基于支持向量机的数控机床空间误差辨识与补偿

中国机械工程 ›› 2010, Vol. 21 ›› Issue (12): 1397-1400.

基于支持向量机的数控机床空间误差辨识与补偿

吴雄彪1;姚鑫骅2;何振亚2;傅建中2

1.金华职业技术学院,金华,321017

2.浙江大学,杭州,310027

出版日期:2010-06-25 发布日期:2010-07-01
基金资助:
国家科技重大专项(2009ZX04014-026)
National Science and Technology Major Project ( No. 2009ZX04014-026)

Identification and Compensation for Volumetric Errors of CNC Machine Tools Based on SVM

Wu Xiongbiao1;Yao Xinhua2;He Zhenya2;Fu Jianzhong2

1.Jinhua College of Profession and Technology,Jinhua,Zhejiang,321017

2.Zhejiang University,Hangzhou,310027

Online:2010-06-25 Published:2010-07-01
Supported by:
National Science and Technology Major Project ( No. 2009ZX04014-026)

摘要/Abstract

摘要：

为了精确地建立数控机床空间误差预测模型,提出基于支持向量机的空间误差辨识与补偿方法。通过训练学习,优化了最小二乘支持向量机参数,采用激光矢量分步对角线法在一台数控铣床上进行了空间误差辨识和补偿实验研究。结果表明：支持向量机预测模型能有效辨识数控机床的空间误差。与神经网络预测模型进行了比较,表明支持向量机空间误差预测模型补偿精度高、建模速度快,通过其补偿可有效提高数控机床的加工精度。

关键词:

数控机床, 空间误差, 支持向量机, 误差补偿

Abstract:

A novel method of identification and compensation volumetric errors for machine tools based on SVM was presented herein. Training and learning the error samples and optimizing the SVM parameters, the volumetric error models were obtained for compensation. By laser sequential step diagonal measurement, the volumetric errors were identified and compensated. The experimental results illustrate that the SVM model is adaptive to forecast volumetric errors of machine tools.

Comparing the neutral network model, the SVM model of volumetric error is more precise and quick. Using the SVM volumetric error model, it is succeeded to enhance the precision for CNC machine tools.

Key words: CNC machine tool, volumetric error, support vector machine(SVM), error compensation

中图分类号:

TG659

吴雄彪, 姚鑫骅, 何振亚, 傅建中.

基于支持向量机的数控机床空间误差辨识与补偿

[J]. 中国机械工程, 2010, 21(12): 1397-1400.

TUN Xiong-Biao, TAO Xin-Hua, HE Zhen-E, FU Jian-Zhong.

Identification and Compensation for Volumetric Errors of CNC Machine Tools Based on SVM

[J]. China Mechanical Engineering, 2010, 21(12): 1397-1400.

[1]	丁嘉鑫;王振亚;姚立纲;蔡永武. 广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断[J]. 中国机械工程, 2021, 32(02): 147-155.
[2]	刘元铭, 王振华, 王涛, 刘文礼, 熊晓燕. [成形质量的闭环与自适应控制技术]热轧带钢出口凸度数据驱动建模及智能化预测分析[J]. 中国机械工程, 2020, 31(22): 2728-2733.
[3]	胡腾1,3;王文款1;殷国富2;杨随先2. 基于螺旋理论的卧式加工中心空间误差建模方法及其量化验证[J]. 中国机械工程, 2020, 31(21): 2547-2556.
[4]	胡腾, 郭曦鹏, 米良, 殷国富. [误差建模及精度保证方法]卧式加工中心关键几何误差元素甄别方法[J]. 中国机械工程, 2020, 31(13): 1539-1547.
[5]	余杭卓1;秦圣峰1,2;丁国富1;江磊1;梁红琴1. 侧铣加工刀具回转轮廓误差预测技术研究[J]. 中国机械工程, 2020, 31(03): 306-313.
[6]	王福斌1;潘兴辰1;孙宇舸2;郭宝军3. 钢坯拉速模糊信息粒化及钢坯定重切割的极限学习机预报[J]. 中国机械工程, 2019, 30(24): 2968-2973.
[7]	宁静;冉伟;种传杰;陈春俊. 基于S变换的高速列车小幅蛇行识别方法[J]. 中国机械工程, 2019, 30(09): 1097-1102,1110.
[8]	何刘海;吴桂娇;王平. 基于支持向量机决策树的航空发动机轴心轨迹识别方法[J]. 中国机械工程, 2019, 30(08): 969-974.
[9]	王福斌1, 2;孙海洋1;TU Paul2. 边缘扩展的皮带撕裂支持向量机视觉检测[J]. 中国机械工程, 2019, 30(04): 455-460.
[10]	唐秋华1,2,3;成丽新1,2,3;张利平1,2,3. 扰动累积下基于机器学习的重调度方式选择[J]. 中国机械工程, 2019, 30(04): 472-479.
[11]	葛亮, 苗瑞, 葛秋原, 吴易洲. [质量优化]窄搭接焊缝涡流信号的特征提取与缺陷识别[J]. 中国机械工程, 2019, 30(02): 225-229.
[12]	张旭刚, 敖秀奕, 张华, 江志刚, . [机械装备再制造]考虑失效特征的废旧零部件再制造成本预测模型研究[J]. 中国机械工程, 2018, 29(21): 2594-2599.
[13]	石琴, 仇多洋, 吴冰, 李一鸣, 刘炳姣. [智能感知]基于粒子群优化支持向量机算法的行驶工况识别及应用[J]. 中国机械工程, 2018, 29(15): 1875-1883.
[14]	余剑武;胡其丰;文丞;柳波;沈湘. 基于支持向量机的电火花加工8418钢表面粗糙度预测模型[J]. 中国机械工程, 2018, 29(07): 771-774,793.
[15]	钱承;胡红生. 基于最小二乘支持向量机的压电作动器迟滞非线性建模及参数辨识[J]. 中国机械工程, 2018, 29(07): 835-841.