基于领域自适应的机床进给轴热误差模型迁移学习方法

本发明属于数控机床热误差补偿领域，具体涉及基于领域自适应的机床进给轴热误差模型迁移学习方法。

背景技术：

1、在精密加工中，机床热误差日益成为影响加工精度的重要因素。热误差约占机床总误差的40％～70％。实施误差补偿以控制机床热误差是提升机床加工精度的重要途径。热误差建模是实施热误差补偿的关键环节。

2、目前，国内外学者采用多元线性回归、多体系统理论、人工神经网络、灰色系统等方法建立了大量热误差模型，上述热误差模型在模型训练时依赖大量温度和热误差数据。为了获取足够多的模型训练数据，必然需要占用大量的机床工作时间。尤其对机床进给轴来说，对于同一台机床的不同进给轴，逐一对进给轴建模需测试每条进给轴的温度和热误差信息，热误差测试操作复杂，耗时长，将导致热误差建模时间成倍增加。为提高数控机床热误差模型的建模效率，亟需一种实现同台机床不同进给轴的热误差高效建模方法。

3、在发明专利“sto-乙tcn热误差预测模型建模方法及其迁移学习方法”(申请号：cn202110920485.6)和发明专利“sto-tcn热误差预测模型建模方法及其迁移学习方法”(申请号：cn202110920488.x)中公开了基于燕鸥优化算法-神经网络的热误差模型迁移学习方法，这两项发明专利公开的方法是为提高已建立热误差模型面对新工况时的鲁棒性而发明，未涉及减少同一台机床多条进给轴热误差建模工作量。在发明专利“深度残差lstm网络及热误差预测模型的建模方法和迁移学习方法”(申请号：cn202110850022.7)中，公开了一种可在不同机床间实现热误差预测模型迁移的方法，该方法聚焦于实现两台机床(源机床和目标机床)间的热误差模型迁移，但未涉及如何提升源机床热误差模型建模效率。

4、综上，现有技术中的热误差模型迁移学习方法或是用于提高模型面对新工况时的鲁棒性，或是用于两台机床之间的模型迁移，而在数控机床热误差补偿领域，目前尚缺少针对同一台机床不同进给轴间，基于迁移学习实现热误差高效建模的方法的研究。

技术实现思路

1、本发明针对现有热误差建模方法中热误差测试效率低、建模准备期耗时长、机床占用时间量大的问题，提供一种新的面向同台机床不同进给轴间的热误差高效建模方法，能够实施于基于长短时记忆网络建立的热误差模型，可大量减少热误差测试时长，从而解决数控机床热误差建模效率低的问题。

2、为了达到上述目的，本发明采用的技术方案为：

3、基于领域自适应的机床进给轴热误差模型迁移学习方法，用于有至少两个进给轴的机床，所述进给轴分为进给轴甲和进给轴乙两类，所述进给轴甲为一个，所述进给轴乙为至少一个，分为以下步骤：

4、s1：选择温度测点进行数据测试，测试所述进给轴甲升温与降温过程的原始温度数据甲、所述进给轴甲升温与降温过程的原始热误差数据甲、所述进给轴乙升温与降温过程的原始温度数据乙；

5、s2：利用长短时记忆网络构建进给轴甲热误差模型；

6、s3：基于分段插值扩展所述进给轴甲的所述原始温度数据甲和所述原始热误差数据甲，并训练步骤s2构建的所述进给轴甲热误差模型，生成温度数据甲、热误差数据甲；

7、s4：将所述温度数据甲作为温度数据源域，将所述原始温度数据乙作为温度数据目标域，利用coral算法实现所述温度数据源域与所述温度数据目标域的领域自适应；

8、s5：基于步骤s4的所述领域自适应将所述进给轴甲热误差模型迁移至所述进给轴乙。

9、进一步的，所述s1具体步骤如下：

10、s1.1：选择温度测点进行数据测试，所述温度测点分别为进给轴靠近机床电机侧轴承座温度测点、进给轴远离机床电机侧轴承座温度测点、丝杠旁温度测点；

11、s1.2：测试所述进给轴甲升温和降温过程中的所述原始热误差数据甲，同时采集所述进给轴甲升温和降温过程中的所述原始温度数据甲；

12、s1.3：令所述进给轴乙在行程范围内往复运动，采集所述进给轴乙在升温过程中的所述原始温度数据乙；然后令所述进给轴乙停止运动，采集所述进给轴乙在降温过程中的所述原始温度数据乙。

13、进一步的，步骤s1中测试所述进给轴甲升温和降温过程中的所述热误差数据甲，具体步骤为：

14、s1.2.1：将所述进给轴甲行程范围均分为若干个误差测点，开启冷机状态下的所述机床，并测量所有的所述误差测点的定位误差；

15、s1.2.2：使所述进给轴甲在行程范围内往复运动固定时间段，然后测量所有的所述误差测点的定位误差；

16、s1.2.3：重复步骤s1.2.2若干次获得所述进给轴甲升温过程中的所述原始热误差数据甲；

17、s1.2.4：使所述机床冷机固定时间段，然后测量所有的所述误差测点的定位误差；

18、s1.2.5：重复步骤s1.2.4若干次获得所述进给轴甲降温过程中的所述原始热误差数据。

19、进一步的，所述s2构建方法如下：

20、首先，设所述长短时记忆网络的层数为五层，每层为一个长短时记忆网络块，每一个所述长短时记忆网络块都包含遗忘门、输入门、记忆单元、输出门四个信息传输控制门，输入数据从所述输入门中输入，所述输入数据为所述原始温度数据甲和原始热误差数据甲；

21、使用遗忘门计算函数决定从上一个所述长短时记忆网络块计算的所述原始热误差数据甲中抛弃一些非必要的所述原始热误差数据甲的特征信息，所述遗忘门计算函数为：

22、fj＝σ·(wf·[yj-1,xj]+bf)，

23、其中，j为所述长短时记忆网络的某一层数，σ为所述遗忘门sigmoid激活函数，wf为所述遗忘门的权值矩阵参数，bf为所述遗忘门的偏置向量参数，yj-1为第j-1层长短时记忆网络块的输出量，xj是第j层所述长短时记忆网络块的输入量；

24、然后，使用输入门计算函数决定如何对输入所述长短时记忆网络的所述原始温度数据甲进行计算处理，所述输入门计算函数为：

25、ij＝σ·(wi·[yj-1,xj]+bi)

26、kj＝tanh(wk·[yj-1,xj]+bk)，

27、其中，σ为所述输入门sigmoid激活函数，tanh是双曲正切激活层函数，wi是所述输入门sigmoid激活层的权值矩阵参数，bi是所述输入门sigmoid激活层的偏置向量参数，wk是所述输入门tanh激活层的权值矩阵参数，bk是所述输入门tanh激活层的偏置向量参数；

28、再然后，使用所述记忆单元决定所述长短时记忆网络块将保留哪些所述原始热误差数据甲的特征信息传输给下一个所述长短时记忆网络块，所述记忆单元计算函数为：

29、cj＝fj·cj-1+ij·kj，

30、其中，fj是第j层所述长短时记忆网络块的遗忘门函数，cj-1是第j-1层所述长短时记忆网络块的记忆单元函数，ij是第j层所述长短时记忆网络块的输入门函数，kj是第j层所述长短时记忆网络块的输入门函数的计算参数；

31、最后，使用输出门计算函数最终将所述长短时记忆网络块计算的所述原始热误差数据甲输出，所述输出门的计算函数为：

32、oj＝σ·(wo·[yj-1,xj]+bo)

33、yj＝oj·tanh(cj)，

34、其中，σ为所述输出门sigmoid激活函数，用于决定当前时刻输入信息的保留程度，tanh是双曲正切激活层函数，wo是所述输出门sigmoid激活层的权值矩阵参数，bo是所述输出门sigmoid激活层的偏置向量参数。

35、进一步的，所述s3具体步骤如下：

36、s3.1：将步骤s1测试得到的所述原始温度数据甲、所述原始热误差数据甲进行分段三次插值，实现所述原始温度数据甲和所述原始热误差数据甲扩展；

37、s3.2：在测试所述原始温度数据甲和所述原始热误差数据甲的时间段内，选取后1/2时间段内的所述原始温度数据甲和所述原始热误差数据甲分别作为训练温度数据集甲和训练热误差数据集甲，选取前1/2时间段内的所述原始温度数据甲和所述原始热误差数据甲分别作为测试温度数据集甲和测试热误差数据集甲；

38、s3.3：采用零均值标准化方法将所述训练温度数据集甲中的原始训练温度数据甲、所述训练热误差数据集甲中的原始训练热误差数据甲归一化，转换公式为：

39、

40、其中，ttrain_std是归一化后的训练温度数据甲，ttrain是所述原始训练温度数据甲，是所述原始训练温度数据甲的均值，是所述原始训练温度数据甲的方差；etrain_std是归一化后的训练热误差数据甲，etrain是所述原始训练热误差数据甲，是所述原始训练热误差数据甲的均值，是所述原始训练热误差数据甲的方差；

41、s3.4：采用matlab的trainnetwork函数对步骤s2生成的所述进给轴甲热误差模型进行训练，生成所述温度数据甲和所述热误差数据甲。

42、进一步的，所述s4具体步骤如下：

43、将所述温度数据甲作为源域，所述源域ds公式为：ds＝[tx1，tx2，tx3]，其中，tx1是所述进给轴甲靠近机床电机侧轴承座温度测点的温度，tx2是所述进给轴甲远离机床电机侧轴承座温度测点的温度，tx3是机床丝杠旁温度测点的温度；所述源域ds的协方差公式cs为：其中，ns是所述源域ds的元素个数；

44、将所述进给轴乙的所述原始温度数据乙作为目标域，所述目标域dt公式为：dt＝[tz1，tz2，tz3]，

45、其中，tz1是所述进给轴乙靠近机床电机侧轴承座温度测点的温度，tz2是所述进给轴乙远离机床电机侧轴承座温度测点的温度，tz3是所述进给轴乙丝杠旁温度测点的温度，所述目标域dt的协方差公式ct为：其中，nt是所述目标域dt的元素个数；

46、为实现所述目标域和所述源域的领域自适应，在源域协方差的对角元素中乘以一个小的正则化参数λ，并将所述源域ds的特征乘以所述源域协方差的反平方根，实现所述源域ds的特征相关性的去除，公式为：其中，ds是所述源域，cs是所述源域ds的协方差；

47、将所述目标域的特征相关性添加到所述源域中，实现所述目标域与所述源域的特征分布近似化，公式为：其中，ds′是去除特征相关性的所述源域ds，ct是所述目标域dt的协方差，ds″是所述目标域与所述源域特征分布近似化后的源域数据。

48、进一步的，所述s5具体步骤如下：

49、利用步骤s4的领域自适应方法将所述温度数据甲的特征添加至所述原始温度数据乙，使所述温度数据甲与所述原始温度数据乙的分布特征趋近一致；将所述热误差数据甲作为进给轴乙热误差模型的训练标签乙，所述进给轴乙热误差模型为基于长短时记忆网络的热误差模型，设所述进给轴乙热误差模型为五层，所述进给轴乙热误差模型的未知参数相较于所述进给轴甲的参数被微调；利用所述原始温度数据乙和所述训练标签乙对所述进给轴乙热误差模型进行训练。

50、本发明的有益效果：

51、(1)本发明提供了一种可用于一台机床中多条进给轴高效建模的热误差模型迁移学习方法，仅需测试数控机床其中一条进给轴的热误差数据，即可实现热误差模型在同一台机床的不同进给轴间迁移，有效提升了热误差模型的建模效率，从而减少了对机床的占用时间。

52、(2)本发明中的同台机床不同进给轴间热误差模型迁移学习方法具有一定的普适性，可将本发明提供的方法推广到所有基于长短时记忆网络及其改进算法建立的热误差模型中。