第五 误差元素建模技术.pptVIP

第五章 机床误差元素建模技术 5.1 仅与机床温度有关的热误差元素建模 5.1.1 最小二乘建模 5.1.2 神经网络建模 5.1.3 模糊理论建模 5.1.4 正交实验设计建模 5.1.5 综合最小二乘建模 5.1.6 递推最小二乘建模 5.2 仅与机床坐标有关的几何误差元素建模 5.3 与机床温度和坐标有关的误差元素建模 * * 5.1 仅与机床温度有关的热误差元素建模 热误差补偿技术从50年代开始提出，但是，时至今日，在国内外将这一技术运用于大批量台数机床上的例子还几乎没有。阻碍热误差技术的快速发展和应用的主要困难在于误差辨识即热误差建模上。热误差建模就是建立机床热误差和温度的关系，以便在实时补偿中用温度来预测热误差。 由于机床热误差在很大程度上取决于诸如加工条件、加工周期、冷却液的使用以及周围环境等等多种因素，而且机床热误差呈现非线性及交互作用，所以仅用理论分析来精确建立热误差数学模型是相当困难的。最为常用的热误差建模方法为实验建模法，即根据统计理论对热误差数据和机床温度值作相关分析用最小二乘原理进行拟合建模。近年来，神经网络理论、模糊系统理论等也已运用到热误差建模中。但用这些方法建立起来的热误差数学模型的鲁棒性显然不够，一般随着季节的变化难以长期正确地预报热误差。为了提高所得到模型（为使用方便，一般是线性数学模型）的鲁棒性（能长期有效地使用）和通用性（一个数学模型可在许多台类型相同的机床上有效地使用）也提出了许多新的方法，如综合最小二乘建模法、正交试验设计建模法、递推建模法，等等。 5.1.1 最小二乘建模 多项回归分析建立热误差和温度的关系。 ET = ao + S bi DTi+ S cij DTi DTj + … 其中，DTi 和 DTj 是温度变化。 设给定多元函数 的一组测量数据 和一组线性无关的函数系 ，求函数 （5-1） 对一组正权系数 ，使得目标函数 （5-2） 达到最小。 目标函数式（5-2）是关于参数 的多元函数，由多元函数取得极值的必要条件知，欲使S达到极小，须满足条件 （5-3） 则得正规方程组 其中 （5-4） （5-5） （5-6） 对于非线性最小二乘拟合，则有目标函数 （5-7） 最小二乘建模举例 设回归函数为： 其中?为误差项。如令对应于变数xi的测定值为yi，根据假定的函数求出的值与测量值之间的误差?i为 如要计算误差?I的平方和E2为最小值的a及b，则将E2分别对a及b微分并令其等于零即可。 其中n是测量值的个数。 最小二乘建模举例（续一） 设热误差?与机床温度T为线性关系，即： ? = a?T + b 则根据正规方程式和检测数据可得： 正规方程式 解正规方程式可得： 最终可得热误差模型为： ? = -7.246?T + 4.971 验证：i=7，? = -7.246 ? 0.34 + 4.971 = 2.5 ? 2.4 正确 最小二乘建模举例（续二） 若对于多测点温度的线性建模，可设回归方程为： 则根据“最小二乘法”原理有： 可求得正规方程式为： 解此方程可得a，b，c。 若进行位置x的多项式拟合，可分别以