(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211302359.5 (22)申请日 2022.10.24 (71)申请人 浙江工业大 学 地址 310006 浙江省杭州市拱 墅区朝晖六 区潮王路18号 (72)发明人 陈昱珅　邓小雷　林晓亮　方诚至　 姜少飞　郑君荐　韩越　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 汤明 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/04(2012.01) G06K 9/62(2022.01) G06N 3/00(2006.01) (54)发明名称 基于多源异类信息融合的机床主轴Z向热变 形预测方法 (57)摘要 基于多源异类信息融合的机床主轴Z向热变 形预测方法， 属于数控机床主轴系统热变形预测 技术领域。 它包括以下步骤： 1、 采集多源异类信 息； 2、 对采集的多源异类信息进行预处理； 3、 对 预处理后的多源异类信息进行基于时域、 频谱、 时频域分析的特征提取； 4、 多源异类信息的特征 融合； 5、 对特征融合后的信息数据集进行划分， 选取训练集与测试集； 6、 建立热变形预测模型； 7： 将预测模型用于机床主轴Z向热变形的预测与 验证。 本发 明将多源信息融合技术应用于机床热 变形预测上， 能够实现复杂的数据分析过程； 通 过将机床各部位的振动信息与温度信息相融合， 能够提高模 型的可靠性与稳定性， 有效提升预测 精度。 权利要求书2页 说明书6页 附图3页 CN 115526424 A 2022.12.27 CN 115526424 A 1.基于多源异类信息融合的机床主轴Z向热变形预测方法， 其特征在于， 包括以下步 骤： 步骤一： 在机床上布置一组不同类型的传感器并通过动态信 息采集分析系统收集存储 机床多源异类信息； 步骤二： 采用信号去噪方法对步骤一中采集的多源异类信息进行 预处理； 步骤三： 对步骤二中经过预处理的多源异类信 息进行基于时域、 频谱、 时频域分析的特 征提取； 步骤四： 基于相关性分析的特征选择与基于KPCA的特征降维后实现多源异类信息的特 征融合； 步骤五： 对特 征融合后的信息数据集进行划分， 选取训练集与测试集； 步骤六： 通过选取的训练集建立基于P SO‑SVR的热变形 预测模型； 步骤七： 将训练得到的热变形 预测模型用于 机床主轴Z向热变形的预测与验证。 2.根据权利要求1所述的基于多源异类信 息融合的机床主轴 Z向热变形预测方法， 其特 征在于， 所述步骤一的具体过程如下： 利用一组不同类型传感器采集并通过计算机存储机 床固定转速工作状态下的多源异类信息， 多源异类信息包括温度、 振动及热变形信息； 将热 变形信息作为预测对象。 3.根据权利要求1所述的基于多源异类信 息融合的机床主轴 Z向热变形预测方法， 其特 征在于， 所述 步骤二的具体过程如下： 1)进行多源异类信号的时间配准， 并根据时间轴提取状态信息， 将系统运行的总时长 划分为p段机床状态， 每一状态下的多源异类信息集 合即为一个原始样本数据； 2)对每个样本数据中的温升与热变形信号采取算数平均滤波法； 3)对每个样本数据中的振动信号数据采用E MD分解和小 波阈值联合去噪方法。 4.根据权利要求1所述的基于多源异类信 息融合的机床主轴 Z向热变形预测方法， 其特 征在于， 所述步骤三的具体过程如下： 对于每个去 噪后的样本数据中的温度场数据与热变 形数据直接提取物理意义值， 即温度值与热变形量； 对振动信号提取对应的时域、 频域及时 频域特征。 5.根据权利要求1所述的基于多源异类信 息融合的机床主轴 Z向热变形预测方法， 其特 征在于， 所述 步骤四的具体过程如下： 1)将步骤三中得到的温度 特征、 振动特征以及热变形特征按样本排列分别得到温度 特 征矩阵、 振动特 征矩阵以及热变形 特征矩阵； 2)基于相关性分析筛选振动特征矩阵中的特征向量， 去除相关系数低于设计阈值的特 征向量。 3)对筛选处理后的振动特征矩阵进行基于KPCA的特征降维， 保留95％的累计方差， 获 得前K个主成分即原始振动特征 的低维表述； 得到的振动降维矩阵与温度特征矩阵依据时 间轴进行融合处 理得到多源异类融合信息特 征矩阵。 6.根据权利要求1所述的基于多源异类信 息融合的机床主轴 Z向热变形预测方法， 其特 征在于， 所述步骤五的具体过程如下： 读取标签矩阵和特征矩阵， 标签矩阵为热变形特征向 量， 特征矩阵为步骤四中得到的融合信息特征矩阵； 把每个标签矩阵和对应的特征矩阵相 匹配作为样本数据集； 将 样本数据集划分为训练集及测试集。权　利　要　求　书 1/2 页 2 CN 115526424 A 27.根据权利要求1所述的基于多源异类信 息融合的机床主轴 Z向热变形预测方法， 其特 征在于， 所述步骤六的具体过程如下： 将训练样本中的特征矩阵作为SVR模型输入， 标签矩 阵作为输出， 通过粒子群算法PSO优化SVR模 型的参数以建立准确的预测模 型； 确定PSO中粒 子群的个体学习因子c1与c2， 群体规模M， 最大速度Vmax、 惯性因子w和最大迭代次数T， 寻找 最优模型参数。 8.根据权利要求7所述的基于多源异类信 息融合的机床主轴 Z向热变形预测方法， 其特 征在于， 建立支持向量机回归SVR模型的具体过程如下： 将温度和振动信 息融合后的总特征矩阵H作为输入的样本集， 将主轴Z方向热变形各时 段实测值作为输出的样本集Y， H＝{(a1,b1)T,(a2,b2)T,...,(ap,bp)T}， Y＝{y1,y2,...,yp}； 其中， p为样本总数， (ap,bp)为两个元素代表第p个样本内的温度和振动信号融合特征， yp为第p个样本的Z向热变形值； SVR允许yp与对应的回归函数值之间最多可存在ε的偏差， 当实际偏差超过所设ε， 则计 算损失， 公式为： 其中， κ(d)为损失函数， d为实际偏差； SVR问题即为 求以下目标函数： 其中， N为训练集样本数， w为权 向量， C为惩罚因子， b为偏差量， ek为误差量， yk为第k个 样本的热变形量， Hk为与yk对应的振动与温度信息的融合特 征矩阵； 引入拉格朗日乘子α、 β、 γ、 η和松弛变量后可将最小值问题转化为对偶问题， 选用径向 基函数作为核函数求 解对偶问题， 最终得到SVR的解； 所使用的径向基函数表达式如下： 其中， σ 为待定核参数， xi、 xj为特征向量。 9.根据权利要求7所述的基于多源异类信 息融合的机床主轴 Z向热变形预测方法， 其特 征在于， 所述SVR模型的待优化参数为惩罚因子C与核参数σ； 在计算过程中令g＝1/2σ2， 以 均方误差值作为适应度函数， 使用五折交叉验证方法， C与g通过粒子群算法SPO搜索SVR模 型最优解。 10.根据权利要求1所述的基于多源异类信息融合的机床主轴Z向热变形预测方法， 其 特征在于， 所述步骤七的具体过程如下： 将测试样本集输入训练好的预测模型中， 即可通过 样本中包含的机床温度和振动特征信息预测机床热变形量， 画出机床主轴预测热变形值曲 线， 在曲线中横坐标为按时间排列的样本编号， 纵坐标为Z向热变形。权　利　要　求　书 2/2 页 3 CN 115526424 A 3