广义径向基函数神经网络在热误差建模中的应用

摘要：

针对现有的热误差建模方法建模效率低,模型预测精度不理想等问题,提出了广义径向基函数神经网络(RBF)建模方法并将其应用于数控机床热误差建模中.讨论了采用广义RBF神经网络进行热误差建模的原理及步骤.以数控导轨磨床主轴箱系统为例,布置了12个主轴热误差的关键温度测点,测得了2组独立的主轴箱系统热误差数据.将测得的数据分别用于建立主轴箱系统热误差广义RBF神经网络预报模型和验证模型的准确性.研究结果表明,热误差广义RBF神经网络模型具有预测精度高及泛化能力强的优点;与传统的RBF神经网络建模方法相比,提出的广义RBF神经网络建模方法建模效率更高,模型鲁棒性及预测性能更好,是一种可以用于数控机床热误差实时补偿的有效建模方法.

关键词：广义径向基函数、神经网络、热误差建模、聚类算法、泛化能力、鲁棒性、数控导轨磨床

所属期刊栏目：23

分类号：TG596;TP183(金属切削加工及机床)

资助基金：国家自然科学基金资助项目51175161,51475152;国家科技重大专项资助项目2011ZX04003-011

在线出版日期：2015-07-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1705-1713