论文部分内容阅读
为提高数控机床热误差模型的预测精度，提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法．使用主成分分析法对多个温度变量进行降维处理或重新组合，将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型，并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析．结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高，残差较小；由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少．