基于加強樸素貝葉斯網絡的機床熱誤差補償方法
【技術領域】
[0001] 本發(fā)明設及一種機床熱誤差補償方法，具體設及一種基于加強樸素貝葉斯網絡的 機床熱誤差補償方法。
【背景技術】
[0002] 在影響零件加工精度的因素中，機床熱誤差是影響加工精度的主要原因之一，在 精密機床加工中由于溫度變化造成的加工誤差可W占到60% -70%，因此有效地檢測出機 床熱誤差并對其補償，將可W大幅提高加工精度。
[0003] 現(xiàn)有的數(shù)控機床熱誤差建模和補償研究，主要集中于建立機床關鍵部件的溫度與 機床整體熱誤差的映射模型，實現(xiàn)對機床的準靜態(tài)熱誤差進行補償?shù)哪康摹Ｈ欢?，現(xiàn)有模型 較少考慮不同工況（主軸轉速、進給速度、切削載荷、零件形狀等）對熱誤差的影響。最新 的研究表明采用不同的工況條件，即使在機床部件的溫度場分布相似的情況下，機床熱誤 差也產生明顯的變化。在工況時變性較強的實際加工應用中，上述模型的精度和魯椿性都 很難滿足高速高精的現(xiàn)實加工需求。

【發(fā)明內容】

[0004] 本發(fā)明要解決的技術問題是提供一種可有效提高機床加工精度的基于加強樸素 貝葉斯網絡的機床熱誤差補償方法。
[0005] 本發(fā)明解決其技術問題所采用的技術方案是；基于加強樸素貝葉斯網絡的機床熱 誤差補償方法，包括下列步驟：
[0006] 步驟一，在機床上的熱關鍵點附近布置多個傳感器；
[0007] 步驟二，通過傳感器采集多組不同工況下的溫度信號，并抽取其中四分之一W上 的溫度信號作為模型的訓練信號，將剩余溫度信號作為檢驗信號；
[000引步驟S，構造樸素貝葉斯網絡分類模型，并根據(jù)訓練信號中的數(shù)據(jù)進行網絡學習； 構造樸素貝葉斯網絡分類模型的步驟為：
[0009] (1)、選取網絡節(jié)點，確定變量集；選擇熱關鍵點和工況類別作為貝葉斯網絡節(jié)點， 貝葉斯網絡節(jié)點的取值對應變量集G=找1，X2,…，X"，C}，其中，Xi是第i處熱關鍵點的溫 度信號值，i= (1，2,…，n)，n為熱關鍵點總數(shù)；(X。X,，…，X。）表示集合G中一組溫度信號 的實際值；C表示工況類別變量，Ck表示C的值，k= (1，2,…，m)，m為工況類別總數(shù)；
[0010] (2)、確定網絡結構，根據(jù)變量之間存在的因果關系勾畫出從因變量到果變量之間 的連接；
[0011] (3)、確定局部概率分布；類Ck的后驗概率可由W下公式計算得到：
[0012]
[001引公式（1)中，P(Ck|Xi，X2,…，X。）是類Ck的后驗概率；P(Ck)是類Ck的先驗概率；P(Xi, X2,…，xjck)是類Ck的似然度；P(x。X2,…，X。，Ck)是熱關鍵點節(jié)點和工況類別節(jié)點的 聯(lián)合概率；因為p (Ck I Xi，X,，…，X。）對各個工況類別都是常數(shù)，故有：
[0014] P(CkIX。X2,…，X。）P(X。X2,…，X。，Ck)公式（2)
[0015] 根據(jù)鏈規(guī)則得到熱關鍵點節(jié)點和工況類別節(jié)點的聯(lián)合概率為：
[0016]
公式（3)
[0017] 公式（3)中，31 (Xi)為節(jié)點Xi的父節(jié)點集合；
[001引步驟四，構造BAN的網絡結構；
[0019] (1)、樸素貝葉斯網絡分類模型根據(jù)后驗概率最大的準則進行分類，即將類Ck賦 值為max{p(Ck|xi,X2,…，X。)};兩個熱關鍵點節(jié)點間的互信息定義為；
[002引公式（4)和公式妨中，X郝Xj.表示第i處和第j處熱關鍵點的溫度信號值；p(Xi) 表示Xi的滴；P (Xi，yi)表示Xi，X斯聯(lián)合滴；
[0024] 似、判斷Xi，Xj廝代表的兩個節(jié)點是否條件獨立；設定闊值e，如果兩節(jié)點間的互 信息I化，Xj) <e，則Xi和XJ是邊緣獨立的姻果I(X。XjIC) <e，則X郝XJ是條件獨 立的；
[0025](3)、利用條件獨立性測試方法來確定BAN的網絡結構；
[0026] 步驟五，根據(jù)訓練信號和BAN的網絡結構通過概率統(tǒng)計的方法計算得出條件概率 表；
[0027] 步驟六，由條件概率表和檢驗信號完成分類；
[002引步驟走，通過上述分類可W將每組溫度送入到不同工況類別下建立的誤差模型， 從而得到機床熱誤差的預測值，并控制機床進行相應的補償調節(jié)。
[0029] 進一步的是，所述熱關鍵點包括左軸承、右軸承、螺母、電機、導軌W及工作臺與Y 方向摩擦連接處。
[0030] 進一步的是，步驟二中，每一工況類別下的溫度采集時，應該等到機床部件完全冷 卻后再進行采集。
[0031] 進一步的是，步驟二中，通過傳感器每間隔兩分鐘進行一次采集，每次采集50組 W上溫度信號，共采集200組W上溫度信號；在200組W上溫度信號中抽取50組W上作為 模型的訓練信號，將剩余溫度信號作為檢測信號。
[0032] 進一步的是，步驟四中，確定BAN的網絡結構的過程為：
[0033] ①、建立草圖；根據(jù)公式（4)計算出每個節(jié)點對間的互信息，在互信息大于e的 節(jié)點對間添加連接，畫出網絡結構草圖；
[0034] ②、添加或去掉連接邊；根據(jù)公式（5)計算出每個節(jié)點對間的條件互信息，并對每 個節(jié)點對進行條件獨立性分析，如果不滿足條件獨立則在節(jié)點對間增加連接邊，如果滿足 條件獨立則去掉節(jié)點對間的連接邊；
[0035] ⑨、最后，確定所有的連接邊的方向。
[0036] 本發(fā)明的有益效果是：
[0037] 1)、通過建立樸素貝葉斯網絡分類模型和BAN的網絡結構，實現(xiàn)了具體工況下的 機床熱誤差預測，使得誤差預測更具精確性，確保了機床熱誤差補償?shù)木?，有效地提高機 床加工精度。
[003引2)、基于BAN的分類模型，相較于傳統(tǒng)的樸素貝葉斯和樹形貝葉斯網絡分類模型 具有更好的健壯性和可靠性。
[0039] 3)、BAN網絡分類是一種機器學習方法，易于實現(xiàn)實時預測。
【附圖說明】
[0040] 圖1是本發(fā)明的工作流程圖；
[0041] 圖2是構造BAN的網絡結構的工作流程圖；
【具體實施方式】
[0042] 下面結合附圖對本發(fā)明作進一步說明。
[0043] 結合圖1所示，基于加強樸素貝葉斯網絡的機床熱誤差補償方法，包括下列步驟：
[0044] 步驟一，在機床上的熱關鍵點附近布置多個傳感器；通常在機床上設置多個溫度 傳感器和位置傳感器，布置在熱關鍵點附近的傳感器為溫度傳感器，傳感器的布置是本領 域技術人員所掌握的常規(guī)手段，溫度傳感器的布置位置一般W能夠準確測量熱關鍵點的溫 度為準；多個為兩個W上；熱關鍵點主要包括左軸承、右軸承、電機、導軌、工作臺與Y方向 摩擦連接處、機床床身、主軸前軸承、主軸后軸承、X軸螺母、Y軸螺母和Z軸螺母等等；熱 關鍵點可根據(jù)機床的類別進行具體選取，當應用到其他類別機床時，可W增加其他熱關鍵 占. '?、、 ?
[0045] 步驟二，通過傳感器采集多組不同工況下的溫度信號，并抽取其中四分之一W上 的溫度信號作為模型的訓練信號，將剩余溫度信號作為檢驗信號；其中，多組通常指50組 W上；工況類別主要包括主軸轉速、進給速度、切削載荷、零件形狀等；每一工況類別下的 溫度采集時，應該等到機床部件完全冷卻后再進行采集；通常，通過傳感器每間隔兩分鐘進 行一次采集，每次采集50組W上溫度信號，共采集200組W上溫度信號；在200組W上溫度 信號中抽取50組W上作為模型的訓練信號，將剩余溫度信號作為檢測信號；
[0046] 步驟S，構造樸素貝葉斯網絡分類模型，并根據(jù)訓練信號中的數(shù)據(jù)進行網絡學習； 構造樸素貝葉斯網絡分類模型的步驟為：
[0047] (1)、選取網絡節(jié)點，確定變量集；選擇熱關鍵點和工況類別作為貝葉斯網絡節(jié)點， 貝葉斯網絡節(jié)點的取值對應變量集G=