[发明专利]基于FS+WP__SVM的数控机床主轴热误差建模方法

说明书

本发明公开了一种基于FS+WP__SVM的数控机床主轴热误差建模方法。其包括数据预处理，人工鱼群算法初始化，人工鱼群算法前期寻优，人工鱼群算法优化阈值判断，狼群算法初始化，狼群算法后期寻优，狼群算法优化阈值判断及构建数控机床主轴热误差模型。本发明分别使用人工鱼群算法和狼群算法对支持向量机的核心参数进行前期和后期的优化，兼有鱼群算法全局优化能力强以及狼群算法局部收敛速度快的特点，使得在保证预测精度的前提下在执行效率上有很大的提升，在实际的数控机床主轴热误差建模工程应用中具有很高的实用价值。

技术领域

本发明属于数控机床领域，具体涉及一种通过鱼群结合狼群算法优化支持向量机参数，来确定数控机床主轴在加工过程中产生的热误差模型。

背景技术

数控机床在加工过程中具有行程大、负载重、加工周期长等特点，使得机床各部件在加工过程中产生严重的温升，由于机床热源分布不均，机床各部件的温升会有很大的差异，在这些不均匀温度作用下，机床会产生严重的热变形。机床的变形进而会影响到工件的加工精度。有研究表明，由机床温度升高产生的误差占机床总误差的40-70％。在机床设计阶段对机床的热特性进行充分的计算与研究是一个耗时耗力的过程，而且很难改变已有机床的热误差特性分布情况。因此，采用对机床热误差进行预测并补偿的方法来解决机床热误差问题是一种经济有效的手段。要想进行有效的补偿，补偿量精确预测是非常重要的前提。因此机床热误差模型的建立是机床热误差控制的重要技术基础。

现有的机床热误差建模方法主要有：多元线性回归、支持向量机(Support VectorMachine，简称SVM)、神经网络算法、遗传算法等各种新型智能算法。多元线性回归在算法实现上是最容易的，且运算量小，但精度难以保证，尤其是在对机床加工过程中所处的复杂的温度环境下，其精度是难以有利用价值的。神经网络等智能算法在对复杂的高维输入变量有很好的预测能力，但是需要大量的数据和时间来对模型进行训练，建模效率较低，编程复杂，很难应用于实时的在线补偿中去。而且就神经网络而言，其网络层数的确定方法都是有待商榷的问题。虽然遗传算法具有良好的全局搜索能力，可以快速地将解空间中的全体解搜索出，而且不会陷入局部最优解的快速下降陷阱。但是其缺点也是很明显的，首先遗传算法的编程实现比较复杂,其次算法参数的确定也存在很大的问题，如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验，最后算法对初始种群的选择有一定的依赖性。因此，很难直接将遗传算法应用到数控机床热变形的预测问题上。

人工鱼群算法(Fish Swarm Algorithm，简称FS)基于生态学原理，鱼存在的数目最多的地方就是本水域富含营养物质最多的地方，依据这一特点来模仿鱼群的觅食、聚群、追尾等行为。鱼群算法的特点在于对初值的要求不高，随机产生或设置为固定值均可，鲁棒性强。具备较好的全局寻优能力，能快速跳出局部最优点，对于一些精度要求不高的场合，可以用它快速的得到一个可行解。但是随着解的精度的提升，鱼群算法的收敛速度会变得很慢，从粗解到精解会花费大量的时间。数控机床热变形预测的一个重要意义在于在线补偿，因此直接将鱼群算法运用于重机热变形的预测是不能够满足实时性的要求的。

狼群算法(Wolf Packal Gorithm，简称WP)是基于狼群群体智能,模拟狼群捕食行为及其猎物分配方式,抽象出游走、召唤、围攻3种智能行为以及“胜者为王”的头狼产生规则和“强者生存”的狼群更新机制,提出的一种新的仿生智能算法。其中游走以及召唤行为属于局部寻优的过程，围攻行为属于全局寻优的过程，从算法的编程可以看出，算法在执行过程中极大的精力都着重于局部寻优，因此算法后期的局部寻优过程中收敛速度非常快，但是在前期的全局寻优时会出收敛不稳定以及收敛速度缓慢的现象，而且结果有很大的随机性，这种随机性的存在对于重机这种高精度机械是不允许的，因此不能将狼群算法直接运用于重机的热误差预测。

发明内容

本发明的发明目的是：为了解决现有的重型数控机床热误差建模方法存在的上述问题，本发明提出了一种基于FS+WP__SVM的数控机床主轴热误差建模方法。