[发明专利]一种基于卷积网络的五轴机床旋转轴热误差建模方法

权利要求书

1.一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：它包括：

第一步，确定红外热像仪拍摄对象；

第二步，采用红外热像仪拍摄C轴区域升温以及降温图像；

第三步，热图像拍摄完毕，采用激光干涉仪测量不同温度下C轴的转角定位误差，一次转角定位误差测量过程中，测量起点和终点分别为0°，360°，每10°采集一点数据，共36点；

第四步，令C轴按照设定的速度旋转升温，升温过程中每间隔一定时间重复第二步、第三步以采集热图像和热误差数据，升温五小时后C轴停转并降温，降温过程中每间隔一定时间重复上述步骤采集热图像和热误差数据，降温持续4小时；

第五步，预处理C轴热图像

将热图像转化为数组后，减去初始热图像数组，得到的图像数组再转化为图像；

第六步，增强热图像

将预处理后的热图像进行翻转和旋转操作，包括上下和左右翻转，逆时针旋转90°、180°和270°；

第七步，搭建热误差预测卷积神经网络

搭建的热误差预测卷积神经网络属于多输出分类卷积网络，可预测一张输入图片的多个标签，标签和热图像组成数据集，将数据集划分为训练集、验证集和测试集，开始进行训练，训练精度在验证集上达到90％以上，停止训练，保存模型；

第八步：输入测试集，检验模型的预测精度，若预测精度未达到90％以上，再次对模型进行训练，直至预测精度达到90％以上。

2.根据权利要求1所述一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：它包括：第三步中激光干涉仪测量得到的36个转角定位误差点的分布呈近似周期为2π的正弦函数或者余弦函数分布。

3.根据权利要求2所述一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：第三步中测量得到的转角定位误差拟合得的正弦曲线函数是：

y＝a·sin(π·β/180+b)+c

式中，参数a为光栅安装偏心率，b为相位差，c为高阶小量，β为旋转轴的转动角度；

以a、b、c三个参数作为标签。经过拟合，模型由36个训练与预测结果减少到了3个训练与预测结果，对C轴转角定位误差的直接预测转化为误差曲线参数的预测。

4.根据权利要求3所述一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：将数据集按8:1:1划分为训练集、验证集和测试集。

5.根据权利要求4所述一种基于卷积网络的五轴机床旋转轴热误差建模方法，其特征在于：所述多输出分类卷积网络包含卷积层、激活层、池化层和并行的三组全连接层；

卷积层:为了清楚的描述卷积计算过程，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；F是滤波器的宽度；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；

W₂＝(W₁-F+2P)/S+1

H₂＝(H₁-F+2P)/S+1

激活层：图像数组经过激活层，引入了非线性特征，采用ReLU，运算公式如下：

f(x)＝max(0,x)

池化层：滤波器大小为3×3，步幅为2

前向传播计算完毕后，开始对模型进行训练调参，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。