基于偏最小二乘的数控机床热误差稳健建模算法

建立预测模型对热误差进行预测和补偿是解决机床热误差问题的常用方法,该方法中模型的预测精度和稳健性易受环境温度影响而明显下降,对此本文提出了基于偏最小二乘法的热误差稳健建模算法。首先使用相关系数法筛选温度敏感点,并建立热误差偏最小二乘回归预测模型。进而基于全年环境温度下的多批次热误差实验数据,分析最佳的温度敏感点个数。最后建立热误差偏最小二乘回归模型,并与普通多元线性回归模型的预测效果比对分析。结果表明本文所提算法平均预测精度为5.7μm,模型稳健性为0.56μm,相较于普通多元线性回归算法,预测精度和稳健性分别提高13.8%和49.5%。说明本文所提的热误差稳健建模算法能够在环境温度变化较大时保持高预测精度和高稳健性。     

[误差建模及精度保证方法]一种五轴数控机床热误差建模方法

针对五轴数控机床多个发热源叠加导致的较为复杂的热误差测控难题,提出了一种五轴数控机床热误差建模方法,采用狮群优化算法优化最小二乘支持向量机（LSO-LSSVM）方法对热误差模型的重要参数进行求解,从而有效提高热误差预测模型的效率和精度。使用偏相关分析对大量温度传感器位置进行初步筛选,选取关联性较大的温度变量,根据选取的实测温度数据,分别采用多元线性回归、粒子群优化最小二乘支持向量机与LSO-LSSVM建模方法进行热误差建模,同时对各热误差模型的预测能力进行对比分析,结果表明：使用LSO-LSSVM建立的热误差预测模型的精度和鲁棒性都有很大的提高。对五轴数控机床主要部位实施热误差补偿测试,测试结果表明,采用LSO-LSSVM建模方法可使试件在X、Y、Z三个方向的误差分别减小35.3%、32.2%和43.9%。     

一种五轴数控机床热误差建模方法

针对五轴数控机床多个发热源叠加导致的较为复杂的热误差测控难题,提出了一种五轴数控机床热误差建模方法,采用狮群优化算法优化最小二乘支持向量机(LSO-LSSVM)方法对热误差模型的重要参数进行求解,从而有效提高热误差预测模型的效率和精度。使用偏相关分析对大量温度传感器位置进行初步筛选,选取关联性较大的温度变量,根据选取的实测温度数据,分别采用多元线性回归、粒子群优化最小二乘支持向量机与LSO-LSSVM建模方法进行热误差建模,同时对各热误差模型的预测能力进行对比分析,结果表明:使用LSO-LSSVM建立的热误差预测模型的精度和鲁棒性都有很大的提高。对五轴数控机床主要部位实施热误差补偿测试,测试结果表明,采用LSO-LSSVM建模方法可使试件在X、Y、Z三个方向的误差分别减小35.3%、32.2%和43.9%。     

数控机床热误差建模及补偿研究

数控机床的热误差是影响机床精度的关键因素,因此需要对其进行预测和补偿。首先通过多工况下的定位误差测量和进给轴测量点的温度监测,分析了进给轴温度场和热误差的分布变化特征;利用多元线性回归表征温度变化与进给轴膨胀率的定量关系从而完成热误差的预测建模,针对三轴数控立式铣床进行了热误差补偿。实验结果显示:基于修正的最小二乘法的热误差参考点预测模型更符合实际工况,与补偿前相比机床进给轴的精度提升了47.5%。     

基于LS-SVM的飞机重着陆超限事件预测

为提高飞机重着陆超限事件预测的准确性,提出了基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的建模预测方法.根据样本数据的均方根相对误差确定嵌入维数,对重着陆超限事件样本进行相空间重构,建立了基于LS-SVM飞机重着陆超限事件预测模型,并采用遗传算法优化选择LS-SVM参数.基于某航空公司的飞行品质监控重着陆超限事件月报数据,采用LS-SVM模型对重着陆超限事件进行了预测实验.实验结果表明,基于LS-SVM的飞机重着陆超限事件预测模型精度高、泛化能力强.     

基于LS-SVM的飞机重着陆超限事件预测

为提高飞机重着陆超限事件预测的准确性,提出了基于最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）的建模预测方法。根据样本数据的均方根相对误差确定嵌入维数,对重着陆超限事件样本进行相空间重构,建立了基于LS-SVM飞机重着陆超限事件预测模型,并采用遗传算法优化选择LS-SVM参数。基于某航空公司的飞行品质监控重着陆超限事件月报数据,采用LS-SVM模型对重着陆超限事件进行了预测实验。实验结果表明,基于LS-SVM的飞机重着陆超限事件预测模型精度高、泛化能力强。     

一种改进的偏最小二乘回归方法研究

烟气含氧量是评价电站锅炉经济运行的重要指标,对其精确、可靠地测量是优化燃烧系统的前提与保证。偏最小二乘回归法作为一种适用于含氧量预测的方法,可有效解决自变量多重相关性问题。文章对传统偏最小二乘回归进行简化,并提出基于正交投影修正的偏最小二乘回归算法,以此建立烟气含氧量预测模型,降低成分提取错误率。运用现场数据分析表明,改进后的算法建模有较高预测精度,采样过程更快。     

2Cr13不锈钢高速铣削表面粗糙度预测模型研究

针对汽轮机叶片常用钢2Cr13不锈钢在切削加工中表面质量存在的问题,对高速铣削条件下2Cr13不锈钢表面粗糙度预测模型进行了研究。将最小二乘支持向量机原理应用到高速铣削2Cr13不锈钢的表面粗糙度预测建模中。得出的模型能方便地预测铣削参数对表面粗糙度的影响,并能利用有限的试验数据得出整个工作范围内的表面粗糙度预测值。经试验验证,应用最小二乘支持向量机原理建立的粗糙度预测模型回归预测精度高。基于最小二乘支持向量机原理建模方法适合于表面粗糙度预测。     

基于实时反馈的机床热误差在线补偿模型

为建立一种能够适应机床不同工况且具有准确预测能力的热误差补偿模型,提出一种基于限定记忆递推最小二乘法辨识热误差模型参数的机床热误差预测建模方法。该方法随着机床工作状况的改变,根据实时反馈的温度和热误差数据,采用递推方法对模型参数进行即时修正,使热误差模型能够及时跟踪机床系统的热特性变化,实现以较高的预测精度对机床热误差进行补偿。通过数控车床主轴轴向热误差辨识建模及补偿实验可以看出,限定记忆递推最小二乘法比一步最小二乘法辨识精度有较大提高,最大残差值减小了52.3%,标准差减小了67%。实验结果表明,利用该方法进行机床热误差模型参数辨识具有较高的预测精度和鲁棒性,有效可行。       

基于改进LSSVM算法的数控机床热误差建模研究

为了提高数控机床热误差的预测精度,提出了基于改进最小二乘支持向量机和预测误差校正相结合的方法。首先引入提升小波分解原始数据克服数控机床误差的耦合性;然后采用最小二乘支持向量机对分解后的信号做预测,接着用误差校正方式修正预测结果;最后通过实验数据对比分析得到,基于提升小波的最小二乘支持向量机(LWT-LSSVM)法比最小二乘支持向量机(LSSVM)法的建模预测精度高8.51%,证明此建模方法有效可行。     

锅炉给水泵轴承温度变化状态预测

为了预测锅炉给水泵轴承温度的变化情况,提高给水泵运行的安全性和经济性,采用了统计学习理论中的核心算法--支持向量机,建立了给水泵温度预测模型(SVAR).并通过一个实例,与基于灰色方法建立的预测模型(GM)和基于自回归方法建立的预测模型(AR)进行了比较.结果表明:基于支持向量自回归的给水泵轴承温度预测模型具有精度高、速度快、易于建模的特点.应用该方法建立的预测模型能够很好地预测给水泵运行中的温度状况,有效地避免给水泵运行中出现的故障.     

基于小波变阈值去噪递推偏最小二乘的加工质量预测方法

为准确预测在噪声干扰下的加工质量,基于小波去噪和递推偏最小二乘方法,提出了小波变阈值去噪递推偏最小二乘方法.该方法针对小波硬软阈值去噪的不足,利用小波多尺度去噪,建立了变阈值计算公式,基于两小波域的维纳滤波,实现在偏最小二乘建模前对噪声的小波多尺度变阈值处理;同时,针对递推偏最小二乘算法中的"数据饱和"现象,基于滑动窗口的原理,通过引入折息因子控制遗忘程度,构建了多调节参数的递推偏最小二乘算法.通过该方法构建了加工质量预测模型,进行加工质量的预测,最后,结合具体实例分析,验证了该方法的有效性.     

基于灰色BP神经网络的高速列车轴箱轴承温度预测方法

结合灰色模型所需数据量少和BP神经网络非线性映射能力较强的特点,建立了一种基于灰色BP神经网络的高速列车轴箱轴承温度预测模型.首先,用粒子群算法优化的灰色模型对轴温进行预测,并计算出预测值与实测值的残差;然后,以轴温、列车速度、运行时间、环境温度为BP神经网络的输入对残差序列进行校正;最后,将灰色预测值与残差校正值求和...     

基于LSSVM的直线电机进给定位误差补偿研究

误差补偿是提高机械加工精度的有效途径,在分析测试数控直线电机进给定位精度的基础上,提出基于最小二乘支持向量机的直线电机进给定位精度误差回归建模和预测方法.最小二乘支持向量机具有完备的统计学习理论基础和学习功能,它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来误差.采用径向基核函数的最小二乘支持向量机对不同速度加速度下的定位误差进行了预测,并进行误差补偿.研究结果表明,采用LSSVM的方法可以较大地提高直线电机进给的定位精度.     

基于偏最小二乘回归的发动机排气分析仪线性化研究

汽车及非道路用发动机的主要排气污染物有N0x、THC、CO、PM及C02等,测量这些排气污染物的分析仪由于测量原理等原因本身线性并不理想,需要进行线性化校正.现广泛采用的高次方多项式逐步回归线性化方法的模型稳定性和预测性能不佳.利用偏最小二乘回归方法建立CO2和CO分析仪线性化有效预测模型,该模型物理意义明确,较普通最小二乘回归多项式模型和切比雪夫多项式模型的预测精度分别提高29.1%～35.1%和23.5%～39.3%.提出基于交叉舍一方法计算回归系数不确定度的通用计算方法;提出基于交叉舍一方法计算的方均根偏差作为判定模型预测精度的原则:提出用回归系数不确定度区间是否包括零轴作为判定模型参数是否显著有效的原则;这一套方法简单、实用、有效,不仅适用于偏最小二乘回归(Partialleast squares,PLS)模型,也适用于最小二乘法(Least squares,LS)等其他回归模型.该建模方法可用于发动机排气分析仪的线性化建模,提高捧气污染物的测量精度,尤其在分析仪线性度不高、特性比较复杂时更能有效地提高预测精度.     

基于声发射检测技术的转炉耳轴轴承故障诊断

以转炉耳轴轴承为研究对象,将声发射技术应用于转炉耳轴轴承的故障诊断中,提出了应用主成分分析(PCA)和最小二乘支持向量机(LS-SVM)相结合的故障诊断方法。首先,对声发射信号的特征量进行主成分分析,得到更能反映设备状态的综合特征参数,然后将新的特征参数输入到最小二乘支持向量机中进行状态识别。利用在实际生产过程中采集到的转炉耳轴轴承声发射数据进行方法验证。结果表明,新方法能够有效区分出转炉耳轴轴承的故障模式,识别的总体正确率可达97.8%。     

基于分段建模与自适应分段预测的热误差模型研究

为了提高热误差模型的预测精度和鲁棒性,对进给轴的热误差随温度变化曲线进行了分析,进而提出对热误差进行分段建模的必要性。在此基础上,针对最小二乘支持向量机高斯径向基核函数泛化能力较弱的缺陷,提出热误差自适应分段预测方法,对温度进行自适应分段处理,将温度控制在热误差模型的预测能力范围内。基于VMC850P立式加工中心进给轴进行试验,验证分段建模和自适应分段预测能够大幅提高热误差模型的预测精度和鲁棒性。     

基于LS-SVM的高速切削温度预测

提出一种基于最小二乘支持向量机(LS-SVM)的高速切削温度预测方法。为验证其可行性,首先,构建了基于LS-SVM的高速切削温度预测模型并选取影响切削温度变化的主要加工参数(切削速度、进给量、轴向切深和径向切宽)为模型输入;其次,采用Box-Beknhen实验设计方法在尽可能多地获取的切削温度变化数据的同时减少实验次数。然后,构建了基于MCV850加工中心的高速切削温度测量系统,验证了所建立模型的预测精度。结果表明:模型预测误差1%;以随机设定的两组不同于实验方案中的切削参数组合为测试数据,预测值偏离测量值百分比分别为0.83%和0.51%,表明所建立预测模型应用于主要加工参数情况下高速切削温度预测的可行性。     

神经网络理论在数控机床热误差建模中的应用

使用神经网络理论对建立数控机床热误差数学模型进行研究分析,并将其与传统的最小二乘线性建模所得热误差数学模型进行综合对比。通过应用实例分析比较表明:神经网络模型与传统的最小二乘线性模型相比具有更好的拟合性和预测能力,并对温度传感器布点的鲁棒性优于传统的最小二乘法建模。     

航空铝合金三维端铣表面粗糙度的LS-SVM控制研究

为提高加工工件的表面质量,需要有效控制加工工件表面粗糙度,因此有必要建立精度高、泛化能力强的表面粗糙度预测模型。首先基于具有位错动力学物理基础的Z-A材料本构模型,建立航空铝合金7050材料的三维端面铣削有限元仿真模型,并设计正交试验验证有限元模型的可靠性;其次建立最小二乘支持向量机(LS-SVM)预测模型,以仿真所提供的样本数据为输入,拟合铣削参数与表面粗糙度的复杂非线性关系,实现了表面粗糙度的预测,结果表明LS-SVM模型预测的相对误差不超过6%;最后基于LS-SVM表面粗糙度预测模型得出各铣削参数对表面粗糙度的影响,为生产实际提供指导。