基于长短时记忆网络的机床主轴时变热误差模型在线进化方法

本发明属于数控机床误差补偿，涉及一种基于长短时记忆网络的机床主轴时变热误差模型在线进化方法。

背景技术：

1、提升精度稳定性对促进高端数控机床整体水平跃升具有重要意义。时变热误差补偿是提升数控机床精度稳定性的有效手段。实施时变热误差补偿的关键是建立准确的时变热误差模型。自1933年瑞士发现了机床热变形是影响定位精度的主要因素之一以来，已有大量数控机床时变热误差模型被建立，促进了数控机床精度稳定性的提升。然而，时变热误差建模过程中，难免使用假设条件并引入经验公式。面对复杂的机床加工条件以及长期缓时变工况，如何保障时变热误差模型适应时令更替下机床工作环境变化，如何保证时变热误差模型长期适应机床的热特性，是需要重点关注并深入研究的关键问题。

2、针对上述机床时变热误差补偿问题，美国伊利诺伊大学的j.mou等提出了利用加工间歇在机测量误差更新误差模型的自适应误差补偿方法。美国密歇根大学的j.ni等利用加工间歇测量得到的时变热误差在线调整误差模型。瑞士苏黎世联邦理工学院的p.blaser和j.mayr等利用周期性加工间歇测量获得实际误差数据，定期更新时变热误差模型参数。h.liu等利用最佳温度输入数据和在机测量的误差数据自适应更新模型参数。然而，目前存在的问题包括：1)依赖加工间歇测量误差数据，需配置误差在机测量装置，如探针、量块等；2)在机测量误差数据时须在非加工状态，难免影响生产效率；3)利用温度数据作为触发误差在机测量或模型更新的判断对象，需设置多温度测点，不仅增加了温度测量的故障率，还将产生因布线过多妨碍机床正常加工的问题。

技术实现思路

1、本发明聚焦数控机床时变热误差长期精准补偿的迫切需求，提供了一种新的基于长短时记忆网络的机床主轴时变热误差模型在线进化方法，可通过长短时记忆网络与主轴时变热伸长误差模型相互矫正的模型参数在线更新机制实现主轴时变热伸长误差模型在线进化，以保证主轴时变热伸长误差模型在机床长期运行过程中始终准确。

2、为了达到上述目的，本发明采用的技术方案为：

3、一种基于长短时记忆网络的机床主轴时变热误差模型在线进化方法，首先，基于主轴温度变化速度和加速度建立主轴时变热伸长误差模型，以主轴温度与环境温度作为模型输入，计算主轴时变热伸长误差；然后，基于长短时记忆网络建立主轴时变热伸长误差预测的数据驱动模型，以主轴温度与环境温度作为模型输入，预测主轴时变热伸长误差；之后，判断主轴时变热伸长误差模型计算数据集ez和长短时记忆网络预测数据集ez’的一致性；最后，根据一致性判断结果实施模型在线更新机制，若ez和ez’一致，则利用温度数据集ts、te和误差数据集ez更新用于主轴时变热伸长误差预测的长短时记忆网络，若ez和ez’不一致，则利用温度数据集ts、te和误差数据集ez’更新主轴时变热伸长误差模型；所述方法包括如下步骤：

4、第一步，建立基于主轴温度变化速度和加速度的主轴时变热伸长误差模型；

5、采用主轴温度变化速度和加速度计算主轴时变热伸长误差稳态值：

6、

7、式中，ezs(t)是t时刻的主轴时变热伸长误差稳态值，λv是与主轴温度变化速度相关的系数，λa是与主轴温度变化加速度相关的系数，ts(t)和ts(0)分别是t时刻和初始时刻的主轴温度值，te(t)和te(0)分别是t时刻和初始时刻的环境温度值；t(t)是t时刻主轴温度相比于环境温度的净增量；

8、基于主轴温度变化速度和加速度的主轴时变热伸长误差计算公式写为：

9、ez(t)＝ez(t-δt)+[ezs(t)-ez(t-δt)]·(1-e-δt/τ)  (2)

10、式中，ez(t)是t时刻的主轴时变热伸长误差值，τ是主轴热惯性系数；

11、采用非线性二次规划算法对与主轴温度变化速度相关的系数λv、与主轴温度变化加速度相关的系数λa和主轴热惯性系数τ进行辨识，目标函数为：

12、

13、式中，ezt(t)是t时刻的主轴时变热伸长误差实测值，ez(t)是t时刻的主轴时变热伸长误差计算值，τmin、λvmin和λamin分别为参数τ、λv和λa的约束条件下限，τmax、λvmax和λamax分别为系数τ、λv和λa的约束条件上限。

14、第二步，建立用于主轴时变热伸长误差预测的长短时记忆网络；

15、采用长短时记忆网络建立用于主轴时变热伸长误差预测的数据驱动模型，模型输入为主轴温度ts(t)与环境温度te(t)，输出为主轴时变热伸长误差预测值ez′(t)，模型形式如下：

16、ez′(t)＝f(k,ts(t),te(t)) (4)

17、式中，k为长短时记忆网络的权值矩阵和偏置向量参数，采用以主轴温度ts(t)与环境温度te(t)测量值为训练数据、以主轴时变热伸长误差测量值ezt(t)为标签的训练集训练长短时记忆网络。

18、第三步，判断主轴时变热伸长误差模型计算数据集ez和预测数据集ez’的一致性；

19、主轴温度和环境温度的采集周期为t0，第一步中建立的主轴时变热伸长误差模型实时计算主轴时变热伸长误差，当时间达到一致性判断周期t0时，由主轴时变热伸长误差模型计算得到的数据集为ez；将t0周期内得到的主轴温度和环境温度时间序列数据集ts和te输入第二步建立的长短时记忆网络，得到主轴时变热伸长误差预测数据集ez’；

20、采用一致性评价方法(bland-altman法)，根据一致性判断周期t0内存储的主轴时变热伸长误差的模型计算数据集ez和长短时记忆网络预测数据集ez’之间差值的均值a和一致性边界间的宽度b，判断两组数据的一致性；模型计算数据集与长短时记忆网络预测数据集之差均值的阈值a0以及一致性边界之间宽度的阈值b0通过试验获取，a、b、a0和b0的计算方法为：

21、

22、式中，m为一致性判断周期t0时间内，主轴时变热伸长误差的模型计算值和长短时记忆网络预测值的数据量；n为求解阈值a0和b0时，试验获得的主轴时变热伸长误差的模型计算值和长短时记忆网络预测值的数据量；ez(ti)和ez(tj)分别是ti和tj时刻主轴时变热伸长误差的模型计算值；ez′(ti)和ez′(tj)分别对应于ti和tj时刻长短时记忆网络预测值；

23、基于主轴温度变化速度和加速度的主轴时变热伸长误差模型在工作过程中，当模型计算数据集ez和长短时记忆网络预测数据集ez’之间差值的均值a和一致性边界间的宽度b满足：a＞a0或b＞b0时，则认为模型计算数据集ez和长短时记忆网络预测数据集ez’的一致性变差，即认为主轴时变热伸长误差模型准确性变差；否则，认为模型计算数据集ez和长短时记忆网络预测数据集ez’的一致性好。

24、第四步，根据一致性判断结果在线更新主轴时变热伸长误差模型；

25、根据第三步的判断结果，如果ez和ez’一致性差，则利用该一致性判断周期t0时间内得到的主轴温度时间序列集ts、环境温度时间序列集te和长短时记忆网络预测的时间序列集ez’在线辨识主轴时变热伸长误差模型的参数λv、λa和τ；

26、如果ez和ez’一致性好，则认为主轴时变热伸长误差模型准确，为保证该一致性判断周期t0时间内主轴温度、环境温度和主轴时变热伸长误差信息被记忆，则利用该t0时间内得到的主轴温度时间序列集ts、环境温度时间序列集te和主轴时变热伸长误差模型计算数据集ez组成的训练集，在线更新第二步得到的长短时记忆网络。

27、本发明的有益效果：

28、(1)使基于主轴温度变化速度和加速度的主轴时变热伸长误差模型具有在线进化能力，保证模型在长期运行中的准确性，提高时变热误差模型的鲁棒性；

29、(2)明确了使用主轴时变热误差模型进行数控机床主轴时变热误差长期准确补偿的实施办法，为机床主轴时变热误差的长期鲁棒补偿提供了有效方案；

30、(3)本发明提供的方法具有一定的普适性，可将本发明提供的模型在线进化方法推广到其他领域的数据驱动模型在线进化中。