1.一种基于包裹式原理的数控机床热误差预测方法，在机床上布置多个关键温度点，每个关键温度点安装一个温度传感器，每隔一定时间间隔记录每个温度传感器的温度数据，采用三点法测量每个关键温度点的热误差数据，利用记录的温度数据和测量的热误差数据进行机床热误差预测，其特征在于，具体包括以下步骤：S1、构建基于最小二乘支持向量机的热误差模型，输入温度数据和热误差数据，并根据

10折交叉验证法将温度数据和热误差数据划分为训练集和测试集；

S2、将训练集数据输入基于最小二乘支持向量机的热误差模型进行训练；

S3、将测试集数据中的温度数据输入完成训练的最小二乘支持向量机热误差模型，得到预测的热误差值，并计算预测的热误差值与测量的热参数值之间的10折交叉验证的平均均方根误差；

S4、根据平均均方根误差和关键温度点的个数计算二进制鲸鱼优化算法的代价函数；

S5、判断当前迭代次数是否超过最大迭代次数或者最近50次迭代的结果得到的代价函数的值一致，若是则进行S8；否则进行步骤S6；

S6、导出热误差模型当前的核函数参数以及平衡参数，将不同关键温度点进行组合，并根据当前的核函数参数以及平衡参数的值计算得到当前的最优核函数参数以及平衡参数，将每个关键温度点的组合与该当前的最优核函数参数以及平衡参数进行打包编码作为鲸鱼位置，根据二进制鲸鱼优化算法寻优得到最优鲸鱼位置；

S7、将最优鲸鱼位置中包括的所有关键温度点的温度数据和热误差数据作为训练数据、将最优鲸鱼位置中的最优核函数参数以及平衡参数输入基于最小二乘支持向量机的热误差模型，进行训练并返回步骤S3；

S8、输出最优关键温度点、最优核函数参数以及平衡参数，完成最小二乘支持向量机的热误差模型的构建，将最优关键温度点处的实际温度输入最小二乘支持向量机的热误差模型，得到机床热误差的预测值。

2.根据权利要求1所述的一种基于包裹式原理筛选关键温度点的机床热误差预测方法，其特征在于，构建基于最小二乘支持向量机的热误差模型包括：其中，f(xp)为热误差预测值；αi为拉格朗日乘子，b为常数项， 为核函数，N是训练样本个数；xp为任意一组p个关键温度点的温度数据构成的向量， 为第i组p个关键温度点的温度数据构成的向量。

3.根据权利要求2所述的一种基于包裹式原理筛选关键温度点的机床热误差预测方法，其特征在于，核函数 表示为：其中，σ2为核函数参数，||·||2表示L2范数， 表示第j组p个关键温度点的温度数据构成的向量。

4.根据权利要求1所述的一种基于包裹式原理筛选关键温度点的机床热误差预测方法，其特征在于，所述将不同关键温度点进行组合，得到多组关键温度点的组合，并根据当前的核函数参数以及平衡参数计算得到最优的核函数参数以及平衡参数包括将K个关键温度点的筛选情况 表示为： Ti表示训练样本中第i个关键温度点，当Ti＝1时表示该温度点被二进制鲸鱼优化算法筛选出作为关键温度点，当Ti＝0时表示该温度点没有被二进制鲸鱼优化算法选出作为关键温度点；根据当前的核函数参数以及平衡参数计算得到的当前最优核函数参数以及平衡参数分别表示为：其中，γ表示当前最优的平衡参数，σ2表示当前最优的核函数参数；γmin为关键温度点对应的最小平衡参数，γmax为关键温度点对应的最大平衡参数， 为关键温度点对应的最小核函数参数， 为关键温度点对应的最大核函数参数； 为当前平衡参数的二进制表示； 为当前核函数参数的二进制表示；dr为分辨率向量，r为分辨率控制参数。

5.根据权利要求1所述的一种基于包裹式原理筛选关键温度点的机床热误差预测方法，其特征在于，鲸鱼位置的打包编码包括将一个关键温度点的组合与当前最优的核函数参数以及平衡参数作为一个鲸鱼位置，并将该鲸鱼位置打包编码为K1+K2+K3位二进制信息，其中K1的位数为关键温度点的总数量，用于记录关键温度点的组合情况；K2的位数为核函数参数的精度，即使用K2位二进制表示的核函数参数，用于记录核函数参数的信息；K3的位数为平衡参数的精度，即使用K3位二进制表示的平衡参数，用于记录平衡参数的信息。

6.根据权利要求1所述的一种基于包裹式原理筛选关键温度点的机床热误差预测方法，其特征在于，所述根据二进制鲸鱼优化算法筛选出最优鲸鱼位置包括：其中，V(t+1)表示第t+1次迭代的鲸鱼位置，～V(t)表示V(t)的非变换，S表示变换概率函数；A为收敛因子，表示为A＝2ar1-a，其中a为迭代因子，r1为随机因子；D表示个体在更新之前与随机个体rand之间的距离。

7.根据权利要求5所述的一种基于包裹式原理筛选关键温度点的机床热误差预测方法，其特征在于，所述个体在更新之前与随机个体rand之间的距离表示为：其中，r1和r2均为随机因子，a为迭代因子，Vbest(t)表示第t次迭代最优的鲸鱼位置，Vrand(t)表示第t次迭代的随机个体rand的位置。

8.根据权利要求1所述的一种基于包裹式原理筛选关键温度点的机床热误差预测方法，其特征在于，代价函数表示为：F＝ARMSE+p/P；

其中，F为代价函数，ARMSE为10折交叉验证的平均均方根误差，p表示被二进制鲸鱼优化算法选出的关键温度点个数，P表示总的关键温度点个数。