基于粗糙集和多目标优化的机床温度敏感点选择方法技术

本发明专利技术属于机床温度监测技术领域，尤其涉及基于粗糙集和多目标优化的机床温度敏感点选择方法，包括：S1、获取不同工况下各候选的温度测点的温度数据，以及机床的热误差数据；S2、建立粗糙集的决策表；S3、根据粗糙集理论计算决策属性对各条件属性的依赖度；S4、按照预设的方法引入信息熵，并结合S3的依赖度计算决策属性对各条件属性的信息依赖度；再根据信息依赖度计算各条件属性对决策属性的信息重要度；S5、基于S4得到的信息依赖度以及信息重要度建立多目标属性约简模型；S6、应用多目标优化算法求解最优温度测点组合。本方法可以能准确且稳定的选择合理的温度传感器部署位置，从而准确的监测机床温度场，提升热误差预测和补偿模型精度。

【技术实现步骤摘要】

本专利技术属于机床温度监测，尤其涉及基于粗糙集和多目标优化的机床温度敏感点选择方法。

技术介绍

1、建立温度数据驱动的机床热误差预测模型是实现热误差补偿经济有效的手段之一，而机床温度场的准确监测是提升热误差预测模型精确性和有效性的核心。由于机床温度场分布复杂，具有非线性、时变性及强耦合性等特点，常在机床上安装大量温度传感器以准确监测其动态特性，这不仅增加了经济成本和数据处理难度，测点间的多重共线性也导致模型性能降低。因此，剔除冗余温度测点，选择对热误差影响较为显著的有效测点，即温度敏感点(tsps)至关重要。

2、机床温度测点间的强耦合易导致热误差预测模型的自变量中存在多重共线性。多重共线性指多个自变量之间存在线性关系，其存在易降低回归模型的精度和稳定性。因此，选择共线性程度较低且对热误差影响较大的温度敏感点(tsps)能有效提升预测模型精确性和鲁棒性。常见的tsps选择方法包括统计分组、特征选择、自适应输入等。

3、统计分组，主要利用聚类算法降低变量间多重共线性。首先根据温度测点间耦合强弱将其分为不同类别，然后计算各温度测点对热误本文档来自技高网...

【技术保护点】

1.基于粗糙集和多目标优化的机床温度敏感点选择方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于粗糙集和多目标优化的机床温度敏感点选择方法，其特征在于：粗糙集中，决策表的形式化描述为DIS＝{U,A,V,f}；

3.如权利要求2所述的基于粗糙集和多目标优化的机床温度敏感点选择方法，其特征在于：S3中，决策属性DM对条件属性CT的依赖度的计算过程为：

4.如权利要求3所述的基于粗糙集和多目标优化的机床温度敏感点选择方法，其特征在于：S4中，定义U/I(CT)＝{L1,L2,…,Lx}为基于等价关系I(CT)划分的等价类的集合；

5....

【技术特征摘要】

1.基于粗糙集和多目标优化的机床温度敏感点选择方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于粗糙集和多目标优化的机床温度敏感点选择方法，其特征在于：粗糙集中，决策表的形式化描述为dis＝{u,a,v,f}；

3.如权利要求2所述的基于粗糙集和多目标优化的机床温度敏感点选择方法，其特征在于：s3中，决策属性dm对条件属性ct的依赖度的计算过程为：

4.如权利要求3所述的基于粗糙集和多目标优化的机床温度敏感点选择方法，其特征在于：s4中，定义u/i(ct)＝{l1,l2,…,lx}为基于等价关系i(ct)划分的等价类的集合；

5.如权利要求1所述的基于粗糙集和多目标优化的机床温度敏感点选择方法，其特征在于：s5中，建立的多目标属性约简模型的目标函数为：

6.如权利要求1所...

【专利技术属性】
技术研发人员：裴洁，鄢萍，周涵，吴达远，陈剑，易润忠，
申请(专利权)人：重庆大学，
类型：发明
国别省市：