[發明專利]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

有效

• 申請號: 202110357140.4
• 申請日: 2021-04-01
• 公開（公告）號: CN113051832B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 馬馳;劉佳蘭;桂洪泉;王時龍
• 申請（專利權）人: 重慶大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/23;G06F30/17;G06N3/045;G06N3/0985;G06N3/084;G06N3/086;G06F119/08
• 代理公司: 重慶航圖知識產權代理事務所(普通合伙) 50247
• 代理人: 胡小龍

1.一種主軸系統動態熱誤差預測系統，其特征在于：包括霧計算層、云計算層、數據采集單元、數據庫和中央處理器；

所述數據采集單元用于采集主軸系統的生產和設備數據；所述數據庫接收所述數據采集單元采集得到的數據并存儲作為歷史數據；

所述霧計算層包括霧服務器，所述霧服務器內設有數據處理單元和誤差預測單元，所述數據處理單元接收所述數據采集單元采集得到的實時數據并對實時數據進行處理；所述誤差預測單元接收經所述數據處理單元處理后的實時數據、并采用主軸系統熱誤差建模方法創建得到的主軸系統熱誤差模型預測主軸熱誤差；

所述云計算層包括云服務器，所述云服務器內設有誤差模型訓練單元，所述誤差模型訓練單元接收所述數據庫內的歷史數據并對主軸系統熱誤差模型進行訓練；

所述中央處理器接收經所述誤差模型訓練單元訓練后的主軸系統熱誤差模型、并將該訓練后的主軸系統熱誤差模型傳輸至所述誤差預測單元以更新所述誤差預測單元內的主軸系統熱誤差模型；

所述主軸系統熱誤差建模方法，包括如下步驟：

1)以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，批處理大小和節點數超參數作為優化變量，初始化蝙蝠種群；

3)采用BA算法優化GRU模型的超參數，優化的適應度函數為：

其中，y_i為訓練集的第i個預測值；Q_i為訓練集的第i個真實值；n_o為訓練集樣本數；

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。

2.根據權利要求1所述主軸系統動態熱誤差預測系統，其特征在于：BA算法為：蝙蝠以固定的頻率、不同的波長和響度搜索獵物A_i，獵物A_i從最大值逐漸減小到最小值，獲取蝙蝠i在t+1時刻的速度和位置：

其中，和表示蝙蝠在t時刻的速度和位置；ω表示在[0,1]的隨機數；p表示當前搜索過程中所有蝙蝠所在的最佳位置；f_i表示蝙蝠i的脈沖頻率，且：

f_i＝f_min+(f_max-f_min)β

其中，f_max和f_min分別表示脈沖頻率的最大值和最小值；β為服從均勻分布的隨機數；

隨機擾動被局部添加到每個蝙蝠的當前最優解中，以避免陷入局部極值：

其中，ε和分別表示蝙蝠i在t時刻的隨機數和平均響度；

當蝙蝠找到獵物時，脈沖發射率會升高；隨著迭代的進行，脈沖發射的頻率r_i和響度A_i發生變化：

r_i^t+1＝r_i⁰[1-e^-γt]

其中，α表示脈沖響度的衰減系數；γ表示脈沖頻率的增加系數；α和γ均為常數，且

0＜α＜1，γ＞0；當t→∞時，r_i^t→0。

3.根據權利要求1所述主軸系統動態熱誤差預測系統，其特征在于：所述IBA-GRU模型包括第一GRU神經網絡層和第二GRU神經網絡層，主軸系統的熱誤差數據輸入到第一GRU神經網絡層，經第一層GRU神經網絡計算后傳輸至第二GRU神經網絡層。

4.根據權利要求1所述主軸系統動態熱誤差預測系統，其特征在于：還包括步驟5)，在設定時間后，采用梯度下降法，利用主軸系統的熱誤差的歷史數據重新訓練并更新IBA-GRU模型。

5.一種主軸系統動態熱誤差控制系統，其特征在于：包括誤差補償單元和如權利要求1-4任一項所述的主軸系統動態熱誤差預測系統，所述誤差補償單元內設有誤差補償模型；所述誤差補償單元接收所述誤差預測單元預測得到的誤差預測值、并在所述誤差預測值大于預設范圍時啟動誤差補償模型，所述誤差模型用于計算主軸系統在每一個方向上的誤差補償分量并更新G代碼。