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.

[1]	李诗杰, 刘泰序, 刘佳仑, 董智霖, 徐诚祺. 基于GRU-MPC的双全回转推进拖轮轨迹跟踪控制[J]. 上海交通大学学报, 2026, 60(3): 418-426.
[2]	梁佳铭, 余音, 胡祎乐. 基于时空神经网络的金属疲劳裂纹扩展预测[J]. 上海交通大学学报, 2026, 60(3): 511-521.
[3]	童振, 龚正, 王东泽, 王心怡, 谢子阳. 单孔腔镜手术机器人技术突破与启示:评徐凯团队术锐系统(特邀)[J]. 上海交通大学学报, 2026, 60(3): 355-363.
[4]	. DSNet：用于语音情感识别的带有中性校准的解耦孪生网络[J]. J Shanghai Jiaotong Univ Sci, 2026, 31(2): 248-257.
[5]	夏筱彦, 张宇, 胡锡坤, 钟平. 基于扩散模型的无人机遥感目标检测物理对抗攻击方法研究[J]. 空天防御, 2026, 9(1): 52-62.
[6]	罗志军, 王健瑞, 殷佳伟. 复杂战场环境下的任务驱动智能目标识别方法综述[J]. 空天防御, 2026, 9(1): 1-11.
[7]	. ListPose：轻量级隐式时空建模的视频姿态估计模型[J]. J Shanghai Jiaotong Univ Sci, 2026, 31(1): 143-153.
[8]	. 类间隙滞后非线性系统复合双通道干扰估计自适应控制器设计[J]. J Shanghai Jiaotong Univ Sci, 2026, 31(1): 106-116.
[9]	沈赋, 杨志文, 徐潇源, 张微, 王哲, 曹旸. 基于统计聚类的综合能源系统基础单元模型[J]. 上海交通大学学报, 2025, 59(9): 1348-1358.
[10]	杜雪明, 向洋, 刘顺, 金隼. 机匣组线加工装夹找正系统误差建模与精度优化方法[J]. 上海交通大学学报, 2025, 59(8): 1156-1168.
[11]	李湘, 陈思远, 张俊, 柯德平, 高杰迈, 杨欢欢. 基于物理信息嵌入的非固定长度电力系统暂态稳定快速评估[J]. 上海交通大学学报, 2025, 59(7): 962-970.
[12]	曾金灿, 何耿生, 李姚旺, 杜尔顺, 张宁, 朱浩骏. 基于卷积神经网络与轻量级梯度提升树组合模型的电力行业短期以电折碳方法[J]. 上海交通大学学报, 2025, 59(6): 746-757.
[13]	. 基于深度学习序列方法的多人姿态估计用来检测人体与关键点位置[J]. J Shanghai Jiaotong Univ Sci, 2025, 30(6): 1103-1113.
[14]	王健磊, 张知朴, 孔晓俊, 张顺家, 龚春林. 偏转弹头导弹关键技术研究综述[J]. 空天防御, 2025, 8(6): 1-15.
[15]	王晓倩, 周羽生, 毛源军, 李彬, 周文晴, 苏盛. 基于神经网络分位数的分布式光伏发电功率异常识别方法[J]. 上海交通大学学报, 2025, 59(6): 836-844.