王续林，顾群英，杨昌祥，杨建国

（上海交通大学机械与动力工程学院，上海 200240）

基于PSO聚类和ELM神经网络机床主轴热误差建模*

王续林，顾群英，杨昌祥，杨建国

（上海交通大学机械与动力工程学院，上海 200240）

为使得数控机床热误差实时补偿更有效，提出一种基于粒子群算法（Particle Swarm Optimization，PSO）的温度测点优选方法和基于极限学习机（extreme learningmachine，ELM）神经网络的机床热误差补偿模型。利用PSO优化K均值聚类方法，实现了机床上温度测点的优化筛选。利用ELM人工神经网络建立机床热误差补偿模型，通过合理选取隐层神经元数，从而实现更精确、更有效地对数控机床热误差进行实时补偿控制。通过与传统BP（Back Propagation）、RBF（Radial Basis Function）神经网络进行对比分析，该补偿模型具有计算简便、预测精度高、结构简单等优点，可有效应用于数控机床热误差实时补偿模型。

数控机床；PSO聚类分析；ELM神经网络；热误差建模

0 引言

机床工作时，在内外热源的作用下，主轴系统各个部分都会产生不同程度的温升后，主轴和机床其他部件的空间相对位置和尺寸都将与温升前不同，产生很大差异的温度分布，进而产生不同程度的热变形，主轴热变形引起的加工误差由此产生。大量研究表明：精密加工中机床热误差是机床最大的误差源，占机床总误差的40%～70%［1］。所以，必须采取有效的措施减小热误差。误差补偿是最常用的方法之一，其技术关键是尽可能准确地进行热误差建模，即建立机床热误差和温度之间的关系。

神经网络可以任意精度逼近非线性连续函数，使之在热误差建模领域应用十分广泛［2-4］。……