[发明专利]热误差预测模型创建方法和基于关键误差的物理-边-雾-云误差控制系统

说明书

本发明公开了一种热误差预测模型创建方法，包括如下步骤：步骤一：利用极端梯度提升算法对输入变量的特征重要性进行排序，从所有特征中选出前k个构成特征组合；将前k个特征根据其重要性进行加权，得到每个特征的权重，以每个特征及其权重的乘积作为模型的输入变量；步骤二：对LSTMNN模型的内部神经元特征进行排序，将层次结构整合到LSTMNN模型中，得到ON‑LSTMNN模型，再引入双向机制，构建BiON‑LSTMNN模型；步骤三：训练BiON‑LSTMNN模型，以ISFO算法优化BiON‑LSTMNN模型的批量大小和隐藏神经元数量，直至满足适应度函数的预设要求；步骤四：以优化得到的批量大小和隐藏神经元数量作为BiON‑LSTMNN模型的超参数，构建得到热误差预测模型。本发明还公开了一种基于关键误差的物理‑边‑雾‑云误差控制系统。

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创建方法和物理-边-雾-云误差控制系统。

背景技术

精密镗床是加工箱体、模具等复杂零件的理想设备，广泛应用于航空航天、医疗器械、汽车能源、工具模具等领域。随着制造业的不断发展，对机床的加工精度、稳定性和可靠性提出了越来越高的要求。研究表明，几何误差和热误差是机床的关键误差。迄今为止，现有的误差控制系统无法实现对关键误差的自我感知和自我控制。因此，进一步研究控制方法以实现对关键误差的自我感知和自我控制，迫切需要设计关键误差的自我感知和自我控制系统。

现有的误差补偿方法通过分析机床结构和主要误差源建立空间误差的数学模型，对主要误差进行反向修正以提升加工精度。误差补偿方法涉及误差测量、识别、建模和补偿过程，其本质前提是各运动轴的补偿分量与关键误差的映射关系。传统的误差模型包括多元线性回归、最小二乘支持向量机和反向传播神经网络。上述模型使用测量点的温度作为输入变量，但是，热误差受机器温度、室温、速度、机器结构、外部负载和其他参数的影响。此外，这些数据相关性强，数据量大。因此，必须从测量的温度中选择输入变量。

传统模型从海量历史数据中预测关键误差，模型的训练非常耗时。机床的热误差直接受实时数据的影响，通过离线数据分析训练的预测模型预测得到的热误差不能得到充分体现热误差的动态变化。此外，具有自学习能力并能及时反馈控制元件的误差控制系统可以保证加工精度。目前，云计算在工业中被广泛采用，但面对数据量的爆炸式增长，云计算架构运维成本高、实时性低、数据隐私性差等缺陷暴露无遗。为了弥补云计算的不足，雾计算和边缘计算应运而生。资源管理是工业互联网边缘计算系统的关键问题，计算资源的合理分配是保证智能差错控制系统实时性和准确性的前提，则计算资源的合理分配对于最大化系统的收益至关重要。

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创建方法和物理-边-雾-云误差控制系统，所述的热误差预测模型能够满足热误差的预测要求，并能够提高鲁棒性和预测性能；所述的误差控制系统能够提高执行效率。

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创建方法，包括如下步骤：

步骤一：利用极端梯度提升算法对输入变量的特征重要性进行排序，从所有m个特征中选出前k个构成特征组合；将前k个特征根据其重要性进行加权，得到每个特征的权重，以每个特征及其权重的乘积作为模型的输入变量；

步骤二：对LSTMNN模型的内部神经元特征进行排序，将层次结构整合到LSTMNN模型中，得到ON-LSTMNN模型，再引入双向机制，构建BiON-LSTMNN模型；

步骤三：训练BiON-LSTMNN模型，以ISFO算法优化BiON-LSTMNN模型的批量大小和隐藏神经元数量，直至满足适应度函数的预设要求；

步骤四：以优化得到的批量大小和隐藏神经元数量作为BiON-LSTMNN模型的超参数，构建得到热误差预测模型。

进一步，所述极端梯度提升算法的目标函数为：