CN112307579B - 基于温度综合信息的热误差温度敏感点选择方法及系统 - Google Patents

Abstract

本发明公开了一种基于温度综合信息的热误差温度敏感点选择方法及系统，在机床运行过程中，同步采集温度数据与热误差数据；利用温度数据与热误差数据，构建温度综合信息矩阵；利用多个聚类有效性指标，确定最佳聚类数；利用温度综合信息矩阵与最佳聚类数进行模糊聚类，将温度测点分组；计算温度与热误差的相关系数，选出每组中相关性最大的温度测点作为待选温度测点；待选温度测点中，去除相关系数在‑0.4到0.4的温度测点，剩余的待选温度测点为温度敏感点。本发明避免了不同的热误差下的温度敏感点数量相同的问题，温度曲线形状相似但是温度数值相差较大的温度测点被分为两组的现象减少，选出的温度敏感点数量更少，用于建模时，模型具有良好的性能。

Description

基于温度综合信息的热误差温度敏感点选择方法及系统

技术领域

本发明属于数控机床精度控制技术领域，涉及一种基于温度综合信息的热误差温度敏感点选择方法及系统。

背景技术

随着精密加工的快速发展，精度指标在评价机床性能中占据越来越重要的地位。据统计，热误差占机床总误差的70％。误差补偿法由于其成本低廉，效果显著，是消除热误差的有效方法。误差补偿法是通过建立热误差模型，对热误差进行预测，设置一个与热误差相反的偏置来抵消误差。温度敏感点的选择是热误差建模的关键，温度敏感点选择旨在降低模型复杂程度，减小温度测点间的多重共线性，提高模型的精度与鲁棒性。

现有的温度敏感点选择方法主要以温度数据间的距离作为指标，对温度数据进行聚类，将温度测点分为几类，再利用相关分析从每组中选出相关性最高的温度测点作为温度敏感点。现有的温度敏感点选择方法在聚类时只依赖于温度数据间的距离，忽略了温度曲线形状相似程度以及温度与热误差之间的关系。这导致出现以下问题：温度测点中，温度曲线形状相似但是温度数值相差较大的温度测点被分为两组，但是这些测点仍具有较高的共线性，被分为两组是不合理的；主轴具有五项热误差，五项热误差的成因是不同的，其温度敏感点数量应不同，但利用现有的方法得到的五项误差的温度敏感点数量是相同的。

发明内容

有鉴于此，本发明的目的在于提供一种基于温度综合信息的热误差温度敏感点选择方法，该方法选出的温度敏感点提高了热误差模型的准确性。

为达到上述目的，本发明提供如下技术方案：

本发明提供的基于温度综合信息的热误差温度敏感点选择方法，包括以下步骤：

1)数据采集：采集待测对象的温度数据与热误差数据；

2)构建温度综合信息矩阵：利用温度数据与热误差数据，构建温度综合信息矩阵；

3)确定最佳聚类数：将不同误差下的温度综合信息矩阵代入多个聚类有效指标中，得到不同聚类有效指标下的最佳聚类数，最后通过投票确定最佳聚类数；

4)模糊聚类：利用温度综合信息矩阵与最佳聚类数进行模糊聚类，将温度测点分组，得到不同热误差的温度测点分组；

5)相关分析：计算温度与热误差的相关系数，选出每组相关性最大的温度测点作为待选温度测点；

6)筛选温度敏感点：从待选温度测点中按照预设阈值筛选得到温度敏感点。

进一步，所述温度数据与热误差数据为数控机床主轴的温度数据与热误差数据；所述数据采集是在机床运行过程中，同步采集温度数据与热误差数据，所述热误差数据的获得基于ISO230-3中的五点法，温度数据利用分布于机床各处的温度传感器获得，机床工况参照ISO230-3中的变转速工况或恒转速工况。

进一步，所述构建的温度综合信息矩阵是利用温度数据与热误差数据来构建主轴五项热误差的温度综合信息矩阵。

进一步，所述步骤6)中筛选温度敏感点是在待选温度测点中，去除相关系数在[-0.4,0.4]的弱相关温度测点，剩余的待选温度测点即为温度敏感点。

进一步，所述构建温度综合信息矩阵，按照以下步骤构建：

对温度数据与热误差数据进行标准化处理，使其统一量纲，对于标准化前的数据记为原始温度数据和原始误差数据，标准化后的数据记为标准温度数据和标准误差数据；

对标准温度数据和标准误差数据进行分段，对于变转速工况，按照主轴转速分段，对于恒转速工况，按照等时间间隔分段；

对每一段标准温度的变化值与标准误差的变化值进行无常数项的一元回归预拟合，其绝对倾斜角S_ij可描述温度曲线的形状信息，S_ij计算公式如下：

式中，S_ij表示第i个温度测点，第j段的预拟合曲线绝对倾斜角，t_ik表示第i个温度测点第k个标准温度数据，

表示第i个温度测点第n_j个标准温度数据，n_j为温度曲线的第j个分段点，n_j+1为温度曲线的第j+1个分段点，e_k为第k个标准热误差数据，

为第n_j个标准误差数据，i＝1,2,…,m，j＝1,2,…,n，m为温度测点数，n为分段数；

将绝对倾斜角S_ij映射到[-1,1]内，按照以下公式计算标准倾斜角s_ij：

标准倾斜角s_ij组合得到温度形状信息矩阵M_shape：

其中，s_mn表示第m个温度测点，第n段的预拟合曲线标准倾斜角

对原始温度数据进行分段后，以每一段原始温度的均值V_ij代表该段温度的数值信息，V_ij计算公式如下：

式中，V_ij表示第i个温度测点，第j段的原始温度的均值，T_ik表示第i个温度测点第k个原始温度数据；

将所有温度测点的同一段的均值进行标准化，将其映射到[0,1]内，得到标准温度的均值v_ij，其计算公式如下：

式中，V_·j为所有温度数据的第j段的均值组成的向量；

标准温度的均值v_ij组合得到温度数值信息矩阵M_value：

其中，v_mn第m个温度测点，第n段温度的标准温度的均值；

利用权重系数q将温度形状信息矩阵M_shape与温度数值信息矩阵M_value组合，得到温度综合信息矩阵M_syn：

M_syn＝qM_value+(1-q)M_shape

其中，q表示；取值范围为[0,1]；

进一步，所述步骤3)中的确定最佳聚类数按照以下步骤进行：

聚类数从小到大依次计算多项聚类有效指标，并进行比较，得到单个聚类有效指标下的最佳聚类数，记为待选最佳聚类数，然后多个待选最佳聚类数进行投票，得到最终的最佳聚类数。

本发明提供的基于温度综合信息的热误差温度敏感点选择系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

1)数据采集：采集待测对象的温度数据与热误差数据；

2)构建温度综合信息矩阵：利用温度数据与热误差数据，构建温度综合信息矩阵；

3)确定最佳聚类数：将不同误差下的温度综合信息矩阵代入多个聚类有效指标中，得到不同聚类有效指标下的最佳聚类数，最后通过投票确定最佳聚类数；

4)模糊聚类：利用温度综合信息矩阵与最佳聚类数进行模糊聚类，将温度测点分组，得到不同热误差的温度测点分组；

5)相关分析：计算温度与热误差的相关系数，选出每组相关性最大的温度测点作为待选温度测点；

6)筛选温度敏感点：从待选温度测点中按照预设阈值筛选得到温度敏感点。

进一步，所述温度数据与热误差数据为数控机床主轴的温度数据与热误差数据；所述数据采集是在机床运行过程中，同步采集温度数据与热误差数据，所述热误差数据的获得基于ISO230-3中的五点法，温度数据利用分布于机床各处的温度传感器获得，机床工况参照ISO230-3中的变转速工况或恒转速工况。

进一步，所述构建的温度综合信息矩阵是利用温度数据与热误差数据来构建主轴五项热误差的温度综合信息矩阵。

进一步，所述步骤6)中筛选的温度敏感点是在待选温度测点中，去除相关系数在[-0.4,0.4]的弱相关温度测点，剩余的待选温度测点即为温度敏感点。

与现有技术相比，本发明的有益效果在于：

(1)利用温度综合信息选择温度敏感点避免了不同的热误差下的温度敏感点数量相同的问题，温度曲线形状相似但是温度数值相差较大的温度测点被分为两类的现象出现的概率减少；

(2)运用多个聚类有效性指标判断最佳聚类数，避免了只用单个指标时的误判，计算过程简单，不需要反复迭代；

(3)运用温度综合信息选择的温度敏感点的数量相比现有的方法更少，运用温度综合信息选择的温度敏感点得到的热误差模型性能优于现有方法得到的模型。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为基于温度综合信息的数控机床主轴热误差温度敏感点选择方法流程图。

图2为五点法测量热误差示意图。

图3为五项热误差生成原理图。

图4位ISO230-3中推荐的变转速图谱。

图5为温度传感器T1-T3，T9-T11，T21，T22的温度变化量曲线图。

图6为温度传感器T4-T6，T12-T14，T16-T20的温度变化量曲线图。

图7为温度传感器T7，T8，T15，T23，T24的温度变化量曲线图。

图8为主轴五项热误差曲线。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

实施例1

如图1所示，本实施例提供的基于温度综合信息的数控机床主轴热误差温度敏感点选择方法，包括以下步骤：

1)数据采集：机床运行过程中，同步采集温度数据与热误差数据。热误差数据参照ISO230-3中五点法获得，五项热误差分别为X方向热漂移误差δ_x，X方向热偏转误差ε_x，Y方向热漂移误差δ_y，Y方向热偏转误差ε_y，Z方向热伸长误差δ_z。温度数据利用利用分布在数控机床各部位的温度传感器采集。主轴转速参照ISO230-3中的变转速图谱或恒转速。

2)构建温度综合信息矩阵：利用温度数据与热误差数据，构建五项热误差的温度综合信息矩阵。

对温度数据与热误差数据进行标准化处理，使其统一量纲，标准化前的数据记为原始温度数据和原始误差数据，标准化后的数据记为标准温度数据和标准误差数据。对标准温度数据和标准误差数据进行分段，对于变转速，按照主轴转速分段，对于恒转速，按照等时间间隔分段。分段后，每一段温度与误差的关系可近似看作线性的，每一段标准温度的变化值与标准误差的变化值的无常数项一元线性回归方程的斜率或倾斜角可以描述温度曲线的形状信息，所有标准化后的倾斜角构成的矩阵即为温度形状信息矩阵。

对原始温度数据进行分段，同样地，对于变转速工况根据转速变化进行分组，对于恒转速工况根据时间间隔进行分段，每一段原始温度数据的均值可描述温度数值信息，所有标准化后的温度均值构成的矩阵即为温度数值信息矩阵。

为了将温度形状信息矩阵和温度数值信息矩阵相结合，对两者进行标准化处理，使二者量纲统一，并用权重系数将两者结合为温度综合信息矩阵。

3)利用多个聚类有效性指标，判断最佳聚类数。

聚类有效性指标是用于评价聚类结果的指标，其原理是根据组内差异与组间差异来评价聚类结果。组内差异越小，组间差距越大，聚类结果则越好。通过比较不同聚类数下的聚类有效性指标可以确定最佳聚类数。为避免单个聚类有效性指标可能出现误判，本发明采用多个聚类有效性指标，通过投票的形式来共同确定最佳聚类数。聚类数从小到大依次计算多项聚类有效指标，并进行比较，得到单个指标下的最佳聚类数，记为待选最佳聚类数。多个待选最佳聚类数进行投票，得到最终的最佳聚类数。

4)模糊聚类：利用温度综合信息矩阵与最佳聚类数进行模糊聚类，将温度测点分组，得到不同热误差的温度测点分组。

5)相关分析：计算温度与热误差的相关系数，选出每组相关性最大的温度测点作为待选温度测点。

6)筛选温度敏感点：相关系数在[-0.4,0.4]为弱相关，相关性弱的温度测点会降低模型的精度与鲁棒性，因此去除相关系数在[-0.4,0.4]的待选温度测点，剩余的待选温度测点即为温度敏感点。

实施例2

本实施例提供的基于温度综合信息的数控机床主轴热误差温度敏感点选择方法避免了不同的热误差下的温度敏感点数量相同的问题，温度曲线形状相似但是温度数值相差较大的温度测点被分为两组的现象减少，选出的温度敏感点数量更少，用于建模时，模型具有良好的性能，本实施例提供的方法，包括以下步骤：

如图2所示，图2为五点法测量热误差示意图，其中D1-D5为位移传感器，用于测量热误差，X-，Y-，Z+为机床坐标系。

如图3所示，图3为五项热误差生成原理图，其中，线段E₀F₀为初始状态下的主轴检验棒位置，线段E₁F₁位主轴热变形后主轴检验棒的位置，D1-D5为位移传感器，δ_x为X方向热漂移误差，ε_x为X方向热偏转误差，δ_y为Y方向热漂移误差，ε_y为Y方向热偏转误差，δ_z为Z方向热伸长误差，X-，Y-，Z+为机床坐标系。

1)数据采集

机床运行过程中，同步采集温度数据与热误差数据。热误差测量基于ISO230-3中的五点法，对主轴五项热误差进行测量。主轴五项热误差分别为X方向热漂移误差δ_x，X方向热偏转误差ε_x，Y方向热漂移误差δ_y，Y方向热偏转误差ε_y，Z方向热伸长误差δ_z。

如图4、图5、图6、图7所示，本例中，采用24路温度传感器，分布在数控机床的轴承、电机、主轴箱等部位。具体的，温度传感器T1-T3测量主轴前轴承温度，温度传感器T4-T6测量主轴后轴承温度，温度传感器T7测量主轴箱上表面温度，温度传感器T8测量主轴箱下表面温度，温度传感器T9测量主轴箱前表面温度，温度传感器T10测量主轴箱左表面温度，温度传感器T11测量主轴箱右表面温度，温度传感器T12-T14测量主轴后轴承温度，温度传感器T15与T23测量主轴电机温度，温度传感器T16测量误差测量设备温度，温度传感器T17测量机床工作台温度，温度传感器T18与T19测量机床内部环境温度，温度传感器T20测量机床外部环境温度，温度传感器T21与T22测量主轴箱外壳温度，温度传感器T24测量Z轴电机温度。机床主轴转速参照ISO230-3中的变转速图谱。

2)构建温度综合信息矩阵

对温度数据与热误差数据进行标准化处理，使其统一量纲，对于标准化前的数据记为原始温度数据和原始误差数据，标准化后的数据记为标准温度数据和标准误差数据。

本例中，根据转速变化对标准温度数据和标准误差数据进行分段，共18段。温度曲线分段后，每一段温度与误差的关系可近似看作线性的，对每一段标准温度数据的变化值与标准误差数据的变化值进行无常数项的一元回归预拟合，其绝对倾斜角S_ij就可描述各温度曲线的形状信息，S_ij表达式如下：

式中，S_ij表示第i个温度测点，第j段的预拟合曲线绝对倾斜角，t_ik表示第i个温度测点第k个标准温度数据，

表示第i个温度测点第n_j个标准温度数据，n_j为温度曲线的第j个分段点，n_j+1为温度曲线的第j+1个分段点，e_k为第k个标准热误差数据，

为第n_j个标准误差数据。i＝1,2,…,m，j＝1,2,…,n，m为温度测点数，本例中为m＝24，n为分段数，本例中为n＝18。

绝对倾斜角S_ij的范围为[-90,90]，将其映射到[-1,1]内，得到标准倾斜角s_ij，其计算公式为：

标准倾斜角s_ij组合得到温度形状信息矩阵M_shape：

其中，s_mn表示第m个温度测点，第n段的预拟合曲线标准倾斜角。

对于温度数值信息，对原始温度数据进行分段后，以每一段原始温度的均值V_ij代表该段数值信息，V_ij计算公式如下：

式中V_ij表示第i个温度测点，第j段的原始温度的均值，T_ik表示第i个温度测点第k个原始温度数据。

将所有温度测点的同一段的均值进行标准化，将其映射到[0,1]内，得到标准温度的均值v_ij，其计算公式如下：

式中，V_·j为所有温度数据的第j段的均值组成的向量。

标准温度的均值v_ij组合得到温度数值矩阵M_value：

其中，v_mn第m个温度测点，第n段温度的标准温度的均值。

利用权重系数q将温度形状信息矩阵M_shape与温度数值信息矩阵M_value组合，得到温度综合信息矩阵M_syn：

M_syn＝qM_value+(1-q)M_shape

其中q取值范围为[0,1]。

3)确定最佳聚类数

利用多个聚类有效性指标，判断最佳聚类数。聚类有效性指标是用于评价聚类效果的指数，其原理是根据组内差异与组间差异来评价聚类结果。组内差异越小，组间差距越大，聚类结果越好。通过比较不同聚类数下聚类有效性指标可以确定最佳聚类数，但是单个聚类有效性指标可能出现误判。

因此，本发明采用多个聚类有效性指标来共同确定最佳聚类数。本例中，采用的聚类有效性指标为FS(-)，XB(-)，VK(-)，PC(+)，VSC(+)，其中FS(-)，XB(-)，VK(-)为负指标，即其值越小聚类效果越好，PC(+)，VSC(+)为正指标，即其值越大聚类效果越好。本例中，依次计算聚类数为3到8的五项聚类有效指标，并进行比较，得到单个指标下的最佳聚类数，记为待选最佳聚类数，然后五个待选最佳聚类数进行投票，得到最终的最佳聚类数如表1所示，五项聚类有效性指标的公式如下：

式中，FS(-)、XB(-)、VK(-)、PC(+)、VSC(+)表示聚类有效性指标；x_j为第j个样本，即为温度综合信息矩阵中的第j个行向量，v_i为第i个聚类中心，

为平均聚类中心，d表示欧氏距离，m为模糊参数，μ_ij为模糊矩阵中第i行第j列的元素，c为聚类数，n为样本数。

如图8所示，δ_x为X方向热漂移误差，ε_x为X方向热偏转误差，δ_y为Y方向热漂移误差，ε_y为Y方向热偏转误差，δ_z为Z方向热伸长误差。

表1最佳聚类数

主轴五项热误差的最佳聚类数是不同的，δ_x的最佳聚类数为3，ε_x的最佳聚类数为4，δ_y的最佳聚类数为3，ε_y的最佳聚类数为4，δ_z的最佳聚类数为5。而现有的方法中，只依赖温度数据间的距离，对于不同的热误差，其聚类的样本是相同的，不同的热误差的最佳聚类数均为7。

4)利用温度综合信息矩阵与最佳聚类数进行模糊聚类，将温度测点分组。利用不同的热误差下的温度综合信息矩阵和最佳聚类数进行模糊聚类，聚类结果如表2。

表2聚类结果

现有的方法中，只依赖各温度测点的原始温度数据间的距离，因此在不同的误差中，现有方法的聚类结果是相同的。此外，本例中，主轴电机温度T15和T23的温度曲线形状极为相似，但两者数值相差较大。在现有的方法中被分为两组，而T15与T23之间仍存在着很高的共线性，被分为两类是不合理的。在本发明中，运用温度综合信息聚类，T15与T23被分到一组内。即使聚类数相同，T15与T23在温度综合信息得到的结果中被分到一组的概率远高于现有的方法。

5)相关分析

计算温度与热误差的相关系数，选出每组相关性最大的温度测点作为待选温度测点，相关系数计算公式如下：

式中，R_i为第i个温度测点与热误差的相关系数，T_ik为第i个温度测点第k个原始温度数据，

为第i个温度测点的原始温度数据的均值，E_k为第k个原始误差数据，

为原始误差数据的均值，i＝1,2,…,24，k＝1,2,…,N，N为样本数量，本例中为N＝480。

6)筛选温度敏感点

去除相关系数在[-0.4,0.4]的待选温度测点，剩余的待选温度测点即为温度敏感点。根据统计学经验，相关系数在[-0.4,0.4]为弱相关，有研究指出，相关性弱的温度测点的引入会降低模型的精度与鲁棒性，因此对于相关系数在[-0.4,0.4]的温度测点应该去除。本例中，X方向热漂移δ_x的温度测点中，电机温度T15相关性较低，应该去除；同理Y方向热偏转ε_y中，环境温度相关性较低T20，被去除。剩余的温度测点即为温度敏感点，如表3所示。

表3温度敏感点

利用温度综合信息选择温度敏感点避免了不同的热误差下的温度敏感点数量相同的问题，温度曲线形状相似但是温度数值相差较大的温度测点被分为两类的现象出现的概率减少；计算过程简单，不需要反复迭代；温度敏感点数量相比现有的方法更少，得到的模型性能更好。

实施例3

本实施例提供的基于温度综合信息的热误差温度敏感点选择系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

1)数据采集：采集待测对象的温度数据与热误差数据；

2)构建温度综合信息矩阵：利用温度数据与热误差数据，构建温度综合信息矩阵；

3)确定最佳聚类数：将不同误差下的温度综合信息矩阵代入多个聚类有效指标中，得到不同聚类有效指标下的最佳聚类数，最后通过投票确定最佳聚类数；

4)模糊聚类：利用温度综合信息矩阵与最佳聚类数进行模糊聚类，将温度测点分组，得到不同热误差的温度测点分组；

5)相关分析：计算温度与热误差的相关系数，选出每组相关性最大的温度测点作为待选温度测点；

6)筛选温度敏感点：从待选温度测点中按照预设阈值筛选得到温度敏感点。

所述温度数据与热误差数据为数控机床主轴的温度数据与热误差数据；所述数据采集是在机床运行过程中，同步采集温度数据与热误差数据，所述热误差数据的获得基于ISO230-3中的五点法，温度数据利用分布于机床各处的温度传感器获得，机床工况参照ISO230-3中的变转速工况或恒转速工况。

所述构建的温度综合信息矩阵是利用温度数据与热误差数据来构建主轴五项热误差的温度综合信息矩阵。

所述步骤6)中筛选的温度敏感点是在待选温度测点中，去除相关系数在[-0.4,0.4]的弱相关温度测点，剩余的待选温度测点即为温度敏感点。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (7)

1.基于温度综合信息的热误差温度敏感点选择方法，其特征在于：包括以下步骤：

1)数据采集：采集待测对象的温度数据与热误差数据；

2)构建温度综合信息矩阵：利用温度数据与热误差数据，构建温度综合信息矩阵；

3)确定最佳聚类数：将不同误差下的温度综合信息矩阵代入多个聚类有效指标中，得到不同聚类有效指标下的最佳聚类数，最后通过投票确定最佳聚类数；

4)模糊聚类：利用温度综合信息矩阵与最佳聚类数进行模糊聚类，将温度测点分组，得到不同热误差的温度测点分组；

5)相关分析：计算温度与热误差的相关系数，选出每组相关性最大的温度测点作为待选温度测点；

6)筛选温度敏感点：从待选温度测点中按照预设阈值筛选得到温度敏感点；

所述构建温度综合信息矩阵，按照以下步骤构建：

对温度数据与热误差数据进行标准化处理，使其统一量纲，对于标准化前的数据记为原始温度数据和原始误差数据，标准化后的数据记为标准温度数据和标准误差数据；

对标准温度数据和标准误差数据进行分段，对于变转速工况，按照主轴转速分段，对于恒转速工况，按照等时间间隔分段；

对每一段标准温度的变化值与标准误差的变化值进行无常数项的一元回归预拟合，其绝对倾斜角S_ij可描述温度曲线的形状信息，S_ij计算公式如下：

式中，S_ij表示第i个温度测点，第j段的预拟合曲线绝对倾斜角，t_ik表示第i个温度测点第k个标准温度数据，

表示第i个温度测点第n_j个标准温度数据，n_j为温度曲线的第j个分段点,n_j+1为温度曲线的第j+1个分段点，e_k为第k个标准热误差数据，

为第n_j个标准误差数据，i＝1,2,…,m，j＝1,2,…,n，m为温度测点数，n为分段数；

将绝对倾斜角S_ij映射到[-1,1]内，按照以下公式计算标准倾斜角s_ij：

标准倾斜角s_ij组合得到温度形状信息矩阵M_shape：

其中，s_mn表示第m个温度测点，第n段的预拟合曲线标准倾斜角；

对原始温度数据进行分段后，以每一段原始温度的均值V_ij代表该段温度的数值信息，V_ij计算公式如下：

式中，V_ij表示第i个温度测点，第j段的原始温度的均值，T_ik表示第i个温度测点第k个原始温度数据；

将所有温度测点的同一段的原始温度的均值进行标准化，映射到[0,1]内，得到对应的标准温度的均值v_ij，其计算公式如下：

式中，V_·j为所有温度数据的第j段的均值组成的向量；

标准温度的均值v_ij组合得到温度数值信息矩阵M_value：

其中，v_mn第m个温度测点，第n段温度的标准温度的均值；

利用权重系数q将温度形状信息矩阵M_shape与温度数值信息矩阵M_value组合，得到温度综合信息矩阵M_syn：

M_syn＝qM_value+(1-q)M_shape

其中，q表示权重系数，取值范围为[0,1]；

所述步骤6)中筛选温度敏感点是在待选温度测点中，去除相关系数为-0.4到0.4的弱相关温度测点，剩余的待选温度测点即为温度敏感点。

2.如权利要求1所述的基于温度综合信息的热误差温度敏感点选择方法，其特征在于：所述温度数据与热误差数据为数控机床主轴的温度数据与热误差数据；所述数据采集是在机床运行过程中，同步采集温度数据与热误差数据，所述热误差数据的获得基于ISO230-3中的五点法，温度数据利用分布于机床各处的温度传感器获得，机床工况参照ISO230-3中的变转速工况或恒转速工况。

3.如权利要求2所述的基于温度综合信息的热误差温度敏感点选择方法，其特征在于：所述构建的温度综合信息矩阵是利用温度数据与热误差数据来构建主轴五项热误差的温度综合信息矩阵。

4.根据权利要求1所述的基于温度综合信息的热误差温度敏感点选择方法，其特征在于：所述步骤3)中的确定最佳聚类数按照以下步骤进行：

聚类数从小到大依次计算多项聚类有效指标，并进行比较，得到单个聚类有效指标下的最佳聚类数，记为待选最佳聚类数，然后多个待选最佳聚类数进行投票，得到最终的最佳聚类数。

5.基于温度综合信息的热误差温度敏感点选择系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：

1)数据采集：采集待测对象的温度数据与热误差数据；

2)构建温度综合信息矩阵：利用温度数据与热误差数据，构建温度综合信息矩阵；

3)确定最佳聚类数：将不同误差下的温度综合信息矩阵代入多个聚类有效指标中，得到不同聚类有效指标下的最佳聚类数，最后通过投票确定最佳聚类数；

4)模糊聚类：利用温度综合信息矩阵与最佳聚类数进行模糊聚类，将温度测点分组，得到不同热误差的温度测点分组；

5)相关分析：计算温度与热误差的相关系数，选出每组相关性最大的温度测点作为待选温度测点；

6)筛选温度敏感点：从待选温度测点中按照预设阈值筛选得到温度敏感点；

所述构建温度综合信息矩阵，按照以下步骤构建：

对温度数据与热误差数据进行标准化处理，使其统一量纲，对于标准化前的数据记为原始温度数据和原始误差数据，标准化后的数据记为标准温度数据和标准误差数据；

对标准温度数据和标准误差数据进行分段，对于变转速工况，按照主轴转速分段，对于恒转速工况，按照等时间间隔分段；

对每一段标准温度的变化值与标准误差的变化值进行无常数项的一元回归预拟合，其绝对倾斜角S_ij可描述温度曲线的形状信息，S_ij计算公式如下：

式中，S_ij表示第i个温度测点，第j段的预拟合曲线绝对倾斜角，t_ik表示第i个温度测点第k个标准温度数据，

表示第i个温度测点第n_j个标准温度数据，n_j为温度曲线的第j个分段点,n_j+1为温度曲线的第j+1个分段点，e_k为第k个标准热误差数据，

为第n_j个标准误差数据，i＝1,2,…,m，j＝1,2,…,n，m为温度测点数，n为分段数；

将绝对倾斜角S_ij映射到[-1,1]内，按照以下公式计算标准倾斜角s_ij：

标准倾斜角s_ij组合得到温度形状信息矩阵M_shape：

其中，s_mn表示第m个温度测点，第n段的预拟合曲线标准倾斜角；

对原始温度数据进行分段后，以每一段原始温度的均值V_ij代表该段温度的数值信息，V_ij计算公式如下：

式中，V_ij表示第i个温度测点，第j段的原始温度的均值，T_ik表示第i个温度测点第k个原始温度数据；

将所有温度测点的同一段的原始温度的均值进行标准化，映射到[0,1]内，得到对应的标准温度的均值v_ij，其计算公式如下：

式中，V_·j为所有温度数据的第j段的均值组成的向量；

标准温度的均值v_ij组合得到温度数值信息矩阵M_value：

其中，v_mn第m个温度测点，第n段温度的标准温度的均值；

利用权重系数q将温度形状信息矩阵M_shape与温度数值信息矩阵M_value组合，得到温度综合信息矩阵M_syn：

M_syn＝qM_value+(1-q)M_shape

其中，q表示权重系数，取值范围为[0,1]；

所述步骤6)中筛选温度敏感点是在待选温度测点中，去除相关系数为-0.4到0.4的弱相关温度测点，剩余的待选温度测点即为温度敏感点。

6.如权利要求5所述的基于温度综合信息的热误差温度敏感点选择系统，其特征在于：所述温度数据与热误差数据为数控机床主轴的温度数据与热误差数据；所述数据采集是在机床运行过程中，同步采集温度数据与热误差数据，所述热误差数据的获得基于ISO230-3中的五点法，温度数据利用分布于机床各处的温度传感器获得，机床工况参照ISO230-3中的变转速工况或恒转速工况。

7.如权利要求6所述的基于温度综合信息的热误差温度敏感点选择系统，其特征在于：所述构建的温度综合信息矩阵是利用温度数据与热误差数据来构建主轴五项热误差的温度综合信息矩阵。

Images