数控车床主轴热误差SHO–LSTM预测建模

在高精度加工过程中,数控机床主轴误差对加工精度的影响较为严重。数控机床热误差占总误差比例高达40%～70%,是主要的误差源之一。为了提高热误差预测的精度,本文提出一种使用海马优化算法（SHO）优化时序预测网络（LSTM）的精密车床主轴热误差预测建模方法。首先,利用羚羊优化算法（GOA）对模糊C均值聚类（FCM）的模糊矩阵常数、最大迭代次数、迭代终止条件进行优化并结合皮尔逊（Person）、斯皮尔曼（Spearman）和肯德尔（Kendall）相关分析方法优化温度测点,使用手肘法确定最优分组规模,根据DB(Davies–Bouldin)、BWP(Bregman Within–class Projection)和Silhouette(Silhouette coefficient)聚类评估指标评估温度测点聚类效果。其次,以车床主轴五点法获取的热误差数据和优化后的温度数据作为输入,使用海马优化算法（SHO）对时序预测网络（LSTM）的隐含层节点、全连接层节点、学习率、L2正则化常数进行优化,并使用S折交叉试验方法确定最优分组规模,建立主轴热误差SHO–LSTM预测模型。再次,在不同转速下对构建...     

双转台五轴数控机床主轴热误差测量与建模

为了测量数控机床实际切削加工过程中主轴的热误差,并优化热误差模型的输出,提出利用热测试件测量机床主轴热误差的方法,并利用误差特性分离出热误差。针对机床热误差建模中温度测点优化选择的问题,提出基于K-means++算法和相关系数法相结合的方法选取温度敏感点,采用K-means++算法对所有温度测点进行聚类,相关系数法计算各个温度变量与主轴热误差之间的相关性,从而确定温度敏感点,结合分离出的热误差建立主轴热误差多元线性回归模型。在VMC-C50双转台五轴数控机床上对该方法进行试验验证,结果表明,温度测点的数量由8个减少为2个,模型的预测精度及鲁棒性得到有效提升。     

机床主轴热关键点选择与典型转速热误差预测

针对机床主轴热误差对准静态精度影响的关键问题,提出了一种基于改进鸡群优化（MCSO）算法及支持向量（SVM）的热误差预测模型。利用基于非监督学习的谱聚类与Spearman关联分析辨识主轴关键敏感温度测点,降低温度数据分布于数量的依赖,削弱温度变量间的多重共线性。引入Levy飞行策略至母鸡个体局部搜索过程,构建了非线性动态自适应惯性权重更新雏鸡策略,基于MCSO-SVM进行核函数、罚因子以及偏差量的全局优化,分别采用MCSO-SVM、BP-GA、GA-SVM和CSO-SVM热误差建模,同时对不同转速下的模型预测能力进行对比分析。热误差实验测量与预测结果表明：谱聚类与Spearman关联分析可有效降低温度变量共线性导致的耦合作用;MCSO-SVM可实现典型转速下主轴五项热误差的高精度预测,模型具备较好的泛化能力和鲁棒性。     

数控滚齿机工作台热-力变形分析及预测建模

为了减小滚齿机工作台变形对加工精度的影响,对工作台热、力变形进行了研究,提出一种基于子种群自适应思维进化算法优化反向传播（SAMEA-BP）神经网络的滚齿机工作台热-力变形预测方法。通过SAMEA对BP神经网络的初始值、权重和阈值等参量进行调整,有效提升了基于神经网络的热-力变形预测准确度。结合K均值聚类策略和灰色关联分析（GRA）对影响热误差的温度测点进行耦合性和关联度分析,将热误差输入变量从8个测点减少到3个;针对滚齿加工中切削力导致的工作台变形,利用机床主轴电流表征切削力,并作为预测模型的输入变量。试验结果表明：本文模型平均预测精度为95.1%,与其他模型进行的对比分析验证了本文SAMEA-BP模型的有效性和泛化性。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

数据驱动的粮食产能组合预测模型

针对长短期记忆网络(LSTM)在粮食产能预测上存在超参数众多、长时序列信息丢失以及难以区分主次特征的问题,提出一种数据驱动的粮食产能组合预测模型.在超参数部分,通过引入动态权重和拉普拉斯变异的秃鹰算法(WLBES)对LSTM进行超参数寻优,避免了手动调参的过程.在预测部分,利用岭回归(RR)对预测结果进行残差修正,弥补LSTM数据丢失的缺陷;同时加入注意力机制,以权重大小区分主次特征,提升粮食产能相关性较大特征的重要性.研究结果表明,WLBES-LSTM-RR组合模型与LSTM模型和WLBES-LSTM模型相比,均方根误差(RMSE)分别下降了75％、19％,相较于其他优化LSTM的组合模型,RMSE大幅下降,该组合模型在粮食产能预测上具有更高的预测精度.     

基于交叉验证网格寻优的GBDT-LSTM水产养殖溶解氧预测

为了进一步提高水产养殖溶解氧的预测精度,提出了基于交叉验证网格寻优的GBDT-LSTM溶解氧预测模型.通过梯度提升决策树(GBDT)选取对溶解氧影响度较高的特征因子;在Keras深度学习框架的基础上搭建长短时记忆神经网络(LSTM),使用交叉验证网格寻优算法对LSTM参数进行优化;将本模型运用到江苏省金坛市渔业基地一标准池塘进行溶解氧预测.试验表明:该模型的评价指标均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分误差(MAPE)分别为0.208,0.158,2.635,其评价指标均优于其他对比预测模型.表明该模型具有较好的预测能力和泛化能力,能够满足现代化水产养殖的实际需求.     

基于最小二乘支持向量机算法的测量数据时序异常检测方法

将最小二乘支持向量机方法引入火电厂DCS的测量数据时序异常检测领域,该方法很好地建立了火电厂DCS的测量数据时序预测模型,具有预测真实值能力强、全局优化及泛化性好等优点。将该方法应用于某600 MW超临界火电机组DCS测量数据中,经过训练后的LS-SVM模型对再热蒸汽温度数据的检验样本进行不良值检测与真实值预测,均方根误差和平均相对误差分别为0.067%和0.050%,均方根误差是BP网络模型、RBF网络模型的8.756%和8.272%,平均相对误差是BP网络模型、RBF网络模型的7.541%和7.236%。应用结果表明,最小二乘支持向量机方法优于多层BP与RBF神经网络法,能很好地满足异常检测与真实值预测要求。     

Levy-CPSO-GA算法在空调冷负荷预测模型LSTM中的应用

针对单一算法优化空调冷负荷模型参数存在的局限性及对预测精度的需求，本文提出了基于遗传算法(genetic algorithm, GA)进化、莱维飞行(Levy)及粒子群(particle swarm optimization, PSO)优化算法的协同并行混合算法Levy-CPSO-GA。将初始种群初始化为2个同规模种群，分别按照合作机制和竞争机制并行更新，种群1采用Levy飞行产生随机新巢方式自适应初始化PSO,同时引入迭代极值，记录粒子群的信息交换；种群2按照GA更新，种群间通过适应度交流，以最优适应度更新群体，将混合算法应用于优化长短期预测模型(long short-term memory, LSTM),并将结果与各预测算法进行比较。研究结果表明，优化后的预测模型，预测精度大幅提高，与ELM相比，RMSE降低了81.1%;与LSTM模型相比，误差显著降低，RMSE降低了26.4%,在第105个预测点处，该预测模型的绝对误差为-0.682 9,相比于ELM的绝对误差值-7.313 5,其精度提高了90.66%,预测性能优于其他算法。该研究对准确预测冷负荷具有重要意义。     

基于时序分解与误差修正的新能源爬坡事件预测

为了提高以风电、光伏为代表的新能源的爬坡预测的准确性,提出基于主成分分析、时序分解与修正长短期记忆（LSTM）网络预测误差的爬坡预测模型. 为了充分考虑功率的时序特性,采用时序分解方法将功率分解为周期、趋势和余项,结合多个特征因素的主成分建立基于LSTM的趋势和余项预测模型,实现功率的时间特征与影响因素主成分的映射关系刻画. 在采用LSTM对趋势和余项进行初步预测的基础上,引入误差修正算法计算拟合预测模型的动态误差并构建新的非平稳时间序列,获得准度性更佳的趋势和余项预测值. 通过加法模型融合趋势、余项以及利用朴素法获得的周期,得到最终预测功率. 结合风电和光伏爬坡事件定义,运用所提模型分别进行风电和光伏爬坡预测. 实验结果表明,与其他预测方法相比,所提模型在功率直接预测和爬坡事件间接预测上均具有更优的精度,能够为电网调度提供更可靠的依据.     

基于粗糙集与偏相关分析的机床热误差温度测点约简

为了合理减少温度测点数量并有效提高温度数据采集与分析的效率,提出了一种基于粗糙集与偏相关分析相结合的温度测点约简方法。首先,利用偏相关分析的方法建立了温度变量与主轴热误差之间的偏相关系数,并以此为依据辨识了主要的敏感温度变量。然后,在基于粗糙集理论获取的可行温度测点组合基础上,筛选出包含敏感温度变量最多及偏相关度高的温度测点组合。最后,建立了热误差线性回归模型,并在某型号数控机床上进行验证与分析。结果表明：温度传感器测点可由22个减少到6个,在很大程度上提高了热误差模型的精确性和鲁棒性。     

考虑工件热变形的大型结构件误差建模与补偿

为减少大型结构件的加工误差,基于热特性分析建立了考虑工件热变形的综合误差模型及其补偿方法.分析光栅尺温度变化产生热变形的机理,并通过热流研究光栅尺局部的非线性温度变化规律,对龙门加工中心几何误差和热误差分别建模,并叠加生成复合误差模型.建立工件热变形与温度变化量之间的线性模型,并分析加工过程中复合误差与工件热变形之间的相互关系,建立考虑工件热变形的综合误差模型.利用数控系统外部机械原点偏移功能,应用自主研制的误差实时补偿系统,并依据考虑工件热变形的综合误差模型,实现对龙门加工中心的误差补偿.结果表明:只考虑机床误差时,复合误差模型有很高的预测精度,但并不能应用到有较大工件热变形的大型结构件加工中;而考虑工件热变形的综合误差模型在大型扭力臂的实际加工中效果良好,其加工定位精度至少提高了52%.     

基于新陈代谢原理的机床热误差伪滞后建模

为了建立预测精度高、泛化性能强的热误差预测模型,提出了一种基于新陈代谢原理的热误差伪滞后预测模型.通过实验研究发现了机床的伪滞后现象,并假设热误差是前一时刻关键点的温升及热误差共同作用的结果,求解出了机床的热关键点及典型工况下的热误差平均滞后时间.并利用遗传算法优化了最小二乘支持向量机的结构参数,基于新陈代谢原理对热误差进行迭代求解,从而建立了机床的热误差伪滞后预测模型.通过对比不同预测模型的预测结果,证明了假设的正确性,并且考虑伪滞后效应的预测模型的预测精度更高、泛化性能更好,能将不同转速的热误差降低90%以上.     

基于Matlab-GUI数控机床热误差补偿的仿真系统

为了使数控机床加工精度得以提高,对数控机床热误差补偿系统进行研究。在建立基于BP神经网络数控机床热误差补偿模型的同时,运用Matlab-GUI工具设计了具有通用性交互式数控机床热误差补偿的仿真系统,该系统可使热误差补偿更具有实时性、在线高效性和补偿系统操作可视化。     

磨齿机电主轴热特性及热误差建模

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络（FNN）建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析（FEA）软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示：在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.     

精密数控机床多主轴系统热平衡试验

对现有的精密数控机床主轴系统进行常规工况实验和空运转实验,提出一种数控机床热平衡试验方法,通过该实验方法可以获得数控机床主轴系统的热敏感点、温度场数据和热位移场数据以及热平衡时间等热态特性,以校验理论仿真分析,并建立误差模型,从而实现对主轴系统热特性的快速校核与加工误差补偿.在具有3个独立磨头主轴系统的直线滚动导轨精密曲面成形数控磨床上,开展多主轴系统热平衡试验方法的具体案例研究,获得了其中两个理论上相同的立式磨头的主轴系统温升变化曲线、热变形变化曲线和热平衡时间等不同的热态特性,论证了多主轴热平衡实验对于消除多主轴机床差异性上的重要性,弥补了多轴系统热态特性分析在理论上分析的不足.通过将热平衡试验获得多主轴系统的热态特性结果用于指导热误差补偿工作,减小了机床热误差控制及补偿难度,提高了机床加工直线导轨曲面精度与工作效率.     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

数控车床几何和热误差综合实时补偿方法应用

对数控机床几何和热误差进行补偿是提高数控机床加工精度的有效方法.对数控机床的几何误差和热误差进行了分类并给出了建模方法.提出了一种基于外部坐标系偏移功能的误差实时补偿装置并叙述了其实现方法.在K360型数控车床进行了X轴定位误差和主轴径向热误差的补偿试验,证明了这种补偿方法在精度改进中的有效性.     

基于支持向量机的静压转台热误差补偿

在一般补偿器的硬件中无法运行MATLAB等第三方工具软件的代码,导致大多模型不能被应用于机床热误差的实际补偿.为了提高误差建模效率,降低对补偿系统硬件的要求,提出静压转台热误差实时补偿方法. 该补偿方法以支持向量机（SVM）为核心算法,分别使用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优化,在保证预测精度的前提下提升建模效率. 通过离线训练MATLAB筛选出支持向量导入到开发的补偿软件中,利用用于过程控制的对象连接与嵌入（OPC）方式对热误差实施实时在线补偿. 与传统多元线性回归建模方式对比,可以看出该模型在精度和效率上均较优.补偿实验的结果表明,转台的轴向误差由原来最大为40 μm降低为约10 μm,转台的加工精度提高了75%,验证了所提出补偿方法的有效性.