一种定位平台的热误差建模方法技术

本发明专利技术提出了一种定位平台的热误差建模方法，包括如下步骤：读入定位平台的热误差数据，并进行归一化处理；确定BP神经网络结构，并初始化权值和阈值；根据麻雀搜索算法获得最优权值和阈值；对BP神经网络进行训练和样本测试，将训练好的BP神经网络作为热误差预测模型。本发明专利技术的优点在于：提出了基于麻雀搜索算法优化BP神经网络热误差模型，提高了模型精度，证明了基于麻雀搜索算法的BP神经网络热误差建模具有更强的预测效果。最后通过不同定点热误差输出效果对比，证明了SSA

【技术实现步骤摘要】
一种定位平台的热误差建模方法


[0001]本专利技术涉及高精度定位平台
，具体涉及一种定位平台的热误差建模方法。

技术介绍

[0002]高精度定位平台广泛的应用于精密造业、自动化生产、MEMS等领域，且运动形式丰富，如单轴机器人，双轴龙门定位平台等，以及较为广泛的XY直驱式高精度定位平台(晶圆划片平台)。XY直驱式高精度定位平台三维结构设计如图1所示。结构组成主要有三部分：1、支撑部分：X载台、X底座、Y底座等；2、运动部分：直驱电机、导轨、防撞块以及滑块等。3、反馈部分：光栅尺、位置传感器。其中基座材料为铝合金、导轨材料为优质合金钢。
[0003]高精度定位平台在工作过程中，由于各个部件的热效应、周围环境温度等产生的温度场，会使得定位和测量数据产生热误差，如何研究这些热误差对定位平台工作效果的影响，目前尚无好的办法，仍旧依靠人工的经验判断为主对热误差进行调节。因此，目前急需对定位平台的热误差进行精确建模和分析的方法。

技术实现思路

[0004]本专利技术的目的是通过以下技术方案实现的。
[0005]一种定位平台的热误差建模方法，其特征在于，包括如下步骤：
[0006]读入定位平台的热误差数据，并进行归一化处理；
[0007]确定BP神经网络的结构，并初始化权值和阈值；
[0008]根据麻雀搜索算法获得最优权值和阈值；
[0009]对BP神经网络进行训练和样本测试，将训练好的BP神经网络作为热误差预测模型。
[0010]进一步地，所述麻雀搜索算法包括以下步骤：
[0011]计算种群适应度值并排序；
[0012]通过寻食者、追随者机制更新个体位置；
[0013]根据预警机制更新部分个体位置；
[0014]更新适应度值，更新最优位置；
[0015]判断是否满足预设结束条件，如果是则输出结果，如果否，则返回计算种群适应度值并排序的步骤。
[0016]进一步地，所述热误差数据包括三个温度测点的温度值以及样本取样规则中以30s获取样本的时间点。
[0017]进一步地，所述BP神经网络的输入层的神经元节点数为4，输出层为1。
[0018]进一步地，所述BP神经网络的隐含层节点数确定方式如下：
[0019]根据如下经验公式计算隐含层节点数的范围：
[0020][0021]式中M是隐含层神经元节点数，n、m分别是输入、输出层对应的节点数，1≤a≤10，且a是常数；初步确定M在3到15之间，从M＝3开始，对训练集进行迭代训练，得到BP神经网络的仿真模型的均方根误差RMSE，选择RMSE最小值对应的最下隐含层节点数为最优节点数量。
[0022]进一步地，利用MATLAB中的mapminmax函数将热误差数据归一到[
‑
1,1]，然后将数据还原，其中归一化公式如下：
[0023][0024]y是归一化后的热误差值，x是归一化前的热误差值，x
max
,x
min
是实验数据转化前的最大值和最小值，y
max
,y
min
是实验数据转化后的最大值和最小值。
[0025]进一步地，所述通过寻食者机制更新个体位置，包括：
[0026]当寻食麻雀位置发生变化时，描述为：
[0027][0028]式中，X
ij
表示第i个麻雀在j维的具体位置，t、iter
max
表示迭代的次数和最高次数，j＝1，2，3，...d，d是输入量维度；a是(0，1]上的任意值；R2也在(0，1]上，表示报警阈值，ST在(0.5，1]上，表示安全值；Q是正态分布区间上的任意值；L是1
×
d的矩阵，且元素都是1；exp表示以自然常数e为底的指数函数。
[0029]进一步地，所述通过追随者机制更新个体位置，包括：
[0030]当追随者发现存在更多的食物区域时，追随者的位置变化如下：
[0031][0032]式中X
P
是寻食者所在的最有优势的地点，X
WORST
则是最差的地点；A是元素为1或是
‑
1的矩阵，它的取值是随机的，同时满足A
+
＝A
T
(AA
T
)
‑1；n是麻雀数量，当i＞n/2时说明跟随麻雀没有能够获得足够的食物，为此不得不转移位置去可能存在更多食物的区域。
[0033]进一步地，所述根据预警机制更新部分个体位置，包括：
[0034]当麻雀感知到外接捕猎者威胁时，就会发生转移去规避危险，在一个麻雀群体中如果有10％
‑
20％的麻雀感觉到了威胁，他们的位置表示为：
[0035][0036]式中X
best
代表最有优势的地点，f
i
是适应度值，f
g
和f
w
代表优或者劣的适应度值，ε取值为最小常量；f
i
＞f
g
表示麻雀在群体的边缘位置并且受到外界的危险威胁，需要转移群体安全地点，就是表示群体中最安全的地点，公式中β是麻雀位移的第一步长系数；f
i
＝f
g
表示处在群体中的麻雀感觉到了危险需要向其他的麻雀周边转移来规避被捕猎的危险，这里的K是麻雀位移的第二步长系数，K是在[
‑
1，1]的随机取值。
[0037]进一步地，所述麻雀搜索算法的参数如下：
[0038][0039]本专利技术的优点在于：提出了基于麻雀搜索算法优化BP神经网络热误差模型，提高了模型精度，证明了基于麻雀搜索算法的BP神经网络热误差建模具有更强的预测效果。最后通过不同定点热误差输出效果对比，证明了SSA
‑
BP神经网络算法在定位平台热误差建模上不仅预测精度更高，还有良好的泛化性。
附图说明
[0040]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0041]图1示出了现有技术中XY直驱式高精度定位平台三维结构图。
[0042]图2示出了根据本专利技术实施方式的SSA算法流程图。
[0043]图3示出了根据本专利技术实施方式的SSA
‑
BP算法流程图。
[0044]图4示出了根据本专利技术实施方式的SSA
‑
BP神经网络模型训练图。
[0045]图5示出了根据本专利技术实施方式的SSA
‑
BP神经网络算法的适应度变化曲线图。
[0046]图6示出了根据本专利技术实施方式的优化前后对比图。
[0047]图7示出了根据本专利技术实施方式的样本预测误差示意图。
[0048]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种定位平台的热误差建模方法，其特征在于，包括如下步骤：读入定位平台的热误差数据，并进行归一化处理；确定BP神经网络的结构，并初始化权值和阈值；根据麻雀搜索算法获得最优权值和阈值；对BP神经网络进行训练和样本测试，将训练好的BP神经网络作为热误差预测模型。2.根据权利要求1所述的一种定位平台的热误差建模方法，其特征在于，所述麻雀搜索算法包括以下步骤：计算种群适应度值并排序；通过寻食者、追随者机制更新个体位置；根据预警机制更新部分个体位置；更新适应度值，更新最优位置；判断是否满足预设结束条件，如果是则输出结果，如果否，则返回计算种群适应度值并排序的步骤。3.根据权利要求1所述的一种定位平台的热误差建模方法，其特征在于，所述热误差数据包括三个温度测点的温度值以及样本取样规则中以30s获取样本的时间点。4.根据权利要求1所述的一种定位平台的热误差建模方法，其特征在于，所述BP神经网络的输入层的神经元节点数为4，输出层为1。5.根据权利要求1所述的一种定位平台的热误差建模方法，其特征在于，所述BP神经网络的隐含层节点数确定方式如下：根据如下经验公式计算隐含层节点数的范围：式中M是隐含层神经元节点数，n、m分别是输入、输出层对应的节点数，1≤a≤10，且a是常数；初步确定M在3到15之间，从M＝3开始，对训练集进行迭代训练，得到BP神经网络的仿真模型的均方根误差RMSE，选择RMSE最小值对应的最下隐含层节点数为最优节点数量。6.根据权利要求1所述的一种定位平台的热误差建模方法，其特征在于，利用MATLAB中的mapminmax函数将热误差数据归一到[
‑
1,1]，然后将数据还原，其中归一化公式如下：y是归一化后的热误差值，x是归一化前的热误差值，x
max
,x
min
是实验数据转化前的最大值和最小值，y
max
,y
min
是实验数据转化后的最大值和最小值。7.根据权利要求2所述的一种定位平台的热误差建模方法，其特征在于，所述通过寻食者机制更新个体位置，包括：当寻食麻雀位置发生变化时，描述为：
式中，X
ij
表示第i个麻雀在j维的具体位置，t、iter...

【专利技术属性】
技术研发人员：刘吉柱，王淑浩，胡伟，李涛，
申请(专利权)人：苏州大学，
类型：发明
国别省市：