数控机床热误差时间序列模型预测稳健性的提升

针对数控机床热误差建模应用的时间序列算法受严重多重共线性的影响存在预测稳健性不足的问题,提出一种提升时间序列预测稳健性的方法。该方法将时间序列算法与能够抑制多重共线性的建模算法相结合,从而既可通过在模型中加入温度滞后值来提供更全面的温度信息,又可对温度滞后值引入的更为严重的多重共线性进行处理。文中以时间序列算法中的分布滞后(DL)算法、共线性抑制算法中的主成分回归(PCR)算法为例,采用主成分分布滞后(PCDL)算法建立了机床热误差补偿模型,并将其与DL算法的预测精度和稳健性进行了比较。结果显示,PCDL算法因为抑制了多重共线性的影响,其模型预测精度和稳健性远优于DL模型,预测精度提升了约9μm。本文所述方法可为时间序列数据建模在不同领域内的应用提供参考。

数控机床热误差模型稳健性分析

本文探讨了不同的数控机床热误差补偿模型的稳健性,具体进行了采用支持向量机法、最小二乘算法以及时间序列分布滞后法建立的热误差补偿模型的分析。在不同的实验条件下对这三个预测模型进行预测精度分析,从而为热误差建模提供参考。本文结果显示,基于支持向量机的模型拟合精度最高,具有较强的稳健性和良好的预测效果,该算法可以用来进行数控机床热误差补偿建模分析。