科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对机床主轴热误差对准静态精度影响的关键问题，提出了一种基于改进鸡群优化（MCSO）算法及支持向量（SVM）的热误差预测模型。利用基于非监督学习的谱聚类与Spearman关联分析辨识主轴关键敏感温度测点，降低温度数据分布于数量的依赖，削弱温度变量间的多重共线性。引入Levy飞行策略至母鸡个体局部搜索过程，构建了非线性动态自适应惯性权重更新雏鸡策略，基于MCSO-SVM进行核函数、罚因子以及偏差量的全局优化，分别采用MCSO-SVM、BP-GA、GA-SVM和CSO-SVM热误差建模，同时对不同转速下的模型预测能力进行对比分析。热误差实验测量与预测结果表明：谱聚类与Spearman关联分析可有效降低温度变量共线性导致的耦合作用；MCSO-SVM可实现典型转速下主轴五项热误差的高精度预测，模型具备较好的泛化能力和鲁棒性。
- 单位
