(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110355462.5 (22)申请日 2021.04.01 (65)同一申请的已公布的文献号 申请公布号 CN 113051831 A (43)申请公布日 2021.06.29 (73)专利权人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 马驰　刘佳兰　桂洪泉　王时龙　 (74)专利代理 机构 重庆航图知识产权代理事务 所(普通合伙) 50247 专利代理师 胡小龙 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 17/18(2006.01) G06F 119/08(2020.01) (56)对比文件 CN 111259498 A,2020.0 6.09CN 111240268 A,2020.0 6.05 CN 108363870 A,2018.08.0 3 CN 110751199 A,2020.02.04 CN 10902 9992 A,2018.12.18 US 2020184017 A1,2020.0 6.11 CN 101446994 A,2009.06.03 US 20210 64988 A1,2021.0 3.04 US 2020082041 A1,2020.0 3.12 US 2020019052 A1,2020.01.16 Jialan L iu等.Thermal ly-induced er ror compensati on of spi ndle system based o n long short term memory neural netw orks. 《Applied Soft Computi ng》 .2021,第102卷(第 2021期), Jialan L iu等.Data-driven thermal error compensati on of linear x-axis of worm gear mac hines with error mechanism modeling. 《Mechanism and Mac hine Theory》 .2020,第15 3卷(第2020期), (续) 审查员 张超 (54)发明名称 机床热误差自学习预测模型建模方法及热 误差控制方法 (57)摘要 一种机床热误差自学习预测模 型建模方法， 包括如下步骤： 1)输入机床热误差数据， 初始化 机床热误差数据并构建D1： t＝{(x1， y1)， (x2， yx)…， (xt，yt)}； 2)构建概率分布模型； 3)最大化 AC函数以获得下一个评估点， 并最小化目标函数 和真实函数之间的总损失； 4)评估目标函数以获 得； 5)判断是否达到最大迭代次数： 若是， 则输 出 参数集； 若否， 则将(xx+1， yt+1)添加到概率分布 模型内以更新概率分布模 型， 返回步骤3)并重复 上述步骤， 直至获得最优解； 6)将通过BOA算法获 得的最佳超 参数用于Bayesian ‑LSTM神经网络模 型， 并使用Bayesian ‑LSTM神经网络模型训练自 学习误差预测模型， 输出预测的热误差。 本发明还公开了一种基于数字孪生的机床热误差控制 方法。 [转续页] 权利要求书2页 说明书12页 附图8页 CN 113051831 B 2022.07.01 CN 113051831 B (56)对比文件 李彬等.基 于遗传算法优化小 波神经网络数 控机床热误差建模. 《机 械工程学报》 .2019,第5 5 卷(第21期), 杜柳青等.基 于注意力机制的时空卷积数控 机床热误差模型研究. 《农业机 械学报》 .2021,第 52卷(第0 5期), 杜柳青等.基 于优化模糊神经网络的高速数 控机床热误差建模方法. 《组合机床与自动化加 工技术》 .2020,第2020卷(第08 期),Gabriel Trierwei ler Ribeiro 等 .Bayesian Optimized E cho State Netw ork Applied to Short-Term L oad Forecasti ng. 《energies》 .2020,第13卷(第9期), Muhammad Haris等.Bayesian Optimized Long-Short Term Memory Recur rent Neural Network for Progn ostics of Thermal ly Aged Power Mosfets. 《2020 I nternati onal Symposium o n Recent Advances i n Electrical Engi neering & Computer Sciences(RAE E&CS)》 .2020,2/2 页 2[接上页] CN 113051831 B1.一种机床热误差自学习预测模型建模方法， 其特 征在于： 包括如下步骤： 1)输入机床热误差数据， 初始化机床热误差数据并构建D1： t＝{(x1， y1)， (x2， y2)…， (xt， yt)}； 其中， xt表示决定 机床热误差的因素的向量， yt表示热误差， t为大于等于1的正整数； 2)构建概 率分布模型： yt＝f(xt)+ εt 其中， εt为观察误差； f为未知的目标函数； p(D1： t|f)， p(f)， p(D1： t)和p(f|D1： t)分别表示 y的似然分布， y的先验概 率分布， y的边际似然分布和y的后验概 率分布； 3)最大化AC函数以获得下一个评估点xt+1， 并最小化目标函数和真实函数之间的总损 失； 所述AC函数为： γt+1＝|y*‑yt+1| 其中， xt+1为下一个评估点； γt为总损失； αt(x： D1： t)为AC函数； y*为当前的最优解； 4)评估目标函数以获得yt+1； 5)判断是否达到最大迭代次数： 若是， 则输出参数集； 若否， 则将(xt+1， yt+1)添加到概率 分布模型内以更新 概率分布模型， 返回步骤3)； 重复上述 步骤， 直至获得最优解； 6)将通过BOA算法获得的最佳超参数用于Bayesian ‑LSTM神经网络模型， 并使用 Bayesian ‑LSTM神经网络模型训练自学习误差预测模型， 输出 预测的热误差 。 2.根据权利要求1所述的机床热误差自学习预测模型建模方法， 其特征在于： 所述概率 分布模型采用GP模型。 3.根据权利要求1所述的机床热误差自学习预测模型建模方法， 其特征在于： 所述步骤 6)中， 目标函数的输入包括LSTM神经网络的历元大小、 批处理大小和节 点数， 目标函数的输 出为RSME； 选择使RSME最小， 保证LSTM神经网络预测性能最优的超参数， 然后调用BOA算法 优化LSTM神经网络的历元 大小， 批处 理大小和节点数， 得到最佳超参数。 4.根据权利要求1所述的机床热误差自学习预测模型建模方法， 其特征在于： 所述 Bayesian ‑LSTM神经网络模型包括LSTM层和Dense层， 所述Dense层为完全连接层并用于将 LSTM层的输出转换为所需的输出。 5.一种基于数字 孪生的机床热误差控制方法， 其特 征在于： 包括如下步骤： 1)获取物理世界数据： 包括工件原始数据、 机床原始数据和切削刀具及误差采集系统 数据； 2)建立热误差仿真模型： 根据机床热误差机理， 建立热误差分析模型， 结合获取的物理 世界数据对机床的热 行为进行虚拟仿真； 3)在线测量热误差， 将在线测量得到的机床热误差数据用于Bayesian ‑LSTM神经网络 模型的建模和训练， 得到如权利要求1 ‑4任一项所述方法创建得到的机床热误差自学习预 测模型； 4)采用机床热误差自学习预测模型预测热误差， 若预测的热误差大于工件的预设加工 误差， 则控制机床进行误差补偿， 误差补偿的大小与预测的热误差大小相等， 方向相反；权　利　要　求　书 1/2 页 2 CN 113051831 B 3