实现以上目的，本专利技术采用的技术方案为：聚类约束的遗传算法用于选择温度敏感点的方法，包括如下步骤：
3、步骤一、初始化约束遗传算法参数，用长度等于温度传感器个数的二进制数代表选择测点结果；
4、步骤二、对温度数据模糊聚类，用模糊c均值算法(fcm)对温度数据进行聚类，输出每个分类包含的传感器编号的列表；
5、步骤三、进入遗传算法流程，首先要随机生成m个随机解，并将其转换成对应的二进制数；
6、步骤四、评估每个解的好坏，
7、步骤五、按照对应评价指标对所有的解进行排序，并选出前三个最优解记作α、β、δ；
8、步骤六、对整个种群对应的解集合进行更新：将前一半较优的“精英个体”-即较好的解与这三个最优解等概率条件交叉；后一半较差个体用三个最优解之一和一个随机解进行交叉得到的新的解替换；
9、步骤七、重复步骤四-步骤六的，直至迭代完成，得到的最终选择的温度敏感点。
10、优选的，评估解的好坏具体为：用每个解选择的温度数据结合实际热误差数据进行建立热误差模型，使用5折交叉验证的方法计算模型在5个测试集上预测值和实际值之间的平均均方根误差rmseavg作为评价指标，k代表划分的不同测试集，mk代表每个测试集中点的个数，和分别代表在第k个测试集上第i点的真实值和模型的预测值；
11、
12、优选的，热误差模型采用多元线性回归模型mlr。
13、本专利技术的技术效果为：通过聚类生成约束，规定必须从每个聚类中选择一个点，为了确保遗传算法中新生成的特征子集满足约束条件，引入了新的种群初始化和交叉方法，然后，在构建mlr模型之后，使用基于在选定点获得的预测数据和实际热误差数据的交叉验证方法来评估特征子集，随后，为了平衡遗传算法的全局搜索和局部优化性能，提出了精英交叉和多样性交叉策略，此种温度敏感点选择方法更具优越性。
本文档来自技高网...【技术保护点】
1.聚类约束的遗传算法用于选择温度敏感点的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的聚类约束的遗传算法用于选择温度敏感点的方法，其特征在于，评估解的好坏具体为：用每个解选择的温度数据结合实际热误差数据进行建立热误差模型，使用5折交叉验证的方法计算模型在5个测试集上预测值和实际值之间的平均均方根误差RMSEavg作为评价指标，k代表划分的不同测试集，mk代表每个测试集中点的个数，和分别代表在第k个测试集上第i点的真实值和模型的预测值；
3.根据权利要求2所述的聚类约束的遗传算法用于选择温度敏感点的方法，其特征在于，热误差模型采用多元线性回归模型MLR。
【技术特征摘要】
1.聚类约束的遗传算法用于选择温度敏感点的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的聚类约束的遗传算法用于选择温度敏感点的方法，其特征在于，评估解的好坏具体为：用每个解选择的温度数据结合实际热误差数据进行建立热误差模型，使用5折交叉验证的方法计算模型在5个测试集上预测值...
【专利技术属性】
技术研发人员：汪普鑫，张丽娟，尹玲，林伟铖，周梦洁，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。