本發(fā)明涉及機(jī)床熱誤差建模，更具體地，涉及一種基于數(shù)據(jù)驅(qū)動(dòng)和稀疏序列化的綜合熱定位誤差建模方法。

背景技術(shù)：

1、隨著全閉環(huán)多軸驅(qū)動(dòng)系統(tǒng)在高精度設(shè)備和精度控制領(lǐng)域中的廣泛應(yīng)用，傳動(dòng)系統(tǒng)的精準(zhǔn)性和可靠性成為關(guān)注的焦點(diǎn)。在這一背景下，本發(fā)明對(duì)全閉環(huán)多軸驅(qū)動(dòng)系統(tǒng)的綜合熱定位誤差進(jìn)行了全面的分析與建模，著重關(guān)注熱漂移和熱定位誤差兩大方面。在不同驅(qū)動(dòng)方式的全閉環(huán)傳動(dòng)系統(tǒng)和主軸發(fā)熱的綜合影響下，熱漂移和熱定位誤差之間的復(fù)雜相互作用成為研究的難點(diǎn)。

2、高精度機(jī)床通常利用冷卻系統(tǒng)和光學(xué)光柵位置反饋來(lái)減輕傳動(dòng)系統(tǒng)在該領(lǐng)域產(chǎn)生的熱定位誤差。然而，精密機(jī)床的主軸會(huì)顯著影響多軸系統(tǒng)中熱定位誤差的穩(wěn)定性，針對(duì)該問(wèn)題的研究尚未得到充分探索。綜合熱定位誤差的復(fù)雜性主要是由于主軸的鎖定也會(huì)產(chǎn)生熱量，導(dǎo)致主軸熱變形與傳動(dòng)系統(tǒng)的熱定位誤差交織和互相干擾，從而導(dǎo)致多軸傳動(dòng)系統(tǒng)產(chǎn)生嚴(yán)重?zé)崞啤?/p>

3、因此，全閉環(huán)控制多軸傳動(dòng)系統(tǒng)中綜合熱定位誤差的變化非常復(fù)雜。本發(fā)明首次深入研究了綜合熱定位誤差的研究，創(chuàng)新性地將其分為熱漂移問(wèn)題和熱定位誤差問(wèn)題，并分別進(jìn)行了數(shù)據(jù)特性分析和建模預(yù)測(cè)研究。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述基于自然圖像的顯微鏡自動(dòng)對(duì)焦存在的技術(shù)問(wèn)題，本發(fā)明提供了一種基于數(shù)據(jù)驅(qū)動(dòng)和稀疏序列化的綜合熱定位誤差建模方法，可以實(shí)現(xiàn)對(duì)綜合熱定位誤差的準(zhǔn)確預(yù)測(cè)。

2、作為本發(fā)明的第一個(gè)方面，提供一種基于數(shù)據(jù)驅(qū)動(dòng)和稀疏序列化的綜合熱定位誤差建模方法，包括如下步驟：

3、步驟s1：采集機(jī)床全閉環(huán)多軸傳動(dòng)系統(tǒng)中多個(gè)測(cè)溫點(diǎn)的歷史溫度數(shù)據(jù)和歷史綜合熱定位誤差數(shù)據(jù)，其中，每個(gè)測(cè)溫點(diǎn)的歷史溫度數(shù)據(jù)和歷史綜合熱定位誤差數(shù)據(jù)作為一個(gè)數(shù)據(jù)集，將多個(gè)數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集；

4、步驟s2：將每個(gè)測(cè)溫點(diǎn)的歷史綜合熱定位誤差數(shù)據(jù)分解為歷史熱漂移數(shù)據(jù)和歷史熱斜率數(shù)據(jù)；

5、步驟s3：根據(jù)所述訓(xùn)練數(shù)據(jù)集中的歷史溫度數(shù)據(jù)和歷史熱漂移數(shù)據(jù)建立ggt熱漂移預(yù)測(cè)模型，同時(shí)根據(jù)所述訓(xùn)練數(shù)據(jù)集中的歷史溫度數(shù)據(jù)和歷史熱斜率數(shù)據(jù)建立熱斜率預(yù)測(cè)模型，其中，所述熱斜率預(yù)測(cè)模型為隨機(jī)森林模型或者基于光柵尺熱膨脹的物理模型；

6、步驟s4：根據(jù)所述驗(yàn)證數(shù)據(jù)集中的歷史溫度數(shù)據(jù)和歷史熱漂移數(shù)據(jù)對(duì)所述ggt熱漂移預(yù)測(cè)模型進(jìn)行效果驗(yàn)證；同時(shí)根據(jù)所述驗(yàn)證數(shù)據(jù)集中的歷史溫度數(shù)據(jù)和歷史熱斜率數(shù)據(jù)對(duì)所述熱斜率預(yù)測(cè)模型進(jìn)行效果驗(yàn)證；

7、步驟s5：將驗(yàn)證通過(guò)后的ggt熱漂移預(yù)測(cè)模型和驗(yàn)證通過(guò)后的熱斜率預(yù)測(cè)模型組合成綜合熱定位誤差模型，并根據(jù)所述驗(yàn)證數(shù)據(jù)集中的歷史溫度數(shù)據(jù)和歷史綜合熱定位誤差數(shù)據(jù)對(duì)所述綜合熱定位誤差模型進(jìn)行評(píng)估。

8、進(jìn)一步地，所述步驟s1中，還包括：

9、對(duì)采集的多個(gè)歷史溫度數(shù)據(jù)進(jìn)行增量化處理，以得到增量化的歷史溫度數(shù)據(jù)；

10、對(duì)所述增量化的歷史溫度數(shù)據(jù)進(jìn)行稀疏序列化操作，以得到稀疏序列化的歷史溫度數(shù)據(jù)。

11、進(jìn)一步地，所述對(duì)所述增量化的歷史溫度數(shù)據(jù)進(jìn)行稀疏序列化操作，以得到稀疏序列化的歷史溫度數(shù)據(jù)，還包括：

12、確定歷史溫度數(shù)據(jù)的采樣數(shù)量和采樣步長(zhǎng)；

13、根據(jù)歷史綜合熱定位誤差數(shù)據(jù)的時(shí)間戳確定所述歷史溫度數(shù)據(jù)的初始采樣點(diǎn)位置；

14、根據(jù)采樣步長(zhǎng)和采樣數(shù)量得到歷史溫度數(shù)據(jù)的所有采樣點(diǎn)位置；

15、其中，如果采樣點(diǎn)位置為空，則表示在零時(shí)刻之前，歷史溫度數(shù)據(jù)將完全填充為零；最終得到稀疏序列化的歷史溫度數(shù)據(jù)及其對(duì)應(yīng)的歷史綜合熱定位誤差數(shù)據(jù)。

16、進(jìn)一步地，所述ggt熱漂移預(yù)測(cè)模型包含gcn模塊、bi-gru模塊、編碼器模塊、第一線性層、relu激活層、第二線性層和輸出層，所述根據(jù)所述訓(xùn)練數(shù)據(jù)集中的歷史溫度數(shù)據(jù)和歷史熱漂移數(shù)據(jù)建立ggt熱漂移預(yù)測(cè)模型，還包括：

17、步驟s311：構(gòu)建gcn模塊，所述gcn模塊的核心公式如下：

18、z＝relu(axw)

19、其中，z為輸出，relu為一個(gè)非線性激活函數(shù)，a為變形鄰接矩陣，x為輸入的歷史溫度數(shù)據(jù)，w為權(quán)重矩陣；

20、步驟s312：構(gòu)建bi-gru模塊，所述bi-gru模塊的核心公式如下：

21、

22、其中，xt為當(dāng)前輸入的歷史溫度數(shù)據(jù)；zt、rt、ht和分別代表當(dāng)前更新門(mén)、當(dāng)前復(fù)位門(mén)、當(dāng)前候選隱藏狀態(tài)和當(dāng)前隱藏狀態(tài)；ht—1代表上一個(gè)候選隱藏狀態(tài)；w、u和b均為權(quán)重矩陣；φh和σg分別代表雙曲正切和sigmod函數(shù)；⊙是hadamard積；

23、步驟s313：對(duì)所述gcn模塊輸出的特征信息和所述bi-gru模塊輸出的特征信息進(jìn)行整合，隨后，將整合后的特征信息依次經(jīng)過(guò)所述編碼器模塊、第一線性層、relu激活層和第二線性層進(jìn)行回歸預(yù)測(cè)，最終通過(guò)所述輸出層輸出熱漂移預(yù)測(cè)結(jié)果，其中，所述編碼器模塊中的多頭注意力機(jī)制的公式如下：

24、

25、其中，q是查詢(xún)；k是鑰匙；v是值；softmax()是歸一化指數(shù)函數(shù)，dk是向量維度。

26、進(jìn)一步地，還包括：

27、將輸入的歷史溫度數(shù)據(jù)分別經(jīng)過(guò)gcn模塊和bi-gru模塊，以學(xué)習(xí)空間信息特征和時(shí)間信息特征；gcn模塊和bi-gru模塊分別輸出一個(gè)一維特征向量，將兩個(gè)一維特征向量拼接整合得到新的一維編碼特征向量；

28、將新的一維編碼特征向量依次經(jīng)過(guò)所述編碼器模塊、第一線性層、relu激活層和第二線性層進(jìn)行回歸預(yù)測(cè)，最終通過(guò)所述輸出層輸出熱漂移預(yù)測(cè)結(jié)果；

29、其中，所述編碼器模塊包括多頭注意力機(jī)制、第一個(gè)殘差連接層和歸一化層、前饋神經(jīng)網(wǎng)絡(luò)層以及第二個(gè)殘差連接層和歸一化層。

30、進(jìn)一步地，所述根據(jù)所述訓(xùn)練數(shù)據(jù)集中的歷史溫度數(shù)據(jù)和歷史熱斜率數(shù)據(jù)建立熱斜率預(yù)測(cè)模型，其中，所述熱斜率預(yù)測(cè)模型為隨機(jī)森林模型或者基于光柵尺熱膨脹的物理模型，還包括：

31、步驟s321：利用隨機(jī)森林模型對(duì)熱斜率進(jìn)行回歸預(yù)測(cè)；

32、步驟s322：利用貝葉斯推斷的方法，對(duì)隨機(jī)森林模型的超參數(shù)進(jìn)行優(yōu)化，以得到訓(xùn)練好的隨機(jī)森林模型；

33、步驟s323：基于光柵尺熱膨脹系數(shù)建立物理模型，所述物理模型的核心公式為：

34、

35、其中，yex表示歷史熱斜率數(shù)據(jù)，單位為μm/l；是光柵尺周?chē)钠骄鶞囟?；α是光柵尺的熱膨脹系?shù)，以12μm/℃/m表示；l是運(yùn)動(dòng)軸的行程長(zhǎng)度，單位為m。

36、進(jìn)一步地，所述隨機(jī)森林模型是一種包含多個(gè)決策樹(shù)的機(jī)器學(xué)習(xí)模型，將歷史溫度數(shù)據(jù)輸入單個(gè)決策樹(shù)獲得一個(gè)熱斜率預(yù)測(cè)值，多個(gè)決策樹(shù)的熱斜率預(yù)測(cè)值加權(quán)疊加形成隨機(jī)森林模型，以獲取更好的預(yù)測(cè)能力和模型魯棒性；

37、其中，隨機(jī)森林模型包含多個(gè)超參數(shù)，通過(guò)貝葉斯優(yōu)化的方式對(duì)隨機(jī)森林模型的多個(gè)超參數(shù)進(jìn)行優(yōu)化，以得到最優(yōu)的超參數(shù)，即可得到訓(xùn)練好的隨機(jī)森林模型；將歷史溫度數(shù)據(jù)輸入到所述訓(xùn)練好的隨機(jī)森林模型，即可得到最終的熱斜率預(yù)測(cè)結(jié)果。

38、進(jìn)一步地，所述根據(jù)所述驗(yàn)證數(shù)據(jù)集中的歷史溫度數(shù)據(jù)和歷史綜合熱定位誤差數(shù)據(jù)對(duì)所述綜合熱定位誤差模型進(jìn)行評(píng)估，還包括：

39、所述綜合熱定位誤差模型的評(píng)估指標(biāo)包括均方根誤差rmse、平均絕對(duì)誤差mae、校正決定系數(shù)r2adj和總絕對(duì)誤差tae，其中，各個(gè)評(píng)估指標(biāo)的公式如下：

40、

41、其中，

42、

43、其中，yi是觀測(cè)值；是觀測(cè)值yi的平均值；是預(yù)測(cè)值；n是樣本數(shù)；p是特征的數(shù)量；r2是決定系數(shù)。

44、進(jìn)一步地，所述采集機(jī)床全閉環(huán)多軸傳動(dòng)系統(tǒng)中多個(gè)測(cè)溫點(diǎn)的歷史溫度數(shù)據(jù)和歷史綜合熱定位誤差數(shù)據(jù)，還包括：

45、通過(guò)fbg溫度傳感器采集機(jī)床全閉環(huán)多軸傳動(dòng)系統(tǒng)中多個(gè)測(cè)溫點(diǎn)的歷史溫度數(shù)據(jù)；

46、通過(guò)激光干涉儀采集機(jī)床全閉環(huán)多軸傳動(dòng)系統(tǒng)中多個(gè)測(cè)溫點(diǎn)的歷史綜合熱定位誤差數(shù)據(jù)；其中，對(duì)不同驅(qū)動(dòng)方式的機(jī)床全閉環(huán)多軸傳動(dòng)系統(tǒng)在不同運(yùn)動(dòng)速度下進(jìn)行綜合熱定位誤差數(shù)據(jù)測(cè)量，其中z軸驅(qū)動(dòng)方式為滾珠絲杠，x軸驅(qū)動(dòng)方式為直線電機(jī)，全閉環(huán)方式為高精度光柵尺。

47、進(jìn)一步地，所述歷史溫度數(shù)據(jù)的采集頻率為1hz；每采集一次完整的歷史綜合熱定位誤差數(shù)據(jù)耗時(shí)為1min，間隔時(shí)間為10min，單次實(shí)驗(yàn)為180min。

48、本發(fā)明提供的一種基于數(shù)據(jù)驅(qū)動(dòng)和稀疏序列化的綜合熱定位誤差建模方法具有以下有益效果：

49、(1)提出一種新穎的稀疏時(shí)間序列方法，用于有效的熱誤差分析，并且使數(shù)據(jù)稀疏序列化而不丟失時(shí)間信息。

50、(2)熱漂移對(duì)綜合熱定位誤差有顯著影響。針對(duì)溫度數(shù)據(jù)的時(shí)空特征，本發(fā)明提出了ggt深度學(xué)習(xí)模型，有效地預(yù)測(cè)熱漂移變化。實(shí)驗(yàn)結(jié)果表明，在所提模型中，用gru和gcn模塊替換transformer數(shù)據(jù)編碼是有效的；

51、(3)光柵尺抑制并簡(jiǎn)化了熱定位誤差。直接建立的基于熱膨脹系數(shù)的thermal_ex模型可以簡(jiǎn)單有效地預(yù)測(cè)熱定位誤差，而bayes-rf模型則進(jìn)一步提高了熱定位誤差的預(yù)測(cè)精度；

52、(4)提出的ggt熱漂移模型和bayes-rf熱定位誤差模型顯著提高了綜合熱定位誤差的預(yù)測(cè)精度。