摘要：最小二乘支持向量机（LS-SVM）模型是表征数控机床热误差特性的有效工具，但该模型中的参数设置直接影响建模的精度。传统的基于交叉验证法或网格法的参数获取方法存在计算量大、精度低的缺点，且同一组模型常数往往不能准确表征机床多种工况条件下所产生的热误差。为解决这一问题，提出了一种基于贝叶斯证据框架理论的LS-SVM多工况参数优化方法。通过测量不同工况下数控机床温度值与主轴热变形量，采用贝叶斯证据框架的3个推断对LS-SVM模型进行训练并对参数进行辨识和优化，推导出了不同工况所对应的最优模型和参数。热误差建模实验验证了该参数优化方法的有效性，结果显示，经优化的模型具有泛化能力强、预测精度高、计算速度快的特点，能够较准确地描述多种典型工况条件下的实际热误差特性。

关键词：贝叶斯证据框架 热误差建模 多工况 参数优化 

单位：衢州职业技术学院; 衢州324000; 浙江大学; 杭州310027