(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111344767.2 (22)申请日 2021.11.15 (71)申请人 西南交通大 学 地址 610031 四川省成 都市二环路北一段 (72)发明人 付国强　周琳丰　雷国强　郑悦　 朱思佩　鲁彩江　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 代理人 李梦蝶 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 17/16(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/08(2020.01) (54)发明名称 基于温度敏感点的机床主轴热误差快速辨 识方法 (57)摘要 本发明公开了基于温度敏感点的机床主轴 热误差快速辨识方法， 其包括计算偏相关系数； 基于K‑Mean++聚类算法和偏相关系数， 选 取初始 聚类中心， 得到聚类组合； 基于偏相关系数， 从聚 类组合中选取关键温度敏感点， 得到温度敏感点 组合； 将关键温度敏感点组合中的数据送入BP神 经网络进行训练选择； 基于最优温度敏感点组合 中的数据建立指数形式的机床温升模 型， 基于标 准卡尔曼滤波算法进行自适应调整； 计算得到延 时时刻； 基于延时时刻计算得到机床主轴各个最 优温度敏感点的辨识时间； 选择辨识时间中的最 大值统一作为各个最优温度敏感点温度预测的 辨识时间， 得到统一辨识时间。 本发明实现了机 床主轴的热误差快速辨识。 权利要求书3页 说明书7页 附图4页 CN 114004044 A 2022.02.01 CN 114004044 A 1.一种基于温度敏感点的机床主轴热误差快速辨识方法， 其特 征在于， 包括以下步骤： S1、 计算每个温度变量和每个热误差之间的简单相关系数， 并根据简单相关系数建立 相关系数矩阵； S2、 基于偏相关 分析理论， 计算相关系数矩阵的逆矩阵； S3、 基于相关系数矩阵的逆矩阵， 计算偏相关系数； S4、 基于K ‑Mean++聚类算法和偏相关系数， 选取初始聚类中心， 得到聚类组合； S5、 基于偏相关系数， 从聚类组合中选取关键温度敏感点， 得到温度敏感点组合； S6、 将关键温度敏感点组合中的数据送入BP神经网络进行训练选择， 得到最优温度敏 感点组合； S7、 基于热模态理论和机床热传导理论建立指数形式的机床温升模型， 并结合标准无 味卡尔曼 滤波算法， 得到温升状态方程； S8、 获取最优温度敏感点组合中各个最优温度敏感点初始时间段内的温度实际测量 值， 基于温升状态方程和标准无味卡尔曼滤波算法进行自适应调整， 得到调整后的最优温 度预测值； S9、 计算温度实际测量值和最优温度预测值之间的平均绝对百分比误差， 得到延时时 刻； S10、 基于延时时刻对温度实际测量值和温度预测值进行均方根误差计算， 分别得到各 个最优温度敏感点的辨识时间； S11、 选择各个最优温度敏感点的辨识时间中的最大值统一作为各个最优温度敏感点 温度预测的辨识时间， 得到统一 辨识时间； S12、 建立温度 ‑热误差关系模型， 基于统一辨识时间对应的最优温度预测值， 分别计算 得到机床主轴三个方向的热误差， 完成热误差辨识。 2.根据权利要求1所述的基于温度敏感点的机床主轴热误差快速辨识方法， 其特征在 于， 步骤S3中计算偏相关系数的具体方法为： 根据公式： 得到第i组温度和第j组热误差之间的偏相关系数cij； 其中λij为相关系数矩阵的逆矩阵 中第i行第j列参数， λii为相关系数矩阵的逆矩阵中第i行第i列参数， λjj为相关系数矩阵的 逆矩阵中第j行第j列参数。 3.根据权利要求1所述的基于温度敏感点的机床主轴温度 快速辨识方法， 其特征在于， 步骤S7中得到温升状态方程的具体方法为： 根据公式： yk＝Tk+vk权　利　要　求　书 1/3 页 2 CN 114004044 A 2得到温升状态方程； 其中温度状态向量xk， 温度预测值yk， T∞,k‑1为k‑1时刻的环境温度， Tk‑1为k‑1时刻的预测温度， εk‑1为k‑1时刻与系统物理性质和初始温度有关的系数， Δt为采 样时间， e为自然数对数， ωk‑1为k‑1时刻的系统噪声； Tk为k时刻的预测温度， vk为测量噪声。 4.根据权利要求1所述的基于温度敏感点的机床主轴热误差快速辨识方法， 其特征在 于， 步骤S 8的具体方法为： S8‑1、 获取各个最优温度敏感点初始时间段内的温度实际测量值和温度预测值， 并计 算温度实际测量 值和温度预测值之间的残差rt； S8‑2、 判断残差rt的绝对值是否小于等于正阈值， 若是则 不处理并进入步骤S9； 否则进 入步骤S8‑3； S8‑3、 判断残差rt是否大于正阈值， 若是进入步骤S 8‑4； 否则进入步骤S 8‑7； S8‑4、 获取温度先验估计值， 判断温度实际测量值是否比温度先验估计值小， 若是则进 入步骤S8‑5； 否则进入步骤S 8‑6； S8‑5、 将t时刻标准无味卡尔曼滤波算法Q协方差矩阵增大， 将t时刻温度状态向量增 大， 将t时刻标准无味卡尔曼滤波算法R协方差矩阵增大， 将t时刻温度预测值的协方差增 大， 将t时刻卡尔曼增益减小， 将t时刻温度状态向量的最优估计值增大， 得到最优温度预测 值， 进入步骤S9； S8‑6、 将t时刻标准无味卡尔曼滤波算法Q协方差矩阵减小， 将t时刻温度状态向量减 小， 将t时刻标准无味卡尔曼滤波算法R协方差矩阵减小， 将t时刻温度预测值的协方差减 小， 将t时刻卡尔曼增益增大， 将t时刻温度状态向量的最优估计值增大， 得到最优温度预测 值， 进入步骤S9； S8‑7、 获取温度先验估计值， 判断温度实际测量值是否比温度先验估计值小， 若是则进 入步骤S8‑8； 否则进入步骤S 8‑9； S8‑8、 将t时刻标准无味卡尔曼滤波算法Q协方差矩阵减小， 将t时刻温度状态向量减 小， 将t时刻标准无味卡尔曼滤波算法R协方差矩阵减小， 将t时刻温度预测值的协方差减 小， 将t时刻卡尔曼增益增大， 将t时刻温度状态向量的最优估计值减小， 得到最优温度预测 值， 进入步骤S9； S8‑9、 将t时刻标准无味卡尔曼滤波算法Q协方差矩阵增大， 将t时刻温度状态向量增 大， 将t时刻标准无味卡尔曼滤波算法R协方差矩阵增大， 将t时刻温度预测值的协方差增 大， 将t时刻卡尔曼增益减小， 将t时刻温度状态向量的最优估计值减小， 得到最优温度预测 值， 进入步骤S9。 5.根据权利要求4所述的基于温度敏感点的机床主轴温度 快速辨识方法， 其特征在于， 步骤S8中调整Q协方差矩阵和R协方差矩阵的具体方法为： 步骤S8中 Q协方差矩阵 调整 后的 结果为Qu p d a t e： 增大Q协方差矩阵 时 ， 减小Q协方差矩阵时， 其中k为虚部， Q 为调整前的Q协方差， 为调整前的Q协方差的共 轭； 步骤S8中R协方差矩阵调整后的结果 为Rupdate： Rupdate＝hjR 其中h为调整系数， j为调整次数， R为第一次调整前的温度实际测量值的协方差； 增大R权　利　要　求　书 2/3 页 3 CN 114004044 A 3