机床直线轴温度测点筛选与热误差预测方法

为揭示数控机床直线进给轴温度场信息与热误差之间的非线性映射关系,提高热误差预测模型效率和精度,提出了基于鹈鹕优化算法(POA)与随机森林(RF)的直线轴热误差预测方法。首先,采用Featts聚类算法将温度测点进行聚类分组,通过Spearman相关性分析计算温度与热误差之间的相关程度及热敏感点;其次,使用POA优化算法对RF模型参数进行寻优,确定RF网络的最佳决策树数量及叶子数等;最后,在三轴铣床加工中心上进行实验验证。结果表明,使用Featts聚类算法与Spearman相关分析方法提高了模型精度,有效避免温度测点间的多重共线性。与传统的BP神经网络及RF网络相比,POA-RF预测网络的均方根误差分别降低了46%和43%。