[发明专利]主轴系统热误差建模方法、误差预测系统、误差控制系统、误差控制方法及云雾计算系统

说明书

本发明公开了一种主轴系统热误差建模方法，包括如下步骤：1)以改进的BA算法构建IBA‑GRU模型的结构；2)以GRU神经网络的时间窗口大小，批处理大小和单元数量作为优化变量，初始化蝙蝠种群；3)采用改进的BA算法优化IBA‑GRU模型；4)将优化得到的最优超参数用于IBA‑GRU模型，得到主轴系统热误差模型并用于预测主轴系统的热误差。本发明还公开了一种主轴系统动态热误差预测系统、热误差控制方法和云雾计算系统。本发明的主轴系统热误差建模方法、误差预测系统、误差控制系统、误差控制方法及云雾计算系统，具有出色预测性能和鲁棒性，能够反映热误差机制并具有自学习能力。

技术领域

本发明属于机械误差分析技术领域，具体的为一种主轴系统热误差建模方法、误差预测系统、误差控制系统、误差控制方法及云雾计算系统。

背景技术

由于加工刀具与工件之间的相对空间位置随运行时间而变化，因此导致加工精度下降。热引起的误差是导致相对空间位置的关键因素。为了显着提高加工精度，需要减少或避免热致误差。电动主轴系统是精密机床的核心组成部分。但是，由于诸如热负荷的强度和位置、材料特性、环境温度和冷却系统等因素之间复杂的相互作用，热引起的误差非常大。控制和补偿系统的关键是具有强大鲁棒性和出色预测性能的热误差模型。热引起的误差显示出非线性，时变和非平稳的行为。因此，具有强鲁棒性和优异控制效果的热致误差控制变得极为困难。

当前，热致误差控制方法的研究是一个研究热点。研究方向主要集中在机床热致误差的减少和预测上。研究方法主要有理论和实验建模两种。其中，理论建模方法研究了机床的误差机理和热特性分析。虽然理论建模方法有效地揭示了误差机理，然而难以实现边界条件的准确表征，这使得热特性建模不准确。另外，现有的理论模型不能很好地应用于错误控制。实验建模和控制方法对于提高加工精度是有效且经济的，但对于热引起的误差模型的控制效果和鲁棒性仍不令人满意。

在海量数据和并行计算性能增长的背景下，具有自学习和自我调节能力的深度学习(DL)的预测性能接近甚至超越人类。与传统模型相比，深度神经网络适用于用层次化特征表示来表征深层和复杂的非线性关系，并适用于处理具有多因素、不稳定和复杂行为的热误差数据。更重要的是，在没有考虑误差机理的情况下建立了经验模型，从而导致误差数据与模型特征之间的匹配度降低。人工神经网络无法计算数据在时间轴上的传播，并且递归神经网络(RNN)的输出值受到先前输入的影响。在许多建模和预测问题中，预测的错误序列具有长期依赖性，并且其长度可能会随时间变化，或者是隐藏且未知的。与其他线性预测模型相比，RNN模型对历史数据具有一定的记忆性能，可以学习任意复杂的函数和变量之间隐藏的非线性相互作用，并且在具有时序特性的错误建模和预测中具有最大优势。尽管RNN解决了时间依赖性的问题，但是在反向传播的链式导数计算中仍然存在梯度消失或爆炸的问题。GRU类似于LSTM网络，它们都用于解决RNN中长期记忆的梯度消失问题。LSTM神经网络具有三个不同的门，并且要训练的参数太多，训练的收敛速度慢等缺点非常明显。GRU只有两个门控结构。GRU的预测效果几乎与具有参数调整功能的LSTM网络的预测效果相同，并且GRU比LSTM网络收敛速度更快，更易于训练，因此，GRU被广泛使用。

发明内容

有鉴于此，本发明的目的在于提供一种主轴系统热误差建模方法、误差预测系统、误差控制系统、误差控制方法及云雾计算系统，上述方法和系统具有出色预测性能和鲁棒性，能够反映热误差机制并具有自学习能力。

为达到上述目的，本发明提供如下技术方案：

本发明首先提出了一种主轴系统热误差建模方法，包括如下步骤：

1)以改进的BA算法构建IBA-GRU模型的结构；

2)以GRU神经网络的时间窗口大小，批处理大小和单元数量作为优化变量，初始化蝙蝠种群；

3)采用改进的BA算法优化IBA-GRU模型，优化的适应度函数为：