[发明专利]一种基于图像阈值设置的机床主轴热误差建模训练方法

权利要求书

1.一种基于图像阈值设置的数控机床主轴热误差建模训练方法，其特征在于：

第一步：将多个温度传感器均匀布置在数控机床主轴前后轴承上，将位移传感器布置到机床主轴前轴承轴向和两个径向方向处，所述位移传感器分别检测主轴轴向以及径向方向的位移量，所述位移量为主轴热误差，按照设定速度使数控机床主轴空转2h-3h，每隔1-3min红外热像仪采集一次升温温度数据，位移传感器采集一次位移量，采集结束后，停转机床，静置2h-3h，每隔1-3min红外热像仪采集一次降温温度数据，位移传感器采集一次位移量；

第二步：红外热像仪根据环境温度设定好温度条范围，根据采集的升温数据，得到相应的多个温度条颜色阈值，根据多个颜色阈值进行均等数值扩充以及排列组合，使最后得到的数值整体大小为输入图像大小，并将得到的整体数组转为图像；

第三步：以采集到的位移量为标签，和转化后的图像一一对应制作图像数据集，将数据集分为训练集以及测试集，进行训练预测；

第四步：设定卷积神经网络模型，输入训练集进行训练，当训练精度达到90％以上，停止训练，保存模型，输入测试集进行测试，若精度未达到90％以上，进行参数调整，使预测精度达到90％以上；

第四步的卷积神经网络模型分为计算和调参两部分：

一个卷积神经网络由若干卷积层、池化层、全连接层组成；

首先对图像的每个像素进行编号，x_d,i+m,j+n表示图像的第d层第i+m行第j+n列像素，ω_d,m,n表示滤波器的第d层第m行第n列权重，用w_b表示滤波器的偏置项；对特征图的每个元素进行编号，用a_i,j表示特征图的第i行第j列元素；D是深度；F是滤波器的大小；用f表示激活函数，W₂是卷积后特征图的宽度；W₁是卷积前图像的宽度；P是零填充的数量；S是步幅；H₂是卷积后特征图的高度；H₁是卷积前图像的宽度，使用下列公式计算卷积层的特征图：

W₂＝(W₁-F+2P)/S+1

H₂＝(H₁-F+2P)/S+1

采用池化层去掉温度特征图中不重要的样本，图像训练集经过多次卷积、池化，使特征图一维化得到一个列向向量，作为全连接层的输入，经过全连接层的计算，得到1个输出量，分别对主轴轴向误差、两个主轴径向误差和两个arctan(径向热误差/轴向热误差)进行训练调参；

第五步：进行有限元验证，利用ANSYS软件进行仿真分析，将仿真得到的主轴温度场图片作为卷积神经网络模型输入得到主轴热变形的预测值，并与仿真得到的热变形场数据进行比较，若两者的偏差在一定偏差范围内，即验证模型精度满足要求，否则，返回第四步，进行再次的训练调参以及测试验证。

2.根据权利要求1所述一种基于图像阈值设置的数控机床主轴热误差建模训练方法，其特征在于：第一步中按照设定速度使数控机床主轴空转2.5h，每隔2min红外热像仪采集一次升温温度数据，位移传感器采集一次位移量，采集结束后，停转机床，静置2.5h，每隔2min红外热像仪采集一次降温温度数据，位移传感器采集一次位移量。

3.根据权利要求2所述一种基于图像阈值设置的数控机床主轴热误差建模训练方法，其特征在于：卷积神经网络模型训练调参中全连接层利用梯度下降方法，通过反向传播算法得到最佳权重参数以及偏置项参数。

4.根据权利要求3所述一种基于图像阈值设置的数控机床主轴热误差建模训练方法，其特征在于：卷积神经网络模型训练调参中卷积层利用链式求导计算损失函数对每个权重的偏导数，然后根据梯度下降方法更新权重，通过反向传播算法得到最佳权重参数以及偏置项参数，调整好权重参数以及偏置项参数后，使卷积神经网络模型精度达到预期精度。

5.根据权利要求2、3或4所述一种基于图像阈值设置的数控机床主轴热误差建模训练方法，其特征在于：第四步的卷积神经网络模型训练的池化方法是采取最大池，在n×n的样本中取最大值，作为采样后的样本值。

6.根据权利要求5所述一种基于图像阈值设置的数控机床主轴热误差建模训练方法，其特征在于：步骤五可由如下方式替代：实际实验验证；主轴在不同于第一步中测试集数据采集的工况下转动一定时间，利用红外热像仪采集主轴温度场图片，采用位移传感器采集主轴轴向误差，主轴径向误差，并计算两个arctan(径向热误差/轴向热误差)；将温度场图片代入第四步得到的卷积神经网络模型，预测得到当前工况下的主轴热变形，并与位移传感器测得的实际数据进行比较，若两者之偏差在5微米内，即验证热误差建模可行，否则，返回第四步，进行再次训练调参以及测试验证。