【技术实现步骤摘要】
机床热误差自学习预测模型建模方法及基于数字孪生的机床热误差控制方法
[0001]本专利技术属于机械误差分析
,具体的为一种机床热误差自学习预测模型建模方法及基于数字孪生的机床热误差控制方法。
技术介绍
[0002]由于切削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的复杂相互作用,致使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。
[0003]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误差控制。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。
[0004]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征深层和复杂的 ...
【技术保护点】
【技术特征摘要】
1.一种机床热误差自学习预测模型建模方法,其特征在于:包括如下步骤:1)输入机床热误差数据,初始化机床热误差数据并构建D
1:t
={(x1,y1),(x2,y2)
…
,(x
t
,y
t
)};其中,x
t
表示决定机床热误差的因素的向量,y
t
表示热误差,t为大于等于1的正整数;2)构建概率分布模型:y
t
=f(x
t
)+ε
t
其中,ε
t
为观察误差;f为未知的目标函数;p(D
1:t
|f),p(f),p(D
1:t
)和p(f|D
1:t
)分别表示y的似然分布,y的先验概率分布,y的边际似然分布和y的后验概率分布;3)最大化AC函数以获得下一个评估点x
t+1
,并最小化目标函数和真实函数之间的总损失;所述AC函数为:γ
t+1
=|y
*
‑
y
t+1
|其中,x
t+1
为下一个评估点;γ
t
为总损失;α
t
(x:D
1:t
)为AC函数;y
*
为当前的最优解;4)评估目标函数以获得y
t+1
;5)判断是否达到最大迭代次数:若是,则输出参数集;若否,则将(x
t+1
,y
t+1
)添加到概率分布模型内以更新概率分布模型,返回步骤3);重复上述步骤,直至获得最优解;6)将通过BOA算法获得的最佳超参数用于Bayesian
‑
LSTM神经网络模型,并使用Bayesian
‑
LSTM神经网络模型训练自学习误差预测模型,输出预测的热误差。2.根据权利要求1所述的机床热误差自学习预测模型建模方法,其特征在于:所述概率分布模型采用GP模型。3.根据权利要求1所述的机床热误差自学习预测模型建模方法,其特征在于:所述步骤6)中,目标函数的输入包括LSTM神经网络的历元大小、批处理大小和节点数,目标函数的输出为RSME;选择使RSME最小,保证LSTM神经网络预测性能最优的超参数,然后调用BOA算法优化LSTM神经网络的历元大小,批处理大小和节点数,得到最佳超参数。4.根据权利要求1所述的机床热误差自学习预测模型建模方法,其特征在于:所述Bayesian
‑
LSTM神经网络模型包括LSTM层和Dense层,所述Dense层为完全连接层并用于将LSTM层的输出转换为所需的输出。5.一种基于数字孪生的机床热误差控制方法,其特征在于:包括如下步骤:1)获取物理世界数据:包括工件原始数据、机床原始数据和切削刀具及误差采集系统数据;2)建立热误差仿真模型:根据机床热误差机理,建...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。