专利名称：一种新型数控机床的热误差最小二乘支持向量机建模方法
技术领域：
本发明涉及一种数控机床的热误差最小二乘支持向量机建模方法。
背景技术：
数控机床热误差控制是精密和超精密加工的基础技术之一。机床热误差补偿主要步骤为误差源的检测和分析、误差运动综合数学模型的建立、误差元素的辨识、误差补偿的执行和误差补偿效果的评价。在热误差补偿中，热误差模型的建立是关键步骤。实验建模法是最为常用的热误差建模方法，即利用实验测得的热误差数据和机床温度值并用最小二乘原理进行拟合建模。然而，机床热误差在很大程度上取决于诸如加工条件、加工周期、冷却液的使用以及周围环境等多种因素，存在交互作用，从统计角度看，机床热误差随温度及运行时间的变化呈现非线性关系，其分布则是非正态的，不平稳的。因此采用拟合建模方法来精确建立热误差数学模型具有相当的局限性。近年来，特别是专家系统、神经网络理论和模糊系统理论等也已运用到热误差建模中。常用的热误差模型有多变量回归分析模型、神经网络模型、综合最小二乘建模法、 正交试验设计建模法、递推建模法等等。由于热误差通常具有时变，多因素，工况不确定性等特点，使得近年来发展的建模方法存在一定的局限性，而基于最小二乘支持向量机( LS-SVM)的机床热误差预测的分析建模方法，将LS-SVM方法应用于数控机床热误差预测的研究中。这种新方法可以克服传统预测方法的缺点，具有很高的精度与泛化能力；依据该预测模型，数控机床实时补偿变得更为有效。
发明内容
本发明的目的在于提供一种数控机床的热误差最小二乘支持向量机建模方法。本发明采用的技术方案包括下列步骤 (1)参数选择
LS-SVM算法首先要选定一个核函数，并确定下述相关参数对于核函数，选择RBF核 K(xi,xJ)=exp[-(xi-xJ)2 / (2σ2)]它只有一个待定参数盯，其值越大，收敛速度越快，但是由此得到的模型，在预测时会使所有的预测值趋向于取值范围的平均值，此时的均方误差不能反映真实的各点数据，对于采用RBF核的LS-SVM，主要参数是正则化参数γ和核函数宽度σ，这两个参数决定了 LS-SVM的学习和泛化能力；选择RBF核，问题可以简化成寻找可调参数Y和σ的组合，使LS-SVM有预测性能，截取γ和ο各一小段区间，在这两段区间构成的二维平面上，以准确率为准则，做完全搜索，则可以确定一个唯一的[σ，γ]组合，对应着最高准确率，虽然这个准确率不一定是在(-⑴，+⑴)上的最优解，但却是一个满意解；
①确定初始参数的取值范围在取值范围内选取参数值，构建参数对(Yi, Qi) 二维网格平面，其中i=l，2，…f，j=l，2，…g，例如两个参数各选取20个数值，构成20X20网格平面和400个参数对；参数选取有两种方法第1种是先确定两个参数的取值范围，再对参数进行均勻取值；第2种是根据训练样本的特征和经验确定参数对值；
②输入每个网格结点参数对(Y”σ J到LS-SVM中，采用学习样本进行训练，并输出学习误差，取最小误差对应的节点值(Yi, ο ^aiin为最优参数对；
③若训练的精度未达到所需要的要求，则以(Y”ο 为中心，构建新二维网络平面，选取数值相近的参数值进一步训练，从而获得更高精度的训练结果；以此类推，可以构造多层参数优化网格平面，不断优化最小二乘支持向量机参数，直到达到需要的精度；
(2)基于最小二乘支持向量机的热误差模型，预测误差值=LS-SVM回归估计可表示为如下形式
权利要求
1. 一种新型数控机床的热误差最小二乘支持向量机建模方法，其特征在于，包括下列步骤(1)参数选择LS-SVM算法首先要选定一个核函数，并确定下述相关参数对于核函数，选择RBF核
全文摘要
发明公开了一种新型数控机床的热误差最小二乘支持向量机建模方法。包括下列步骤(1)核函数的选择与参数的确定；(2)根据最小二乘支持向量机原理，建立机床热误差模型。本发明的补偿系统结构简单，应用可靠；所采用的最小二乘支持向量机建模方法提高了模型精度与泛化能力，克服了现有预测方法精度低，泛化能力低等部分缺点。
文档编号G06F17/50GK102479261SQ20101055520
公开日2012年5月30日 申请日期2010年11月23日 优先权日2010年11月23日
发明者董海 申请人:大连创达技术交易市场有限公司