基于环境温度模型库分段式加权的数控机床热误差建模

针对环境温度变化较大时常用的热误差模型预测精度低的问题,提出了一种基于环境温度的模型库分段式加权的热误差建模方法,以UPM120型数控铣床为实验对象,通过跨季度的7批次数据,完成了环境温度15~35℃的分段式加权模型建模和预测精度分析。结果表明,环境温度变化在5℃以内时,多元线性回归模型的预测精度优于BP神经网络模型、分布滞后模型、灰色理论模型和支持向量机模型,可以将其作为分段式加权模型库中的基础模型。当环境温度变化较小时,基于多元线性回归的分段式加权模型预测精度为1.39μm;当环境温度变化较大时,其预测精度为1.51μm,均远高于单一环境温度样本的回归模型、多环境温度样本的回归模型和泛化能力强的支持向量机模型的预测精度。