專利名稱：一種新型數控機床的熱誤差最小二乘支持向量機建模方法
技術領域：
本發明涉及一種數控機床的熱誤差最小二乘支持向量機建模方法。
背景技術：
數控機床熱誤差控制是精密和超精密加工的基礎技術之一。機床熱誤差補償主要步驟為誤差源的檢測和分析、誤差運動綜合數學模型的建立、誤差元素的辨識、誤差補償的執行和誤差補償效果的評價。在熱誤差補償中，熱誤差模型的建立是關鍵步驟。實驗建模法是最為常用的熱誤差建模方法，即利用實驗測得的熱誤差數據和機床溫度值并用最小二乘原理進行擬合建模。然而，機床熱誤差在很大程度上取決于諸如加工條件、加工周期、冷卻液的使用以及周圍環境等多種因素，存在交互作用，從統計角度看，機床熱誤差隨溫度及運行時間的變化呈現非線性關系，其分布則是非正態的，不平穩的。因此采用擬合建模方法來精確建立熱誤差數學模型具有相當的局限性。近年來，特別是專家系統、神經網絡理論和模糊系統理論等也已運用到熱誤差建模中。常用的熱誤差模型有多變量回歸分析模型、神經網絡模型、綜合最小二乘建模法、 正交試驗設計建模法、遞推建模法等等。由于熱誤差通常具有時變，多因素，工況不確定性等特點，使得近年來發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機( LS-SVM)的機床熱誤差預測的分析建模方法，將LS-SVM方法應用于數控機床熱誤差預測的研究中。這種新方法可以克服傳統預測方法的缺點，具有很高的精度與泛化能力；依據該預測模型，數控機床實時補償變得更為有效。
發明內容
本發明的目的在于提供一種數控機床的熱誤差最小二乘支持向量機建模方法。本發明采用的技術方案包括下列步驟 (1)參數選擇
LS-SVM算法首先要選定一個核函數，并確定下述相關參數對于核函數，選擇RBF核 K(xi,xJ)=exp[-(xi-xJ)2 / (2σ2)]它只有一個待定參數盯，其值越大，收斂速度越快，但是由此得到的模型，在預測時會使所有的預測值趨向于取值范圍的平均值，此時的均方誤差不能反映真實的各點數據，對于采用RBF核的LS-SVM，主要參數是正則化參數γ和核函數寬度σ，這兩個參數決定了 LS-SVM的學習和泛化能力；選擇RBF核，問題可以簡化成尋找可調參數Y和σ的組合，使LS-SVM有預測性能，截取γ和ο各一小段區間，在這兩段區間構成的二維平面上，以準確率為準則，做完全搜索，則可以確定一個唯一的[σ，γ]組合，對應著最高準確率，雖然這個準確率不一定是在(-⑴，+⑴)上的最優解，但卻是一個滿意解；
①確定初始參數的取值范圍在取值范圍內選取參數值，構建參數對(Yi, Qi) 二維網格平面，其中i=l，2，…f，j=l，2，…g，例如兩個參數各選取20個數值，構成20X20網格平面和400個參數對；參數選取有兩種方法第1種是先確定兩個參數的取值范圍，再對參數進行均勻取值；第2種是根據訓練樣本的特征和經驗確定參數對值；
②輸入每個網格結點參數對(Y”σ J到LS-SVM中，采用學習樣本進行訓練，并輸出學習誤差，取最小誤差對應的節點值(Yi, ο ^aiin為最優參數對；
③若訓練的精度未達到所需要的要求，則以(Y”ο 為中心，構建新二維網絡平面，選取數值相近的參數值進一步訓練，從而獲得更高精度的訓練結果；以此類推，可以構造多層參數優化網格平面，不斷優化最小二乘支持向量機參數，直到達到需要的精度；
(2)基于最小二乘支持向量機的熱誤差模型，預測誤差值=LS-SVM回歸估計可表示為如下形式
權利要求
1. 一種新型數控機床的熱誤差最小二乘支持向量機建模方法，其特征在于，包括下列步驟(1)參數選擇LS-SVM算法首先要選定一個核函數，并確定下述相關參數對于核函數，選擇RBF核
全文摘要
發明公開了一種新型數控機床的熱誤差最小二乘支持向量機建模方法。包括下列步驟(1)核函數的選擇與參數的確定；(2)根據最小二乘支持向量機原理，建立機床熱誤差模型。本發明的補償系統結構簡單，應用可靠；所采用的最小二乘支持向量機建模方法提高了模型精度與泛化能力，克服了現有預測方法精度低，泛化能力低等部分缺點。
文檔編號G06F17/50GK102479261SQ20101055520
公開日2012年5月30日 申請日期2010年11月23日 優先權日2010年11月23日
發明者董海 申請人:大連創達技術交易市場有限公司