[发明专利]STO-TCN热误差预测模型建模方法及其迁移学习方法

说明书

本发明公开了一种STO‑TCN热误差预测模型建模方法，包括如下步骤：1)初始化燕鸥优化算法STO的参数；2)创建TCN神经网络；3)以热误差数据训练TCN神经网络，以平均绝对误差MAE视为适应度函数；4)判断平均绝对误差MAE是否小于设定阈值；5)判断迭代次数是否达到最大值，若是，则终止迭代，以平均绝对误差MAE最小时的燕鸥位置映射得到的批处理大小和滤波器数量作为TCN神经网络的最佳超参数；若否，则迭代次数加1，并将更新后的燕鸥位置映射为TCN神经网络的批处理大小和滤波器数量后，循环执行步骤3)；5)构建得到STO‑TCN热误差预测模型。本发明还公开了一种STO‑TCN热误差预测模型的迁移学习方法。

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STO-TCN热误差预测模型建模方法及其迁移学习方法。

背景技术

机床的结构变形会影响零件的加工精度。需要在需要一些苛刻的条件下在短时间内完成误差预测和补偿：例如，当转速从6000m/min提高到23000m/min时，要求机床主轴精度小于3μm。而且，在影响机床加工精度的所有误差项中，热误差是主要误差项。误差控制对于提高加工零件的几何精度至关重要。对于机床来说，影响机床热误差的热源有很多，包括电机、轴承、滚动导轨、滚珠丝杠和环境温度等，其中，主轴是对热误差有重大影响的关键部件。减少热误差的方法很多，主要分为以下三类：温度控制法、误差预防法和误差补偿法。温控方法把温升作为导致热误差的直接原因，该方法通过控制温升来减少热误差，实施成本高，技术实施难度大；同时，温度传递的滞后导致温度控制的滞后，所以它不是减少热误差的最佳选择。误差预防法通过在设计和制造阶段选择合理的机床材料和设计，降低机床对热流的误差敏感性，提高热稳定性。例如，采用对称结构设计，保证温度分布均匀，简化传动系统，减少摩擦部件，减少运动部件质量，降低摩擦热。然而，误差预防法的成本随着准确度的增加呈指数增长。因此，也不是常用的用于减少热误差的措施。

误差补偿方法选择温度敏感点，并建立热误差与温升之间的相关性，通过对温度敏感点的实时监控来执行热误差的预测和补偿，因此，热误差补偿方法是实际应用中最实用的措施，因其具有简单、高效、低成本的独特特点而被广泛使用。基于误差补偿方法提出了多种误差补偿模型，这些模型用于表征热误差的变化过程，主要分为数值模拟模型和经验模型两大类。数值模拟模型具有准确可靠的优点，然而，由于大量的网格划分和计算，导致机床建立数值模型构建和求解过程非常耗时。补偿策略是基于经验模型开发的，传统的经验模型包括多元线性回归(MLR)、主成分回归(PCR)、稳健岭回归(RRR)和自适应回归等，这些模型以温度为输入，且温度变量之间也存在共线性，导致预测性能下降。此外，有限的温度变量难以充分反映整机的热信息，导致预测精度较差。

热误差的产生机理在以往的研究中并不明确，导致鲁棒性和预测能力下降。基于误差机理提出了以热变形为输入的热误差模型，说明热误差是运行时间的函数，利用记忆能力强的长短期记忆网络(LSTMN)实现误差模型训练。结果表明，该模型具有良好的预测性能和鲁棒性。LSTMN是一种改进的循环神经网络(RNN)模型，它的突出贡献是解决了RNN的梯度消失和爆炸问题，在具有时间特征和记忆特征的问题上得到了广泛的应用。LSTMN在很多领域都有出色的表现，并且可以进一步改进，然而，改进并不总是有效的。

发明内容

有鉴于此，本发明的目的在于提供一种STO-TCN热误差预测模型建模方法及其迁移学习方法，能够有效提高热误差预测精度和效率。

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STO-TCN热误差预测模型建模方法，包括如下步骤：

1)初始化燕鸥优化算法STO的参数，随机生成燕鸥的初始位置；判断燕鸥的初始位置是否超出预设范围，若是，则将燕鸥的初始位置改为边界；若否，则保持燕鸥的初始位置不变；

2)创建TCN神经网络，将燕鸥的初始位置映射为TCN神经网络的批处理大小和滤波器数量；