本發明公開了一種主軸系統熱誤差建模方法，包括如下步驟：1)以改進的BA算法構建IBA?GRU模型的結構；2)以GRU神經網絡的時間窗口大小，批處理大小和單元數量作為優化變量，初始化蝙蝠種群；3)采用改進的BA算法優化IBA?GRU模型；4)將優化得到的最優超參數用于IBA?GRU模型，得到主軸系統熱誤差模型并用于預測主軸系統的熱誤差。本發明還公開了一種主軸系統動態熱誤差預測系統、熱誤差控制方法和云霧計算系統。本發明的主軸系統熱誤差建模方法、誤差預測系統、誤差控制系統、誤差控制方法及云霧計算系統，具有出色預測性能和魯棒性，能夠反映熱誤差機制并具有自學習能力。

技術領域

本發明屬于機械誤差分析技術領域，具體的為一種主軸系統熱誤差建模方法、誤差預測系統、誤差控制系統、誤差控制方法及云霧計算系統。

背景技術

由于加工刀具與工件之間的相對空間位置隨運行時間而變化，因此導致加工精度下降。熱引起的誤差是導致相對空間位置的關鍵因素。為了顯著提高加工精度，需要減少或避免熱致誤差。電動主軸系統是精密機床的核心組成部分。但是，由于諸如熱負荷的強度和位置、材料特性、環境溫度和冷卻系統等因素之間復雜的相互作用，熱引起的誤差非常大。控制和補償系統的關鍵是具有強大魯棒性和出色預測性能的熱誤差模型。熱引起的誤差顯示出非線性，時變和非平穩的行為。因此，具有強魯棒性和優異控制效果的熱致誤差控制變得極為困難。

當前，熱致誤差控制方法的研究是一個研究熱點。研究方向主要集中在機床熱致誤差的減少和預測上。研究方法主要有理論和實驗建模兩種。其中，理論建模方法研究了機床的誤差機理和熱特性分析。雖然理論建模方法有效地揭示了誤差機理，然而難以實現邊界條件的準確表征，這使得熱特性建模不準確。另外，現有的理論模型不能很好地應用于錯誤控制。實驗建模和控制方法對于提高加工精度是有效且經濟的，但對于熱引起的誤差模型的控制效果和魯棒性仍不令人滿意。

在海量數據和并行計算性能增長的背景下，具有自學習和自我調節能力的深度學習(DL)的預測性能接近甚至超越人類。與傳統模型相比，深度神經網絡適用于用層次化特征表示來表征深層和復雜的非線性關系，并適用于處理具有多因素、不穩定和復雜行為的熱誤差數據。更重要的是，在沒有考慮誤差機理的情況下建立了經驗模型，從而導致誤差數據與模型特征之間的匹配度降低。人工神經網絡無法計算數據在時間軸上的傳播，并且遞歸神經網絡(RNN)的輸出值受到先前輸入的影響。在許多建模和預測問題中，預測的錯誤序列具有長期依賴性，并且其長度可能會隨時間變化，或者是隱藏且未知的。與其他線性預測模型相比，RNN模型對歷史數據具有一定的記憶性能，可以學習任意復雜的函數和變量之間隱藏的非線性相互作用，并且在具有時序特性的錯誤建模和預測中具有最大優勢。盡管RNN解決了時間依賴性的問題，但是在反向傳播的鏈式導數計算中仍然存在梯度消失或爆炸的問題。GRU類似于LSTM網絡，它們都用于解決RNN中長期記憶的梯度消失問題。LSTM神經網絡具有三個不同的門，并且要訓練的參數太多，訓練的收斂速度慢等缺點非常明顯。GRU只有兩個門控結構。GRU的預測效果幾乎與具有參數調整功能的LSTM網絡的預測效果相同，并且GRU比LSTM網絡收斂速度更快，更易于訓練，因此，GRU被廣泛使用。

發明內容

有鑒于此，本發明的目的在于提供一種主軸系統熱誤差建模方法、誤差預測系統、誤差控制系統、誤差控制方法及云霧計算系統，上述方法和系統具有出色預測性能和魯棒性，能夠反映熱誤差機制并具有自學習能力。

為達到上述目的，本發明提供如下技術方案：

本發明首先提出了一種主軸系統熱誤差建模方法，包括如下步驟：

1)以改進的BA算法構建IBA-GRU模型的結構；

2)以GRU神經網絡的時間窗口大小，批處理大小和單元數量作為優化變量，初始化蝙蝠種群；

3)采用改進的BA算法優化IBA-GRU模型，優化的適應度函數為：