[发明专利]热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架

说明书

本发明公开了一种热误差预测模型建模方法，包括如下步骤：1)对原始热误差数据进行预处理；2)确定SSA的基本参数；3)建立SRWNN神经网络；4)初始化麻雀种群，生成d维混沌向量；5)判断迭代次数t是否达到最大迭代次数t_max；6)形成的新的麻雀种群；7)计算每只麻雀个体的适应度，并标记出最优适应度的个体；8)判断计算是否停滞不前；9)执行边界控制，获得新的个体；将伯努利映射产生的混沌变量值映射到麻雀个体后，再将混沌干扰添加到每个个体；10)循环步骤3)至步骤7)，直至t≥t_max；11)以经过预处理的热误差数据训练SRWNN神经网络。本发明还公开了一种基于霾‑边缘‑雾‑云计算的智能热误差控制系统框架。

技术领域

本发明属于机械误差分析技术领域，具体的为一种热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统系统。

背景技术

制造技术的发展对加工零件的精度提出了越来越高的要求。随着闭环控制和主动振动抑制方法的发展，运动学、切割和几何误差已大大降低。研究表明，热误差是加工零件总几何误差的主要部分，主要是由温度分布不平衡引起的。内部和外部热负荷是温度分布不平衡的直接原因。由于结构复杂，机器部件承受不同的热负荷，随着工况的不断变化，各部件的温度场也在实时变化。可见，热源带来的温升不均，导致机器部件的热变形是不同的，从而导致整机的热误差。可以看出，温度不平衡是产生热误差的直接原因。温度场和热误差具有潜在的非线性相关性，影响温度变化的因素也是多种多样的，通常有一些未知的和随机的因素。因此，减少热误差至关重要。

由于热边界条件难以准确确定，因此难以建立准确的理论误差模型。当理论方法遇到困难时，数据驱动方法因其灵活且易于应用于复杂的工业场景而逐渐成为研究热点。但目前的研究大都建立的是没有自学习能力的离线误差模型，导致鲁棒性和控制精度下降。热误差是一种典型的时间序列数据，包含非长期趋势项、阶跃项、噪声项和季节性项。

智能系统框架在制造领域得到了广泛的应用。云制造为提出新的智能误差控制系统框架提供了启示。大量数据的采集、传输、存储、处理和计算是耗时的。低效率来自于系统框架的不合理划分。那么系统框架就需要从不同层次、不同方面进行优化，以提高其执行效率。

发明内容

有鉴于此，本发明的目的在于提供一种热误差预测模型建模方法及基于霾-边缘-雾-云计算的智能热误差控制系统框架，建立的热误差预测模型具有的很强的长期记忆行为，适用于热误差预测，并能够提高预测精度和鲁棒性；智能热误差控制系统框架通过霾-边缘-雾-云计算层的合理划分，能够减少数据传输量，降低计算时间并提高效率。

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热误差预测模型建模方法，包括如下步骤：

1)对原始热误差数据进行预处理；

2)确定麻雀搜索算法(SSA)的基本参数；

3)建立SRWNN神经网络，将具有最优适应度的麻雀个体映射为SRWNN神经网络的学习率、最大训练次数以及输入层、隐藏层和输出层中的节点数；

4)初始化麻雀种群，生成d维混沌向量；

5)判断迭代次数t是否达到最大迭代次数t_max，若是，则执行步骤11)；若否，则执行步骤6)；

6)利用精英反向学习策略得到由N个适应度大的个体形成的新的麻雀种群；

7)计算每只麻雀个体的适应度，并标记出最优适应度的个体；适应度函数为：

其中，y_n和分别表示预测和预期输出；N表示种群规模；