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

本发明专利技术公开了一种机床热误差自学习预测模型建模方法，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

【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，在没有考虑误差产生机理，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，预测的误差序列对历史数据具有长期依赖性，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误差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。LSTM神经网络的内部状态仅通过线性相互作用而改变，这使得信息可以沿时间轴方向平滑地反向传播。从而增强了其对历史数据的记忆行为，LSTM神经网络具有自学习能力。然后，LSTM神经网络的优异的存储特性可以充分反映误差数据的长期记忆性能，与传统的建模方法相比具有极大的优势。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供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，具有出色预测性能和鲁棒性，能够反映热误差产生机理并具有自学习能力。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]本专利技术首先提出了一种机床热误差自学习预测模型建模方法，包括如下步骤：
[0008]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；
[0009]2)构建概率分布模型：
[0010][0011]y
t
＝f(x
t
)+ε
t
[0012]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；
[0013]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：
[0014][0015]γ
t+1
＝|y
*
‑
y
t+1
|
[0016]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；
[0017]4)评估目标函数以获得y
t+1
；
[0018]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；
[0019]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。
[0020]进一步，所述概率分布模型采用GP模型。
[0021]进一步，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。
[0022]进一步，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。
[0023]本专利技术还提出了一种基于数字孪生的机床热误差控制方法，包括如下步骤：
[0024]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获取系统数据；
[0025]2)建立热误差仿真模型：根据机床热误差机理，建立热误差分析模型，结合获取的物理世界数据对机床的热行为进行虚拟仿真；
[0026]3)在线测量热误差，将在线测量得到的机床热误差数据用于Bayesian
‑
LSTM神经网络模型的建模和训练，得到如上所述方法创建得到的机床热误差自学习预测模型；
[0027]4)采用机床热误差自学习预测模型预测热误差，若预测的热误差大于工件的预设加工误差，则控制机床进行误差补偿，误差补偿的大小与预测的热误差大小相等、但方向相
反；
[0028]5)循环步骤3)和步骤4)，直至机床加工过程完成。
[0029]进一步，所述工件原始数据包括工件的几何尺寸、材料属性和预设的加工精度；所述机床原始数据包括机床的进给速度，主轴转速和切削深度等；所述切削刀具及误差获取系统的原始数据包括刀具长度，刀具直径，螺旋角度和采样频率等。
[0030]进一步，本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：马驰，刘佳兰，桂洪泉，王时龙，
申请(专利权)人：重庆大学，
类型：发明
国别省市：