苗恩銘，劉　義，董云飛，陳維康

(合肥工業(yè)大學 儀器科學與光電工程學院，安徽 合肥 230009)

?

數控機床熱誤差時間序列模型預測穩(wěn)健性的提升

苗恩銘*，劉義，董云飛，陳維康

(合肥工業(yè)大學 儀器科學與光電工程學院，安徽 合肥 230009)

針對數控機床熱誤差建模應用的時間序列算法受嚴重多重共線性的影響存在預測穩(wěn)健性不足的問題，提出一種提升時間序列預測穩(wěn)健性的方法。該方法將時間序列算法與能夠抑制多重共線性的建模算法相結合，從而既可通過在模型中加入溫度滯后值來提供更全面的溫度信息，又可對溫度滯后值引入的更為嚴重的多重共線性進行處理。文中以時間序列算法中的分布滯后(DL)算法、共線性抑制算法中的主成分回歸(PCR)算法為例，采用主成分分布滯后(PCDL)算法建立了機床熱誤差補償模型，并將其與DL算法的預測精度和穩(wěn)健性進行了比較。結果顯示，PCDL算法因為抑制了多重共線性的影響，其模型預測精度和穩(wěn)健性遠優(yōu)于DL模型，預測精度提升了約9 μm。本文所述方法可為時間序列數據建模在不同領域內的應用提供參考。

數控機床；熱誤差；時間序列模型；預測穩(wěn)健性；主成分分布滯后算法

1　引　言

隨著科學技術的發(fā)展，對數控機床及加工中心的加工精度和可靠性提出了更高的要求。在數控機床加工過程中，由于各部件不均衡溫升引起的熱誤差，使得刀具和工件之間的相對正確位置發(fā)生了變化，行成零件的加工誤差。據統(tǒng)計，數控機床熱誤差約占總誤差的40%～70%[1,2]。通過應用設計和制造技術改進床身結構的硬件補償方法成本高，且效果并不十分理想。因此，對數控機床熱誤差軟件補償技術的研究具有重要意義[3]。

在數控機床熱誤差軟件補償技術中，核心的問題是建立預測精度高、穩(wěn)健性強的熱誤差補償模型[4]。由于機床結構和材料對機床散熱的限制，溫度傳感器對溫度值的采集通常存在一定的滯后效應，為了提高數控加工中心熱誤差模型的補償精度，人們嘗試將時間序列模型應用于機床熱誤差建模。合肥工業(yè)大學的苗恩銘等[5,6]采用時間序列中的分布滯后、自回歸分布滯后算法建立了機床熱誤差補償模型，獲得了較高的建模擬合精度；上海交通大學的楊建國等[7,8]采用時序分析法進行數控機床熱誤差建模，論述了時間序列模型，既考慮到所研究序列的過去值，又能反映序列的隨機性和統(tǒng)計特征，建模柔性強，具有良好的建模擬合精度。而時間序列模型之所以具有較強的建模擬合精度，是因為該算法將自變量本期值和滯后值、甚至是因變量自身的滯后值納入了熱誤差模型中，運用自變量和因變量自身數值變化所包含的實際影響因素信息，較大程度的保留了實際測量數據所提供的真實信息[9]。

但是，實際熱誤差補償是通過離線建立的模型對后續(xù)的機床熱誤差狀態(tài)進行預測實現的，因此，模型的預測精度和預測穩(wěn)健性成為最為需要關注的參數[10]。一個具有較好建模擬合精度的模型，不一定具有較高的預測精度和穩(wěn)健性[11]。時間序列模型中自變量滯后值等的加入，使時間序列模型具有比多元線性回歸模型更為嚴重的多重共線性問題，反而降低了其預測精度和預測穩(wěn)健性[12]，成為時間序列模型應用在實際熱誤差建模中的局限性。文獻[5-8]提及了時間序列模型對熱誤差預測的穩(wěn)健性有待提高，但并未在熱誤差時間序列建模的相關研究中發(fā)現有關其穩(wěn)健性的提升方案。

對此，本文提出一種時間序列穩(wěn)健性的提升方法，將時間序列算法與具有共線性抑制功能的算法結合，既實現了在模型中加入自變量滯后值，又對自變量滯后值加入帶來的更為嚴重的多重共線性進行處理。選擇時間序列算法中的分布滯后(DL)[12]算法、具有共線性抑制功能算法中的主成分回歸(PCR)[13]為例，提出采用主成分分布滯后(PCDL)算法建立機床熱誤差補償模型的方法，并將其與DL算法的預測精度和穩(wěn)健性進行了比較。

2　熱誤差建模算法理論知識

2.1分布滯后(DL)算法

如果因變量不僅與一個或多個自變量的當前值有關系，而且與其若干滯后值有關系，通過多元回歸分析來描述這種關系的模型稱為分布滯后模型[12]，記為：

(1)

式中：n為最大滯后階數；α0為常數項；u為外生變量個數；yt為因變量；βj,i為系數；xj,t-1為第j個自變量的t-i期值。

對于滯后階數n的確定，可以采用權宜估計法。即取n=1,2,…,i，對不同的i條件下經最小二乘擬合，當滯后變量的回歸系數開始變得統(tǒng)計不顯著，或其中有一個變量的系數改變符號時，i-1為最終的滯后階數。

2.2主成分分布滯后(PCDL)算法

DL算法雖然考慮了溫度傳熱的遲滯性，但溫度滯后值的加入，也使DL模型具有比多元回歸模型更為嚴重的多重共線性[12]。因此，通過多元回歸分析來描述因變量與自變量的當前值及其滯后值之間關系的DL算法存在弊端。

對此，將DL算法與能夠抑制自變量多重共線性的算法(如主成分回歸[13]、嶺回歸[14]等)結合起來，既在模型中加入了溫度滯后值，又對溫度滯后值加入帶來的更為嚴重的多重共線性進行了處理。

以DL算法結合主成分回歸算法為例，提出采用主成分分布滯后(PCDL)算法建立數控機床熱誤差補償模型的方法。 其原理是通過主成分回歸分析對因變量與自變量的當前值及其滯后值之間的關系給予描述的，其模型方程表達形式與DL模型式(1)相同。

2.3主成分回歸(PCR)算法

主成分回歸[13]是用于共線性數據分析的有偏估計方法，它采用原自變量的主成分代替原自變量作回歸分析。由于主成分保留了原指標的絕大部分信息，且互不相關，因此利用主成分回歸分析可以有效地解決回歸分析中自變量間共線性問題，以達到較好的估計效果。

主成分回歸算法具體步驟為：

(2)

(3)

其中:u1,u2,…,up為標準化數據X*的自相關矩陣的特征向量，主成分F1,F2,…,Fp之間互不相關，且VarF1≥VarF2≥…≥VarFp>0。

(2) 選擇累計方差貢獻率大于85%的前m個主成分，用以建立因變量Y與主成分F1,F2,…,Fm之間的回歸模型：

(4)

(5)

3　數控機床熱誤差測量實驗

以Leaderway-V450型數控加工中心為實驗對象，根據實驗所得的主軸Z向熱誤差，建立熱誤差和溫度敏感點之間的多種數學模型，并對這些模型的預測穩(wěn)健性能力進行探討。

實驗選擇溫度傳感器DS18B20(測量精度為±0.2 ℃，最高分辨率可以達到0.062 5 ℃)測量溫度數據；采用電渦流位移傳感器(測量精度為±0.5 μm)對機床主軸Z向熱誤差進行測量。溫度傳感器的貼放位置以影響機床主軸Z向熱誤差的主要熱源附近為主，各傳感器的安放位置如表1所示，溫度傳感器T1～T9和電渦流傳感器S的分布位置示意如圖1所示。

表1　傳感器安放位置

圖1　各傳感器的分布位置示意圖Fig.1　Distribution positions of sensors

實驗測量時，主軸以恒定的轉速(2 000 rpm、4 000 rpm、6 000 rpm)轉動，每隔3 min停轉一次，電渦流傳感器移到主軸正下方，使主軸下壓電感傳感器，測量主軸Z向的熱變形，同時通過溫度測量系統(tǒng)采集該時刻的溫度數據。一次采樣結束后，主軸上移，電渦流傳感器右移。整個實驗循環(huán)執(zhí)行上述步驟，持續(xù)時間達到4 h之上。

根據所述實驗方法，在不同季節(jié)內共測量得到12批次數據，具體參數如表2所示。12批次數據的熱誤差曲線如圖2所示。給出K1批次的溫度測量數據,如圖3所示。

表2　實驗數據具體參數

圖2　K1～K12批次數據的熱誤差曲線Fig.2　Thermal deformations of K1～K12

圖3　K1批次的溫度測量數據Fig.3　Temperature measuring data of K1

4　熱誤差建模實例及模型精度分析

4.1溫度敏感點選擇

在建立機床熱誤差補償模型時，需要選擇合適的溫度敏感點參與建模。而溫度敏感點選擇時主要遵循3個策略[15]：(1)互不相關策略，要求所選溫度敏感點之間滿足非共線性條件；(2)主因素策略，要求所選溫度敏感點對熱變形量具有最大影響權重；(3)最少布點策略，在滿足熱誤差建模精度前提下，要求所選溫度敏感點的數目最少。

目前，大多數溫度敏感點選擇原理為，先對所有溫度變量進行相關性分組，然后通過在組內尋優(yōu)，最終將所有組內的最優(yōu)變量組合，作為溫度敏感點用以建模[16-19]。但是這類選擇方法通常存在一個弊端，即所述的互不相關策略和主因素策略相互矛盾。這是因為，影響機床主軸熱誤差的大權重熱源往往集中在主軸電機和主軸前軸承，這些位置由于比較接近而具備較強的共線性，如果以降低溫度敏感點之間共線性誤差為首要考慮因素時，只能從這些位置中選擇一個溫度變量用以建模，會導致另外選擇的溫度敏感點對熱變形量的影響權重降低。

為了對上述論述內容給予論證，選擇具有代表性的溫度敏感點選擇方法，即模糊聚類結合灰色關聯(lián)度(FC-GRD)，對實際熱誤差數據給予分析。FC-GRD的原理為：將所有溫度變量按相關性分類，使得同類之間的變量具有較強的相關性，異類之間的變量具有較弱的相關性；并將每類中與熱變形量關聯(lián)度最大的溫度測點組合起來作為溫度敏感點。

采用FC-GRD方法對K1～K12批次數據進行溫度敏感點選擇，結果如表3所示。

表3　溫度敏感點選擇結果

表3中的各批次數據的溫度敏感點結果并未保持一致，即機床溫度敏感點存在變動性。該論點已在文獻[20]中論述過。

西沙群島有開展定制旅游的市場條件，以及具備一定的可行性。在政策和地理條件允許的情況下，根據“一島一特色”的策略，增加產品的多樣性，優(yōu)化定制模式，從個性化需求入手，提高游客忠誠度。

(6)

式中:Y為熱變形量，Ti(i=1,2,…,10)分別對應溫度變量T1～T10。

表4　各批次數據中的T1～T10與熱變形量的關聯(lián)度排序

由表4明顯看到，以降低溫度敏感點之間的共線性誤差為首要考慮因素的FC-GRD方法，其選擇出的其中一個溫度敏感點對熱變形量的影響權重為最大，而另外一個溫度敏感點對熱變形量的影響權重小得多，遠小于如T2～T4等溫度變量對熱變形量的影響權重。所以說，通過該方法在選擇建模自變量時，互不相關策略和主因素策略是相互矛盾的。

基于上述論述，在選擇DL和PCDL模型的建模自變量時會有所不同，在此給出一個統(tǒng)一解釋，即在選擇DL模型的建模自變量時主要遵循互不相關策略、主因素策略和最少布點策略，這與大多數方法的選擇準則相同；而對于PCDL算法，由于其本身能夠抑制自變量共線性誤差的影響，且互不相關策略和主因素策略又互相矛盾，因此，該算法的建模自變量在選擇時不需要遵循互不相關策略，僅主要遵循主因素策略和最少布點策略?？赏ㄟ^灰色關聯(lián)度算法計算得到PCDL模型的建模自變量，結果如表5所示。

表5　用以PCDL模型的建模自變量

4.2PCDL算法建模及精度分析

由權宜估計法判斷PCDL模型的滯后階數為二階。按照表5中的建模自變量選擇結果，分別建立K1～K12批次的PCDL模型:

(7)

式中:yl(l=1,2,…,12)為第Kl批次數據的熱誤差擬合/預測值，Tj,t-i(j∈[1,10],i=0,1,2)為第j個溫度變量的t-i 階滯后值。

根據建立的每一個PCDL模型，分別對K1～K12批次的熱誤差數據進行擬合/預測，得到K1～K12熱誤差擬合/預測值，并計算熱誤差擬合/預測值和實測值之間的殘余標準差值，得到每一個PCDL模型對K1～K12批次數據的熱誤差擬合/預測精度。其中，擬合精度是指根據歷史數據所建立的模型，對建模的歷史數據的偏離程度的評價；預測精度是指根據歷史數據所建立的模型，對未參與建模的歷史數據的偏離程度的評價。殘余標準差見式(8)，該值越小，表明模型擬合/預測精度越高:

(8)

根據上述分析方法，每一個PCDL模型將得到1個擬合精度參數和11個預測精度參數。所以，PCDL模型式(7)將會得到12個擬合精度參數和11×12個預測精度參數。將每一個模型的11個預測精度參數給予平均化和離散化，分別得到每一個模型的1個預測精度平均值參數Mn、1個預測精度離散標準差參數Sd。Mn越小，表示模型平均預測精度越高，Sd越小，表明模型的預測穩(wěn)健性越強。PCDL模型式(7)的擬合精度S、Mn和Sd結果如表6所示。表6中，M1～M12分別為由K1～K12批次數據所建的12個PCDL模型。

表6PCDL模型式(7)的S、Mn和Sd

Tab.6S,MnandSdof PCDL model (7)(μm)

由表6中可知，PCDL模型式(7)的擬合精度S分布在1.50～3.59 μm，預測精度平均值Mn分布在4.49～8.59 μm，預測精度離散標準差Sd分布在1.78～4.20 μm。

4.3DL算法建模及精度分析

(9)

式中:yl(l=1,2,…,12)為第批次數據的熱誤差擬合/預測值，Tj,t-i(j∈[1,10],i=0,1,2)為第j個溫度變量的t-i階滯后值。

按照4.2節(jié)中的模型精度分析方法，得到DL模型式(9)的擬合精度S、預測精度平均值Mn和預測精度離散標準差Sd，結果如表7所示。另外，為方便各模型精度比對，將由Ki(i=1,2,…,12)批次數據所建的PCDL和DL模型均取名為Mi。

表7　DL模型式(9)的S、Mn和Sd

由表7可知，DL模型式(9)的擬合精度S分布在0.43～1.11 μm，預測精度平均值Mn分布在5.58～34.75 μm，預測精度離散標準差Sd分布在2.95～21.35 μm。

4.4PCDL和DL模型的精度比較

圖4　DL和PCDL模型的擬合精度S的比較Fig.4　Comparison of fitting accuracy S of DL and PCDL models

圖5　DL和PCDL模型的預測精度平均值Mn的比較Fig.5　Comparison of mean of forecasting accuracy Mn of DL and PCDL models

造成上述效果的原因是，PCDL模型應用了主成分回歸(PCR)的建模方法，而PCR算法是一種處理共線性數據的有偏估計方法。即，PCDL模型在對自變量之間的多重共線性處理時，以犧牲部分擬合精度為前提，實現提高模型預測精度和穩(wěn)健性的目的。在實際熱誤差預測補償過程中，熱誤差補償是通過離線建立的模型對后續(xù)的機床熱誤差狀態(tài)進行預測實現的，因此，模型的預測精度和穩(wěn)健性才是最為需要關注的參數。所以，PCDL算法很好的實現了提高模型預測精度和穩(wěn)健性的目的。

5　實驗驗證

補充10月份和12月份的6批次熱誤差實驗數據，用以模型精度驗證。其中，6批次數據的具體參數如表9所示。

表9　驗證實驗數據的具體參數

表10　DL和PCDL模型的預測精度和穩(wěn)健性分析

6　結　論

本文提出一種時間序列模型預測穩(wěn)健性的提升方法。即將時間序列算法與能夠抑制多重共線性的建模算法結合起來，這樣既可在模型中通過加入溫度滯后值以提供更全面的溫度信息，又可對溫度滯后項引入后帶來的更為嚴重的多重共線性進行處理。本文選擇時間序列中的分布滯后(DL)算法、共線性抑制算法中的主成分回歸(PCR)算法為例，提出采用主成分分布滯后(PCDL)算法建立機床熱誤差補償模型的方法，并將其與DL算法的預測精度和穩(wěn)健性進行了比較。結果顯示，PCDL算法克服了溫度滯后值引入后帶來的嚴重多重共線性的影響，其預測精度遠優(yōu)于DL模型，預測精度提升達到9 μm左右。本文方法為時間序列數據建模在不同領域內的應用提供了參考。本文結論只針對Leaderway-v450型數控基礎，而對不同類型的數控加工中心并未給予深入研究，故實驗結果具有一定局限性。

[1]BRYAN J B. International status of thermal error research [J].CIRPAnnals-ManufacturingTechnology, 1990, 39(2)：645-656.

[2]ARONSON R B. War against thermal expansion [J].ManufacturingEngineering, 1996, 116(6)：45-50.

[3]YANG J G, YUAN J X, NI J. Thermal error mode analysis and robust modeling for error compensation on a CNC turning center [J].InternationalJournalofMachineTools&Manufacture, 1999, 39(9)：1367-1381.

[4]MIAO E M, GONG Y Y, NIU P C,etal.. Robustness of thermal error compensation modeling models of CNC machine tools [J].InternationalJournalofManufacturingTechnology, 2013, 69(9)：2593-2603.

[5]姚煥新, 牛鵬程, 苗恩銘,等. 數控機床熱誤差補償中分布滯后模型的建立[J]. 農業(yè)機械學報, 2013, 44(3):246-250.

YAO H X, NIU P CH, MIAO E M,etal.. Establishment of autoregressive distributed lag model in thermal error compensation of CNC machine tools [J].TransactionsofTheChineseSocietyofAgriculturalMachinery, 2013, 44(3):246-250. (in Chinese)

[6]苗恩銘, 龔亞運, 牛鵬程,等. 自回歸分布滯后模型在數控機床熱誤差建模中的應用[J]. 計量學報, 2013, 34(3).

MIAO E M, GONG Y Y, NIU P CH,etal.. Application of autoregressive distributed lag model to thermal error compensation of machine tools [J].ActaMetrologicaSinica, 2013, 34(3). (in Chinese)

[7]李永祥, 童恒超, 曹洪濤,等. 數控機床熱誤差的時序分析法建模及其應用[J]. 四川大學學報:工程科學版, 2006, 38(2):74-78.

LI Y X, TONG H CH, CAO H T,etal.. Application of time series analysis to thermal error modeling on NC machine tools [J].JournalofSichuanUniversity:EngineeringScienceEdition, 2006, 38(2):74-78. (in Chinese)

[8]張琨, 姚曉棟, 張毅,等. 基于時序模型優(yōu)化選擇的熱誤差建模[J]. 組合機床與自動化加工技術, 2011(10):36-39.

ZHANG K, YAO X D, ZHANG Y,etal.. Thermal error modeling based on optimum selection of time series models [J].ModularMachineTool&AutomaticManufacturingTechnique, 2011(10):36-39. (in Chinese)

[9]王振龍, 胡永宏.應用時間序列分析[M].北京：科學出版社,2007.

WANG ZH L, HU Y H.ApplicationofTimeSeriesAnalysis[M]. Beijing: Science Press,2007. (in Chinese)

[10]呂程, 劉子云, 劉子建,等. 廣義徑向基函數神經網絡在熱誤差建模中的應用[J]. 光學 精密工程, 2015, 23(6):1705-1713.

LV CH, LIU Z Y, LIU Z J,etal.. Application of generalized radial basis function neural network to thermal error modeling [J].Opt.PrecisionEng., 2015, 23(6):1705-1713. (in Chinese)

[11]李鳴鳴, 龔振邦, 孫麟治,等. 實驗數據RBF神經網絡模型中噪聲的處理方法[J]. 光學 精密工程, 2005, 13(z1):227-231.

LI M M, GONG ZH B, SUN L ZH,etal.. Strategies to the noise contained in experimental data in RBF neural network model [J].Opt.PrecisionEng., 2005, 13(z1):227-231. (in Chinese)

[12]于俊年.計量經濟學[M].北京：對外經濟貿易大學出版社, 2000.

YU J N.Econometrics[M]. Beijing: University of International Business and Economics Press, 2000. (in Chinese)

[13]曾九孫, 劉祥官, 羅世華,等. 主成分回歸和偏最小二乘法在高爐冶煉中的應用[J]. 浙江大學學報:理學版, 2009, 36(1):33-36.

ZENG J S, LIU X G, LUO SH H,etal.. Application of principle component regression and partial least square in blast furnace iron-making [J].JournalofZhejiangUniversity:ScienceEdition, 2009, 36(1):33-36. (in Chinese)

[14]史志偉, 韓敏. ESN嶺回歸學習算法及混沌時間序列預測[J]. 控制與決策, 2007, 22(3):258-261.

SHI ZH W, HAN M. Ridge regression learning in ESN for chaotic time series prediction [J].ControlandDecision, 2007, 22(3):258-261. (in Chinese)

[15]范金梅, 許黎明, 趙曉明,等. 機床熱誤差補償中溫度傳感器布置策略的研究[J]. 儀器儀表學報, 2005, 26(S1):83-84.

FAN J M, XU L M, ZHAO X M,etal.. Sensor placement strategy for thermal error compensation on machine tools [J].ChineseJournalofScientificInstrument, 2005, 26(S1):83-84. (in Chinese)

[16]LO C, YUAN J X，NI J. Optimal temperature variable selection by grouping approach for thermal error modeling and compensation [J].InternationalJournalofMachineTools&Manufacture, 1999, 39(99)：1383-1396.

[17]LEE J, YANG S. Statistical optimization and assessment of a thermal error model for CNC machine tools [J].InternationalJournalofMachineTools&Manufacture, 2002, 42(1)：147-155.

[18]楊建國, 鄧衛(wèi)國, 任永強,等. 機床熱補償中溫度變量分組優(yōu)化建模 [J]. 中國機械工程, 2004, 15(6)：478-481.

YANG J G, DENG W G, REN Y Q,etal.. Grouping optimization modeling by selection of temperature variables for the thermal error compensation on machine tools [J].ChinaMechanicalEngineering, 2004, 15(6)：478-48. (in Chinese)

[19]苗恩銘, 龔亞運, 成天駒, 等. 支持向量回歸機在數控加工中心熱誤差建模中的應用 [J]. 光學 精密工程, 2013, 21(4)：980-986.

MIAO E M, GONG Y Y, CHENG T J,etal.. Application of support vector regression to thermal Error modeling of machine tools [J].Opt.PrecisionEng., 2013, 21(4)：980-986. (in Chinese)

[20]苗恩銘, 劉義, 高增漢,等. 數控機床溫度敏感點變動性及其影響[J]. 中國機械工程, 2016(3).

MIAO E M, LIU Y, GAO Z H,etal.. Variability of temperature-sensitive points and Its influences for CNC machines tools [J].ChinaMechanicalEngineering, 2016(3):285-289. (in Chinese)

苗恩銘(1970-)，男，安徽阜陽人，博士生導師、教授，2004年于合肥工業(yè)大學獲得博士學位，主要研究方向為精密機械工程、精度理論、數控機床熱誤差補償、機械熱魯棒性結構設計理論與應用技術。E-mail:miaoem@163.com

劉義(1994-)，男，安徽淮北人，碩士研究生，2014年于合肥工業(yè)大學獲得學士學位，主要從事數控機床熱誤差補償技術研究、機械形體熱變形規(guī)律研究。E-mail:liuyi8045@163.com

(版權所有未經許可不得轉載)

Improvement of forecasting robustness of time series model for thermal error on CNC machine tool

MIAO En-ming*, LIU Yi, DONG Yun-fei, CHEN Wei-kang

(School of Instrument Science and Opto-electronics Engineering,HefeiUniversityofTechnology,Heifei, 230009,China)*Correspondingauthor,E-mail:miaoem@163.com)

When the time series algorithm is used to establish a thermal error compensation model for a Computer Numerical Controlled (CNC) Machine, it shows a shortcoming of forecasting robustness caused by the severe multiple collinearity. This paper proposes a method for improving the forecasting robustness of the time series algorithm. This algorithm combines the time series algorithm with the modeling algorithms which are able to suppress multiple collinearity. Thus, it not only provides more comprehensive temperature information by adding the temperature lag values in the thermal error model, but also deals with the severe multiple collinearity brought by the added temperature lag values. The Distribution Lag (DL) algorithm that belongs to time series algorithms and Principal Component Regression (PCR) algorithm that can suppress the multiple collinearity are selected as the examples, and a modeling method for establishing the thermal error compensation model of the machine tool is proposed by the Principal Component Distribution Lag (PCDL) algorithm. The forecasting accuracy and robustness of PCDL algorithm are compared with that of DL algorithm. The results show that the PCDL algorithm suppress the impact of multiple collinearity, so, its model′s forecasting accuracy and robustness are far better than that of DL model, and the forecasting accuracy is improved about 9 μm. The proposed method provides a good reference for the application of time series data modeling in different fields.

Numerical Controlled Machine (NCM) tool; thermal error; time series model; forecasting robustness; principal component distribution lag algorithm

2016-05-07；

2016-06-10.

國家自然科學基金重大資助項目(No.51490660,No.51490661);國家自然科學基金資助項目(No.51175142)

1004-924X(2016)10-2480-10

TG659

Adoi:10.3788/OPE.20162410.2480