运动误差,作为数控机床误差的最终反应,包含了数控机床的几何误差和控制误差的信息,对数控机床的加工精度有着重大的影响;如何快速准确的监控生产线上运行的数控机床的运动误差,对抑制加工产品批量事故的发生及提高企业的生产效率具有积极的意义。而当前学者们对于数控机床精度的研究偏重于检测、控制与补偿等领域,对误差溯源领域的的研究却较少。已有对误差溯源的研究多采用误差建模,方法复杂且依赖数控机床的结构和类型,适用范围较小。本文提出利用数控机床圆运动轨迹的图形,采用图形识别相关技术,定义一种新的特征角点并开发出角点检测算子,检测此角点在圆运动轨迹图形上的分布规律;将圆周分割为16维,分析各维上可反映该维整体特征的平均半径和反映局部特征的角点个数,从而建立可反映图形特征的三维特征矩阵,并采用支持向量机对特征矩阵到误差图形的映射的鲁棒性做了验证,最后结合径向基函数神经网络实现运动误差源溯因网络的构建,实验结果显示该方法识别准确率高,识别速度快,简便而高效。更开发了软件系统,简洁明了的界面,具有优良的友好性。采用本文所述方法尤其适合机床使用企业在制造过程中的精度溯因与控制,方法经济简便,具有较大的实际应用价值。本文的主要研究内容分为图形的角点检测、图形特征提取、特征矩阵到误差图形映射鲁棒性的验证和综合误差溯源网络的建立三个部分:首先是图形的识别工作,本文提出一种新的特征角点,采用角点检测的方法,将采集来的圆运动误差轨迹图形经过预处理之后再分割为16维,经过文中设计开发的角点检测器检测出符合定义的特征角点。其次,研究特征角点在分割为16维的误差轨迹图形的分布规律,计算各维圆周上所有点的平均半径和特征角点个数,构建了一个三维特征矩阵,从而建立了误差图形与特征矩阵的映射关系。并采用支持向量机对该映射关系进行了验证,结果显示支持向量机对实验样本的分类效果显著,表明文中所建立的映射关系鲁棒性强。最后,建立基于径向基函数神经网络的综合误差溯因网络,以特征矩阵为输入,各单项误差源为网络输出。经过训练的溯因网络最终实现了对综合误差的快速溯因,且识别率较高。