自适应环境温度变化的压力式温度仪表的研制

针对如今的市场对压力式温度仪表的精度和操作简洁性有了更高的要求,提出了一种毛细管补偿方法来解决环境温度变化对压力式温度仪表精度的影响。该补偿的原理是在测温系统中置入一个反向偏转机构,反向偏转机构连接一根新增的毛细管,当外部环境温度变化时引起毛细管中感温介质的压力变化,压力变化通过反向偏转机构带动指针的偏转来实现反向补偿。通过传动机构与弹簧管理论分析证明该补偿机构的有效性,并经实验对比了带补偿机构与无补偿机构测温仪表的测量误差,分析得出带补偿机构的温度仪表能使测温仪表的精度得到较大的提高。     

支持向量机在机床热误差建模补偿中的机理研究

针对数控机床热误差预测补偿功能,以Leaderway-V450数控机床为试验对象,通过跨季度的5批次数据,比对分析支持向量机(ε-SVR)和多元回归(MLR)两种建模方法的拟合和预测精度。研究得出,环境温度会对数控机床热误差预测模型产生干扰,模型拟合精度和预测精度在这种干扰下不具备等同性。线性ε-支持向量机在试验条件相近、环境温度接近的情况下鲁棒性较好,拟合精度、预测精度要高于多元回归算法,但当环境温度变化较大时,其预测精度较差。将跨季度环境温度条件下的数据进行综合建模,两种模型的预测精度均有所提高,但拟合精度优越的支持向量机算法建立的模型鲁棒性则低于传统的多元回归算法模型。     

支持向量机分类与回归联合建模方法及其在拉曼光谱分析中的应用

多元校正分析模型的精度不仅依赖于模型的结构和参数,还很大程度上取决于训练样本的分布。实际过程中,训练样本通常呈现不均匀分布,导致基于全体样本的回归模型预测性能不理想。本文针对该问题提出了支持向量机分类与回归联合建模方法:首先使用最小二乘支持向量机(LS-SVM)分类器构建分类决策树,然后对每一类样本分别建立最小二乘支持向量机回归模型;对未知样本进行定量分析时,首先经过分类决策树分类,再根据分类信息选择相应的回归模型进行计算。针对汽油辛烷值拉曼光谱分析问题,基于全体样本建模的LS-SVM回归模型的标准预测误差为0.54,而采用本文方法所得的模型预测误差为0.22,大幅度地提高了分析精度。     

基于LS-SVM的机床加工误差预测模型探讨

提出一种基于最小二乘支持向量机(LS-SVM)的机床加工误差回归模型和预测方法,给出了相应的步骤和算法.通过与BP神经网络和RBF神经网络预测方法比较,仿真结果表明,在较少的误差数据条件下,该模型能够有效的描述和预测加工误差的变化,且模型预测误差比神经网络模型小60%左右;应用该预测模型预测机床加工误差有更高的预测精度,对其实施补偿和控制,将有效提高机床的加工精度.     

基于最小二乘支持向量机的某控制系统故障预测研究

介绍支持向量机(SVM)的一种拓展算法——最小二乘支持向量机(LS-SVM),并将LS-SVM算法应用于某控制系统的预测。根据实测数据,建立了基于LS-SVM算法的某控制系统预测模型,同时与BP神经网络的预测模型进行分析比较。结果表明,LS-SVM算法在控制系统的预测中具有较好的可行性、有效性及较高的预测精度,更适合于解决该控制系统的数据建模。     

基于SVM的激光陀螺温度误差建模与补偿方法

激光陀螺误差决定了机载全成孔径雷达(SAR)运动补偿用位置姿态测量系统(POS)的测量精度.针对激光陀螺测量精度受环境温度影响严重的问题进行了研究,分析了激光陀螺的温度误差模型,结合支持向量机SVM的函数拟合功能,提出一种新的陀螺温度误差建模与补偿方法.与基于线性回归以及神经网络的补偿方法相比,该方法具有精度高、泛化能力强等优点.实验结果表明,激光陀螺的温度误差减小约75％,提高了激光陀螺对环境温度的适应能力.     

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OE-CM算法的机床主轴热误差建模与补偿分析

针对机床热误差建模过程中,误差信息不透明、数据特性不全面等不利因素,根据机床主轴热误差实验数据,分别采用GM(1,n) 模型和最小二乘支持向量机(LS-SVM)模型建立主轴热误差预测模型并进行线性叠加,然后采用预测有效度算法调整模型加权系数,建立了最优有效度复合预测模型（OE-CM）以获取最佳预测效果。在VXC-560型三轴数控机床上进行在线实验建模,实验结果表明：OE-CM具有预测精度高、鲁棒性好等特点,整体预测效果优于灰色GM(1,n)模型和LS-SVM模型,适合在复杂工况条件下对机床主轴热误差进行预测和补偿,为提高机床热误差补偿精度建立了理论模型。为了验证该预测模型的有效性,对所研究的机床主轴进行热误差在线补偿,机床主轴Z向最大误差从23.8μm减小到8μm,减幅达到66.4%,较好地提高了机床精度,具有一定的工程化推广前景。     

自动气象站数据采集器温度通道的环境温度补偿

针对自动气象站数据采集器温度通道容易受到环境温度影响限制测量精度的问题,对数据采集器进行了温度漂移检测实验并对实验数据进行了误差分析,提出了基于改进自适应遗传算法优化的最小二乘支持向量机(improved adaptive geneticalgorithm least squares support vector machine,IAGA-LSSVM)的温度补偿方法。改进的自适应遗传算法能够对最小二乘支持向量机拟合过程中的关键参数进行调整从而建立最优模型。与传统LS-SVM相比,IAGA-LSSVM对温度数据的建模均方根误差减小了0.007,有效提高了建模的精度。根据建立的最优函数模型对该数据采集器温度通道进行温度补偿结果表明,经该方法补偿后的数据采集器在任何温度环境下的温度测量误差均小于0.03℃,具有更高的测量精度和稳定性,有效提高了自动气象站的温度观测质量。同时,设计开发了温度补偿界面,为自动气象站观测数据校验和实际业务应用奠定了基础。     

混沌最小二乘支持向量机的短期风功率预测

结合混沌的相空间重构理论和最小二乘支持向量机(LS-SVM)的优点,提出了一种基于混沌LS-SVM风功率预测方法,利用误差评价函数形成反馈机制,通过误差反馈建立参数合理的风功率预测模型。通过对实际数据的仿真,结果表明,该文所提出的混沌LS-SVM预测模型有较好的非线性拟合能力,有较高的预测精度。     

基于LS-SVM与遗传算法的数控机床热误差辨识温度传感器优化策略

提出一种在数控机床热误差辨识建模过程中,利用最小二乘支持向量机结合遗传算法对温度传感器进行筛选与优化的新方法。对布置在一台数控车床上的温度传感器进行了优化,首先根据热模态理论,对传感器进行分组,利用最小二乘支持向量机方法构建数控机床热误差辨识模型,再根据遗传算法对其进行传感器优化布置。结果表明,遗传算法与最小二乘支持向量机方法的结合,不但很好地避免温度测点的相互影响,保证模型精度,而且节约了硬件成本,提高了辨识建模速度。     

Application of Least Squares-Support Vector Machine in system-level temperature compensation of ring laser gyroscope

The bias of Ring Laser Gyroscope (RLG) exhibits a non-ignorable characteristic of drift when its temperature changes, which is an important factor of reducing the navigation precision in inertial navigation systems. The limitations of least-squares fitting and neural network are pointed out and a new scheme of system-level temperature compensation of RLG bias based on Least Squares-Support Vector Machine (LS-SVM) is proposed. Temperature experiment of RLG bias is designed and carried out to validate the effectiveness of the proposed method. The traditional modeling method of least-squares fitting is also investigated to provide a comparison with the LS-SVM based method. Allan variance is used to analyze the error terms of RLG before and after compensation. The results show that: the bias instability of RLG output after it has been compensated by LS-SVM model is 1.32 × 10⁻³ °/h, which has decreased 8.57 × 10⁻³ °/h from that before compensation. It indicates that this method has reduced the influence of temperature variation on the RLG bias effectively and improved the gyro’s accuracy.     

Study of sample temperature compensation in the measurement of soil moisture content

Since the near-infrared (NIR) spectrum is susceptible to sample temperature fluctuations, we investigate the influence of sample temperature on the predictive power of calibration model for soil moisture content (MC) and propose the multi-source information fusion technology based on back propagation neural network (BPNN) to compensate for sample temperature effect. With the discrete wavelet transform (DWT) as the pre-processing method and the least squares support vector machine (LS-SVM) regression as the modeling method, a model at 20 °C to predict MC of the soil samples at other temperatures was established. The results show that except for 20 °C, the root mean square error of prediction (RMSEP) are large. We analyze the predicted results with the dual-factor analysis of variance without duplication and the result shows that the effect of sample temperature on the prediction model for soil MC is significant. A temperature compensation model was then established with combining of soil MC and sample temperature based on BPNN. The predicted results showed that the prediction precision of the model was improved significantly.     

贝叶斯证据框架下的LS-SVM多工况数控机床热误差建模

最小二乘支持向量机(LS-SVM)模型是表征数控机床热误差特性的有效工具,但该模型中的参数设置直接影响建模的精度。传统的基于交叉验证法或网格法的参数获取方法存在计算量大、精度低的缺点,且同一组模型常数往往不能准确表征机床多种工况条件下所产生的热误差。为解决这一问题,提出了一种基于贝叶斯证据框架理论的LS-SVM多工况参数优化方法。通过测量不同工况下数控机床温度值与主轴热变形量,采用贝叶斯证据框架的3个推断对LS-SVM模型进行训练并对参数进行辨识和优化,推导出了不同工况所对应的最优模型和参数。热误差建模实验验证了该参数优化方法的有效性,结果显示,经优化的模型具有泛化能力强、预测精度高、计算速度快的特点,能够较准确地描述多种典型工况条件下的实际热误差特性。     

放宽长度量精密测量环境温度条件的探讨

在长度精密测量中,测量环境温度因素引起的热变形误差,在仪器总误差中占很大比重,必须加以修正。在传统的方法中,一般是提出较为严格苛刻的测量环境温度控制条件来减轻或消除温度误差的影响。但这在很大程度上局限了仪器的使用范围,给用户很多不便。近几年国外很多精密测长仪器都将测量环境温度放宽到+15℃～+25℃、+15℃～+35℃甚至+10℃～+40℃。文中探讨温度误差修正的理论依据,提出一套在特定条件下可行的环境温度控制条件及温度误差修正方法。     

基于LS-SVM的铝电解槽电解温度软测量

针对铝电解槽温度高、腐蚀性强、温度难以直接测量的问题,在分析了铝电解生产工艺和电解温度影响因素的基础上。建立了基于最小二乘支持向量机（LS-SVM）的铝电解槽电解温度的软测量模型。并根据实测数据进行了仿真。仿真结果表明：基于最小二乘支持向量机方法建立的铝电解槽电解温度软测量模型具有精度高、泛化性能好等特点。是一种有效测量铝电解槽电解温度的方法。     

反射温度补偿法及其实验验证

为补偿环境辐射对红外测温的影响,根据红外辐射理论和红外热像仪的测温原理,提出了反射温度补偿法。介绍了该方法的原理,给出了该补偿方法的理论计算公式。相关实验显示,在被测物体周围存在高温物体的情况下,采用提出的反射温度补偿法可补偿高温物体的反射能量。红外反射镜的选取与被测物体的表面状况有关,若被测物体可视为朗伯体,则可选铝箔为红外反射镜;若被测物体为非朗伯体,则需选用与被测物体表面结构相似的材料为红外反射镜。经过反射温度补偿,能较为准确地得到朗伯体的表面温度,误差可控制在2%以内;该方法亦能够较大地提高对非朗伯体的测温精度,其误差不超过5%。这些结果表明该方法简单易行,精度较高,适用于大部分的红外热像仪。     

Spindle Thermal Error Optimization Modeling of a Five-axis Machine Tool

Aiming at the problem of low machining accuracy and uncontrollable thermal errors of NC machine tools, spindle thermal error measurement, modeling and compensation of a two turntable five-axis machine tool are researched. Measurement experiment of heat sources and thermal errors are carried out, and GRA(grey relational analysis) method is introduced into the selection of temperature variables used for thermal error modeling. In order to analyze the influence of different heat sources on spindle thermal errors, an ANN(artificial neural network) model is presented, and ABC(artificial bee colony) algorithm is introduced to train the link weights of ANN, a new ABCNN(Artificial bee colony-based neural network) modeling method is proposed and used in the prediction of spindle thermal errors. In order to test the prediction performance of ABC-NN model, an experiment system is developed, the prediction results of LSR(least squares regression), ANN and ABC-NN are compared with the measurement results of spindle thermal errors. Experiment results show that the prediction accuracy of ABC-NN model is higher than LSR and ANN, and the residual error is smaller than 3 lm, the new modeling method is feasible. The proposed research provides instruction to compensate thermal errors and improve machining accuracy of NC machine tools.