混合蛙跳算法优化SVM的进给轴热误差预测研究

摘要

为了更精确地对精密数控机床进给系统热误差进行高性能预测以提高其准静态精度,提出了一种基于混合蛙跳算法优化支持向量机(SFLA–SVM)方法,对进给系统热误差模型的关键参数进行寻优.首先,采用谱系聚类法和相对熵提取对进给轴热误差作用较大的测点,实现关键敏感测点优化;其次,基于SFLA的SVM关键参数精准快速寻优,建立SFLA–SVM的热误差预测模型;最后,在精密三轴数控机床上进行预测模型性能对比验证,试验结果显示,相对遗传算法支持向量机(GA–SVM)和遗传算法及BP网络(GA–BP)方法,基于SFLA–SVM预测的热误差均方根误差分别减少58.53％和66.0％.