[发明专利]基于并联深度学习网络的数控机床热误差预测与补偿方法

说明书

本发明公开了一种基于并联深度学习网络的数控机床热误差预测与补偿方法，包括如下步骤：A、采集样本数据：在数控机床上选取热源测量点，检测热源测量点的温度值，和对应时间点的主轴热误差值，作为样本数据；B、建立基于并联深度信念网络的深度学习热误差预测模型；C、将采集到样本数据训练深度学习热误差预测模型；D、实时检测数控机床热源测量点的温度值，并输入训练后的深度学习热误差预测模型，实时预测热误差值；E、将预测的热误差值作为数控机床坐标系原点的补偿平移量，通过坐标系原点偏移实现热误差实时补偿。本发明具有能够准确表征大数据情况下监测温度信号与热误差之间复杂的映射关系，有利于提高热误差预测与补偿精度等优点。

技术领域

本发明涉及数控机床行业的精度控制技术领域，特别的涉及一种基于并联深度学习网络的数控机床热误差预测与补偿方法。

背景技术

据统计，在精密加工过程中由于工艺系统热变形引起的加工误差占总加工误差的40％-70％，其中数控机床热变形误差占的比重很大，甚至占整个工件加工误差的50％以上。合理有效地进行热误差控制是提高数控机床加工精度的重要保证。误差补偿法就是其中一种最常用有效的方法。而热误差补偿的前提是能够尽可能准确地建立机床热误差和温度之间的映射关系，从而在实时补偿过程中用机床温度值来预报热误差。

由于热误差本身具有准静态时变、非线性、衰减延迟以及耦合的综合特征，所以难以采用理论分析来建立精确热误差数学模型。目前常用的热误差建模方法为实验建模法，即根据统计理论对热误差数据和机床温度值作相关分析用最小二乘原理进行拟合建模。近年来，浅层神经网络理论(BP网络、RBF网络)、灰色系统理论等也已运用到热误差建模中。但用传统方法建立起来的热误差数学模型的除了存在补偿精度和鲁棒性问题外，还存在两大缺陷：一是需要掌握大量的信号处理技术结合丰富的工程实践经验来提取信号特征；二是使用浅层模型难以表征大数据情况下监测信号与热误差之间复杂的映射关系。

深度学习网络及其学习算法，作为成功的大数据分析方法，与传统方法相比，深度学习方法以数据驱动、能自动地从数据中提取特征(知识)，对于分析非结构化、模式不明多变、跨领域的大数据具有显著优势。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够自动提取数控机床温度数据深层特征，准确表征大数据情况下监测温度信号与热误差之间复杂的映射关系，有利于提高热误差预测与补偿精度、实时性和适应性的基于并联深度学习网络的数控机床热误差预测与补偿方法。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，包括如下步骤：

A、采集样本数据：在数控机床上选取热源测量点，检测热源测量点的温度值，和对应时间点的主轴热误差值，作为样本数据；

B、建立基于并联深度信念网络的深度学习热误差预测模型；

C、采用步骤A所采集到样本数据训练深度学习热误差预测模型；

D、实时检测数控机床热源测量点的温度值，并输入训练后的深度学习热误差预测模型，实时预测热误差值；

E、将预测的热误差值作为数控机床坐标系原点的补偿平移量，通过坐标系原点偏移实现热误差实时补偿。

进一步的，其特征在于，对输入的温度样本数据进行归一化处理到区间[0，1]，对网络预测输出的热误差值进行去归一化处理。