基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

上海交通大学学报（自然版） ›› 2013, Vol. 47 ›› Issue (05): 750-753.

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

杨漪1，姚晓栋1，杨建国1，张余升2，袁峰2

(1.上海交通大学机械与动力工程学院，上海 200240； 2.上海航天设备制造总厂，上海 200240)

收稿日期:2012-07-16 出版日期:2013-05-28 发布日期:2013-05-28
基金资助:
国家科技重大专项项目（2011ZX04015031）资助

Thermo-Drifting Error Modeling of Spindle Based on Combination of Principal Component Analysis and BP Neural Network

YANG Yi1，YAO Xiaodong1，YANG Jianguo1,ZHANG Yusheng2，YUAN Feng2

(1. School of Mechanical Engineering, Shanghai Jiaotong University, Shanghai 200240, China; 2. Shanghai Aerospace Equipments Manufacturer, Shanghai 200240, China)

Received:2012-07-16 Online:2013-05-28 Published:2013-05-28

摘要/Abstract

摘要：

为提高数控机床热误差模型的预测精度，提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合，将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型，并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高，残差较小；由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.

关键词: 数控机床, 热误差, 主成分分析, 神经网络, 建模

Abstract:

In order to improve the prediction accuracy of thermal error model, a data processing method based on the combination of principal component analysis and BP neural network was presented. By using principal component analysis, the amount of temperature variables will be reduced. Then the principal components are employed to train the BP neural network in order to obtain the thermal error model. As the number of inputs is reduced, the train process can be faster and the iteration time can be reduced. In comparison with the network model which uses the critical point temperatures as the input, the

results show that BP neural network thermal error modeling method based on principal component analysis method has advantages of high fitting accuracy and smaller residual error. So this modeling method has both high efficiency and accuracy of compensation.

Key words: machine tools, thermal error, principal component analysis, neural network, modeling

中图分类号:

TH 161

杨漪1，姚晓栋1，杨建国1，张余升2，袁峰2. 基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模[J]. 上海交通大学学报（自然版）, 2013, 47(05): 750-753.

YANG Yi1，YAO Xiaodong1，YANG Jianguo1,ZHANG Yusheng2，YUAN Feng2. Thermo-Drifting Error Modeling of Spindle Based on Combination of Principal Component Analysis and BP Neural Network[J]. Journal of Shanghai Jiaotong University, 2013, 47(05): 750-753.

参考文献

［1］Ramesh R, Mannan M A, Poo A N. Error compensation in machine tools: A review. Part II: Thermal errors ［J］. International Journal of Machine Tools and Manufacture, 2000, 40 (9): 12571284.

［2］Hong Y, Jun N. Dynamic neural network modeling for nonlinear, nonstationary machine tool thermally induced error ［J］. International Journal of Machine Tools and Manufacture, 2005, 45 (45): 455465.

［3］Shen J H, Yang J G. Application of partial least squares neural network in thermal error modeling for CNC machine tool ［J］. Key Engineering Materials, 2009, 392 (30)：3034.

［4］Wu Hao, Zhang Hongtao, Guo Qianjian, et al. Thermal error optimization modeling and realtime compensation on a CNC turning center ［J］. Journal of Materials Processing Technology, 2008, 207 (13):172179.

［5］方健，李自品，彭辉，等. 基于主成分分析法的BP神经网络的应用［J］.变压器, 2011, 48 (1): 4751.

FANG Jian, LI Zipin, PENG Hui, et al. Application of BP neural network based on principal component analysis ［J］. Transformer, 2011, 48 (1): 4751.

［6］Mize Christopher D, Ziegert John C. Neural network thermal error compensation of a machining center ［J］. Journal of the International Societies for Precision Engineering and Nanotechnology, 2000, 24 (4): 338346.

［7］张毅，杨建国. 基于灰色神经网络的机床热误差建模［J］. 上海交通大学学报, 2011, 45 (11): 15811586.

ZHANG Yi，YANG Jianguo. Grey neural network modeling for machine tool thermal error ［J］. Journal of Shanghai Jiaotong University, 2011, 45 (11): 15811586.

［8］闫嘉钰，张宏韬，刘国良，等. 基于灰色综合关联度的数控机床温度测点分组优化［J］. 湖南大学学报:自然科学版，2008, 35 (4): 37 41.

YAN Jiayu，ZHANG Hongtao，LIU Guoliang, et al. Optimization of measuring points for machine tool thermal error modeling based on grouping of synthetic grey correlation method ［J］. Journal of Hunan University: Science, 2008, 35 (4): 3741.

编辑推荐 0

Metrics

阅读次数

全文

340

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	4	0	336

来源	本网站	其他网站

次数	22	318
比例	6%	94%

摘要

951

最新录用	在线预览	正式出版

55	0	896

来源	本网站	其他网站

次数	325	626
比例	34%	66%

[1]	曾国治, 魏子清, 岳宝, 丁云霄, 郑春元, 翟晓强. 基于CNN-RNN组合模型的办公建筑能耗预测[J]. 上海交通大学学报, 2022, 56(9): 1256-1261.
[2]	吴庶宸, 戚宗锋, 李建勋. 基于深度学习的智能全局灵敏度分析[J]. 上海交通大学学报, 2022, 56(7): 840-849.
[3]	全大英, 陈赟, 唐泽雨, 李世通, 汪晓锋, 金小萍. 基于双通道卷积神经网络的雷达信号识别[J]. 上海交通大学学报, 2022, 56(7): 877-885.
[4]	王箫剑, 洪君, 陈晶华, 李鸿光. 基于参数化建模和响应面优化的箱体减重研究[J]. 空天防御, 2022, 5(4): 60-66.
[5]	秦艺超, 黄礼敏, 王骁, 马学文, 段文洋, 郝伟. 基于人工神经网络的自航浮标测波方法可行性[J]. 上海交通大学学报, 2022, 56(4): 498-505.
[6]	赵勇, 苏丹. 基于4种长短时记忆神经网络组合模型的畸形波预报[J]. 上海交通大学学报, 2022, 56(4): 516-522.
[7]	胡金硕, 黄健哲. 共轴双旋翼动力学建模与验证[J]. 上海交通大学学报, 2022, 56(3): 395-402.
[8]	聂瑞, 王红茹. 基于神经网络观测器的无人机编队执行器故障诊断[J]. 空天防御, 2022, 5(2): 32-41.
[9]	丁明, 孟帅, 王书恒, 夏玺. 六自由度波浪补偿平台的神经网络自适应反馈线性化控制[J]. 上海交通大学学报, 2022, 56(2): 165-172.
[10]	刘秀丽, 徐小力. 基于特征金字塔卷积循环神经网络的故障诊断方法[J]. 上海交通大学学报, 2022, 56(2): 182-190.
[11]	王卓鑫, 赵海涛, 谢月涵, 任翰韬, 袁明清, 张博明, 陈吉安. 反向传播神经网络联合遗传算法对复合材料模量的预测[J]. 上海交通大学学报, 2022, 56(10): 1341-1348.
[12]	罗睿乔. 井下节流技术在南海东部高温气田的应用[J]. 海洋工程装备与技术, 2022, 9(1): 58-66.
[13]	郑德重, 杨媛媛, 黄浩哲, 谢哲, 李文涛. 基于距离置信度分数的多模态融合分类网络[J]. 上海交通大学学报, 2022, 56(1): 89-100.
[14]	陶海红, 闫莹菲. 一种基于GA-CNN的网络化雷达节点遴选算法[J]. 空天防御, 2022, 5(1): 1-5.
[15]	胡滨, 何强, 武亚涛, 孙清洋, 刘云申. 机载双基地雷达空时二维杂波建模与特性分析[J]. 空天防御, 2022, 5(1): 37-44.