数控车床主轴热误差SHO–LSTM预测建模

摘要

在高精度加工过程中，数控机床主轴误差对加工精度的影响较为严重。数控机床热误差占总误差比例高达40%～70%，是主要的误差源之一。为了提高热误差预测的精度，本文提出一种使用海马优化算法（SHO）优化时序预测网络（LSTM）的精密车床主轴热误差预测建模方法。首先，利用羚羊优化算法（GOA）对模糊C均值聚类（FCM）的模糊矩阵常数、最大迭代次数、迭代终止条件进行优化并结合皮尔逊（Person）、斯皮尔曼（Spearman）和肯德尔（Kendall）相关分析方法优化温度测点，使用手肘法确定最优分组规模，根据DB(Davies–Bouldin)、BWP(Bregman Within–class Projection)和Silhouette(Silhouette coefficient)聚类评估指标评估温度测点聚类效果。其次，以车床主轴五点法获取的热误差数据和优化后的温度数据作为输入，使用海马优化算法（SHO）对时序预测网络（LSTM）的隐含层节点、全连接层节点、学习率、L2正则化常数进行优化，并使用S折交叉试验方法确定最优分组规模，建立主轴热误差SHO–LSTM预测模型。再次，在不同转速下对构建的热误差模型对基于平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）的预测效果进行评估。最后，在CKA6163A型车床上进行实例验证，使用五点法进行测量辨识，同时测量主轴附近的温度。结果表明：本文所提出的温度测点优化算法相比未优化的模糊C均值聚类（FCM）的DB指标降低了89.00%,BWP和Silhouette分别提高了59.00%和8.17%，优化后的聚类算法可有效降低温度测点间的共线性，提高预测模型的预测效率。本文所提出的海马优化算法（SHO）优化时序预测网络（LSTM）与未优化的时序预测网络（LSTM）相比，均方根误差降低了42%，表明海马优化算法（SHO）可以提高时序预测网络（LSTM）的准确性；与天鹰（AO）优化卷积神经网络（CNN）、反向传播神经网络（BP）相比，本文所提出的预测网络的均方根误差分别降低了3%、57%,SHO–LSTM主轴热误差预测模型的鲁棒性和准确性更高。

关键词

数控机床 / 主轴热误差 / GOA–FCM算法 / 热误差预测 / SHO–LSTM网络