CN119472503A 基于cnn-bigru-a的龙门机床整体实时热误差补偿方法 （江苏集萃华科智能装备科技有限公司）

司基于CNN-BIGRU-A的龙门机床整体实时热误基于CNN_BIGRU_A的龙门机床整体实时热误差补据历史温度数据和历史热变形数据对热误差预控系统根据传动轴上目标位置点的坐标计算出统根据主轴的当前热误差补偿值和根据传动轴2步骤S1：获取机床主轴的历史温度数据和历史热变形数步骤S3：读取机床主轴的当前温度数据，将所述机步骤S4：读取机床传动轴各测点的当前温度数据，将控系统中，所述机床数控系统将机床传动轴上目标位置点的坐标代入该一元多次方程中，2.根据权利要求1所述的一种基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方法，以通过温度传感器检测所述机床主轴的历史温度数据和通过激光干涉仪检测所述机床主3.根据权利要求1所述的一种基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方法，历史温度数据和通过激光干涉仪检测所述机床传动轴各测点的历史热4.根据权利要求3所述的一种基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方法，机床传动轴每隔L/N间距进行一次温度测量和热变形测量，其中，L为机3在机床传动轴的当前测点移动到位后停止移动，以通过温度传轴当前测点的历史温度数据和通过激光干涉仪检测所述机床传动轴当前测点的历史热变5.根据权利要求1所述的一种基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方法，将所述机床主轴的历史温度数据和所述机床传动轴各测点的历史温度数据进行标准使用灰色关联性分析算法计算出各个标准化后的历史温度数据与其对应的历史热变06.根据权利要求1所述的一种基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方法，所述一维卷积层和所述双向门控神经网络层用于提取重构特征；所述注意力t_1t_1zrt为当前时间步的隐藏层输出；4k是键矩阵和查询矩阵的特征维度。7.根据权利要求1所述的一种基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方法，将所述输入特征样本和所述输出特征样本组成的数据集划分为训i为测试集数据的真实标签，f(xi)为测试集数据通过热误差预测模型得到的预8.根据权利要求1所述的一种基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方法，9.根据权利要求1所述的一种基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方法，将机床传动轴X方向上m个测点的平均当前温度数据传输至所述训练后的热误差预测模型中进行预测，以输出机床传动轴X方向上m个测点的假设机床传动轴X方向上m个测点的坐标为[x1，x2，……,xm]，将m个测点的坐标[x1，510.根据权利要求1所述的一种基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方构建机床的三维模型，通过机床热传导特性划分出机感器，通过温度传感器检测机床主轴的历史温度数据和机床传动轴各测点的历史温度数6[0004]本发明旨在克服上述缺陷，提供了一种基于CNN_BIGRU_A的龙门机床整体实时热[0005]作为本发明的第一个方面，提供一种基于CNN_BIGRU_A的龙门机床整体实时热误特征样本，根据所述输入特征样本和所述输出特征样本对所述热误差预测模型进行训练，7机床传动轴上目标位置点的当前热误差补偿值停机以通过温度传感器检测所述机床主轴的历史温度数据和通过激光干涉仪检测所述机点的历史温度数据和通过激光干涉仪检测所述机床传动轴各测点的历史热传动轴当前测点的历史温度数据和通过激光干涉仪检测所述机床传动轴当前测点的历史[0021]将所述机床主轴的历史温度数据和所述机床传动轴各测点的历史温度数据进行[0022]使用灰色关联性分析算法计算出各个标准化后的历史温度数据与其对应的历史该关联度超过预设阈值的历史温度数据所对应的历史热变形数据作为输出特征样本；其8t集中的输入特征样本和输出特征样本评价所述训练后的热误差预测模型的性能指标；其9[0044]将机床传动轴X方向上m个测点的平均当前温度数据传输至所述训练后的热误差预测模型中进行预测，以输出机床传动轴X方向上m个测点的当前热变形计算值[e1，m]；[0049]本发明提供的一种基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方法具有以[0051]图1为本发明提供的基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方法的流[0061]为更进一步阐述本发明为达成预定发明目的所附图及较佳实施例，对依据本发明提出的一种基于CNN_BIGRU_A的龙门机床整体实时热误[0063]在本实施例中提供了一种基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方集卡以10个通道将其传输至上位机，之后上位机将预测出的当前热误差补偿值返回至CNC停机以通过温度传感器检测所述机床主轴的历史温度数据和通过激光干涉仪检测所述机[0071]在本发明实施例中，热机两个小时，机床主轴以1000r/min的转速梯度(1000r/传动轴各测点的历史温度数据和通过激光干涉仪检测所述机床传动轴各测点的历史热变[0077]以机床传动轴的X方向为例，机床传动轴的X方向每隔L/N间距进行一次温度测量[0078]在机床传动轴X方向的当前测点移动到位后停止移动，以通过温度传感器检测所述机床传动轴X方向上当前测点的历史温度数据和通过激光干涉仪检测所述机床传动轴X续测点的历史温度数据和后续测点的历史热变形数据均检(Attention)和全连接层构建热误差预测模型；将机床主轴的历史温度数据和机与误差补偿相关的信息以更准确地进行预测；所述全连接层用于将维度映射至输出维度，在每次滑动到一个区域时，取该区域内的最大值作为池化输出，该方法被称为最大池化通过随机丢弃网络中的一部分神经元，使得网络在每次前向传播时都是不完整的子网络，t[0094]引入注意力机制的目的是让神经网络在处理输入数据时集中注意力于相关的部基于输出/隐藏层特征维度的两种类型。基于时间步维度的自注意力机制旨在捕捉序列数据中不同时间步之间的关系，而基于输出/隐藏层特征维度的自注意力机制则专注于捕捉[0108]将所述机床主轴的历史温度数据和所述机床传动轴各测点的历史温度数据进行[0111]使用灰色关联性分析算法计算出各个标准化后的历史温度数据与其对应的历史[0112]并将该关联度超过预设阈值的历史温度数据(降维后的历史温度数据)作为输入[0116]将所述输入特征样本和所述输出特征样本组成的数据集按照6:2:2的比例划分为[0120]本发明所使用的CNN_BiGRU_A热误差预测模型与多种网络模型进行性能比较以评差预测模型在测试集上的热误差预测却表现出理想机床传动轴上目标位置点的当前热误差补偿值[0126]将机床传动轴X方向上m个测点的平均当前温度数据传输至所述训练后的热误差预测模型中进行预测，以输出机床传动轴X方向上m个测点的当前热变形计算值[e1，m]；[0127]假设机床传动轴X方向上m个2误差窗口用于展示模型预测出的传动轴Z方向的热误[0131]本发明提出的基于CNN_BIGRU_A的龙门机床整体实时热误差补偿方法，首先根据号，利用灰色关联性分析筛选出主轴和传动轴的热误差关联温度特征；之后融合1DCNN、[0132]针对机床热误差难以补偿的问题，本发明提出了一种基于CNN_BIGRU_A的龙门机然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质