CN116540627B - 基于深度迁移学习的机床热误差预测补偿群控方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度迁移学习的机床热误差预测补偿群控方法及系统，该方法包括：获取多台机床实验数据，并将实验数据划分为源域数据集和目标域数据集；根据源域数据集和目标域数据集的相似程度匹配回归模型；将源域数据集和目标域数据集输入至以总损失函数值最小为目的的回归模型中，得到总损失函数值；根据总损失函数值确定最优模型，并根据最优模型进行误差预测及补偿。该系统包括：源域数控单元、目标域数控单元、板卡、服务器。通过使用本发明，能够适用于变工况、跨设备、多类型预测任务，解决“数据孤岛问题”，有助于推进车间智能化和数据化进程。

Description

基于深度迁移学习的机床热误差预测补偿群控方法及系统

技术领域

本发明涉及机床热误差预测补偿领域，尤其涉及一种基于深度迁移学习的机床热误差预测补偿群控方法及系统。

背景技术

热误差是影响立式数控加工中心精密制造的主要因素。科学研究表明：机床主轴在加工过程，因热变形产生的热误差占机床加工总误差的40％-70％，且机床精密度越高，其热误差占比越大，因此，机床热误差预测及补偿技术是当下研究的重点和难点。

数控机床类型较多，不同数控系统间通讯协议不同，由此导致的“数据孤岛”问题极大影响了车间数据化和智能化进程。机床在不同工况下的热误差数据分布差异较大、主轴布设方式不同导致热误差类型不同，机床带刀加工时热误差数据难以采集，因此，单设备变工况、跨设备变工况的热误差建模及控制补偿极其困难，且带刀加工时因难以采集热误差数据，使传统的深度学习依托特征数据和标签构建模型的方法难以实行。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于深度迁移学习的机床热误差预测补偿群控方法及系统，能够适用于变工况、跨设备、多类型预测任务，解决“数据孤岛问题”，有助于推进车间智能化和数据化进程。

本发明所采用的第一技术方案是：一种基于深度迁移学习的机床热误差预测补偿群控方法，包括以下步骤：

获取多台机床实验数据，并将实验数据划分为源域数据集和目标域数据集；

根据源域数据集和目标域数据集的相似程度匹配回归模型；

将源域数据集和目标域数据集输入至以总损失函数值最小为目的的回归模型中，得到总损失函数值；

根据总损失函数值确定最优模型，并根据最优模型进行误差预测及补偿。

该方案通过获取多机床实验数据进行模型训练，并对模型施加约束，让模型向使源域数据集和目标域数据集差异化最小的方向训练，既保证了源域数据集和目标域数据集差异化最小又保证了预测值与实测值误差最小，从而保证了模型预测精度，使得能够适用于变工况、跨设备、多类型预测任务。

进一步，所述获取多台机床实验数据，并将实验数据划分为源域数据集和目标域数据集这一步骤，其具体包括：

获取至少一台数控机床的实验数据，并将该实验数据中的特征数据和误差数据完整的数据集划分为源域数据集，误差数据缺失的数据集划分为目标域数据集。

该步骤获取多台机床实验数据，是实现跨设备、变工况、多类型预测任务的基础。

进一步，所述将源域数据集和目标域数据集输入至以总损失函数值最小为目的的回归模型中，得到总损失函数值这一步骤，其具体包括：

归一化源域数据集和目标域数据集，得到源域特征数据和目标域特征数据；

将源域特征数据和目标域特征数据输入至以总损失函数值最小为目的的回归模型中，得到新源域特征数据、新目标域特征数据和预测误差；

以最大均值差异计算新源域特征数据和新目标域特征数据的损失函数，得到最大均值差异损失函数值；

以平均绝对误差计算预测误差和源域数据集中的误差数据之间的损失函数，得到平均绝对误差损失函数值；

该步骤是对预测模型的训练过程，通过对模型施加最大均值差异损失函数和平均绝对误差损失函数约束，让模型朝着使源域数据集和目标域数据集差异化最小及预测误差与实际误差的差异最小化的方向训练，以保证模型预测精度。

进一步，所述归一化源域数据集和目标域数据集，得到源域特征数据和目标域特征数据这一步骤，其具体为：

对源域数据集和目标域数据集中的异常数据进行筛查，得到筛查后的数据集；

将筛查后的数据集标准化、归一化，保留与热误差关联性强的特征变量，得到源域特征数据和目标域特征数据。

进一步，所述最大均值差异计算公式为：

其中，k(·)为映射关系，将原始空间数据映射到高维空间，X、Y为两种分布的样本，为映射函数集，x_i为X分布样本中的第i个数据，y_j为Y样本数据中的第j个数据，m为X样本中的数据量，n为Y样本中的数据量。

进一步，所述平均绝对误差计算方法为：

其中，y_i表示实际热误差值，表示预测热误差值，N为样本总数。

进一步，所述根据总损失函数值确定最优模型，并根据最优模型进行误差预测及补偿，其具体包括：

根据预定次数的总损失函数值的波动幅度判断模型是否收敛；

若预定次数的总损失函数的波动幅度在预设幅度内，则判断模型收敛，并终止训练；

计算总损失函数值的均值，并与其他模型损失函数值对比，确定最优模型；

调用最优模型进行机床热误差预测，并根据机床热误差预测值进行机床热误差补偿。

本发明所采用的第二技术方案是：一种基于深度迁移学习的机床热误差预测补偿群控系统，包括源域数控单元、目标域数控单元、板卡、服务器，其特征在于，包括：

源域数控单元，接收从获取的多台机床的实验数据中划分出的源域数据集，并安装嵌入式板卡，以实现与服务器和目标域数控单元通信；

目标域数控单元，接收从获取的多台机床的实验数据中划分出的目标域数据集，并安装嵌入式板卡，实现与服务器和源域数控单元通信，在最后调用服务器确定的最优模型进行机床热误差预测及热误差补偿；

服务器，存储训练模型，并根据源域数据集和目标域数据集给目标域板卡适配回归模型进行模型训练，根据训练输出的总损失函数值判断模型收敛及确定最优模型。

本发明方法及系统的有益效果是：本发明通过回归模型进行特征提取，并对模型训练施加最大均值差异和平均绝对误差约束，使得模型朝源域特征和目标域特征差异最小化以及预测误差与实际误差差异最小化的方向训练，保证了最优模型的预测精度，使得能够适用于变工况、跨设备、多类型预测任务。

附图说明

图1是本发明一种基于深度迁移学习的机床热误差预测补偿群控方法的步骤流程图；

图2是本发明一种基于深度迁移学习的机床热误差预测补偿群控方法的多源异构数据采集平台；

图3是本发明一种基于深度迁移学习的机床热误差预测补偿群控方法的总损失函数值统计图；

图4是本发明一种基于深度迁移学习的机床热误差预测补偿群控系统的结构框图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

如图1所示，本发明提供了一种基于深度迁移学习的机床热误差预测补偿群控方法，该方法包括以下步骤：

101、获取多台机床实验数据，并将实验数据划分为源域数据集和目标域数据集。

本实施例中，通过预先在多台机床上搭建数据采集平台，利用多源传感器获取实验数据，所述实验数据包括：机床的运作过程中的电流、功率、多源温度及热误差。接着对实验数据进行预处理，将机床的特征数据和热误差数据完整的数据集划分为源域数据集，将缺少热误差数据的数据集划分为目标域数集，所述特征数据包括：温度、功率电流等，所述热误差数据包括至少一个方向上的热误差。

102、根据源域数据集和目标域数据集的相似程度匹配回归模型。

其中，源域数据集包括特征数据和热误差数据，特征数据包括机床关键位置的温度和主轴加工过程中的功率和电流，热误差数据包括主轴加工过程中多个方向上的热误差；目标域数据集缺乏主轴加工过程中的多个方向上的热误差，含有和源域数据集中的特征数据类似的特征数据，包括但不限于机床关键位置的温度、主轴加工过程中产生的功率和电流。

在本实施例中，服务器从源域数控系统中的嵌入式板卡中获取源域数据集，从目标域数控系统中的嵌入式板卡获取源域数据集，根据源域数据集中的特征数据与目标域数据集中的特征数据的相似程度匹配合适的回归模型，优选的，所述回归模型为深度神经网络回归模型。匹配出合适的回归模型之后，将其发送至目标域数控系统中的嵌入式板卡。

103、将源域数据集和目标域数据集输入至以总损失函数值最小为目的的回归模型中，得到总损失函数值。

在本实施例中，服务器将回归模型发送至目标域数控系统的嵌入式板卡后，向源域数控系统的嵌入式板卡发送指令，令其将源域数据集发送至目标域数控系统中的嵌入式板卡。在目标域数控系统中的嵌入式板卡内部，将源域数据集和目标域数据集进行异常值筛查，标准化及归一化，保留与热误差关联性较强的特征变量，得到源域特征数据和目标域特征数据，提取出源域特征数据和目标域特征数据，作为回归模型的输入，提取源域数据集中的误差数据，作为模型输出来训练模型。在源域特征数据和目标域特征数据输入模型后，进行特征训练，提取模型最后一层的新源域特征数据和新目标域特征数据、预测误差，以最大均值差异计算新源域特征数据和新目标域特征数据的损失函数，得到最大均值差异损失函数值，并以平均绝对误差计算预测误差与源域数据集中的误差数据之间的损失函数，得到平均绝对误差损失函数值，最后，计算最大均值差异损失函数值和平均绝对误差损失函数值的和，得到总损失函数值。

其中，最大均值差异计算公式为：

其中，k(·)为映射关系，将原始空间数据映射到高维空间，X为新源域特征数据集、Y为新目标域特征数据集，为映射函数集，x_i为新源域特征数据集中的第i个数据，y_j为目标域特征数据集中的第j个数据，m为新源域特征数据集中的数据量，n为目标域特征数据集中的数据量。

其中，平均绝对误差计算公式为：

其中，y_i表示实际热误差值，表示预测热误差值，N为样本总数。

104、根据总损失函数值确定最优模型，并根据最优模型进行误差预测及补偿。

在本实施例中，在得到总损失函数值后，目标域数控系统中的嵌入式板卡将总损失函数值实时发送至服务器，并将训练模型返还至服务器中，服务器根据总损失函数值的收敛情况判断是否继续模型训练，当总损失函数值收敛后，目标域数控系统中的嵌入式板卡停止模型训练，服务器根据最后若干次的总损失函数值的平均值与其他模型的损失函数值的比较，选出最优模型，并将最优模型发送至目标域数控系统中的嵌入式板卡。目标域数控系统中的嵌入式板卡在收到最优模型后，将目标域数据集中的特征数据输入，得到目标域数据集的热误差预测值，将热误差预测值发送至目标域数控系统，计算出补偿值，补偿至加工中心位移量。

在具体的实施例中应用本方法，并以两台立式机床为例进行说明。

如图2所示的多源异构数据采集平台，对两台立式机床布置数据采集平台，源域采集终端为机床214的采集平台，目标域采集终端为机床224的采集平台。其中，PC端充当服务器200，源域采集终端包括机床214，主轴分析仪216，数控系统二次开发接口215，温度传感器213，温度采集卡212，嵌入式板卡211；目标域采集终端包括机床224，数控系统二次开发接口225，温度传感器223，温度采集卡222，嵌入式板卡221。数控系统二次开发接口215采集机床1运转时主轴上的功率、电流，温度传感器213采集主轴关键位置的温度，生成多维温度传输至温度采集卡212，温度采集卡212将多维温度值传输至嵌入式板卡211，主轴分析仪216采集主轴z方向上的热误差并传输至嵌入式板卡211。数控系统二次开发接口225采集机床2运转时主轴上的功率、电流，温度传感器223采集主轴关键位置的温度，生成多维温度传输至温度采集卡222，温度采集卡222将多维温度传输至嵌入式板卡221。嵌入式板卡211和嵌入式板卡221分别将机床1和机床2采集的数据进行预处理得到包含机床1特征数据和误差数据的源域数据集及包含机床2的特征数据的目标域数据集，之后将源域数据集和目标域数据集发送至服务器200。

服务器200接受到源域数据集和目标域数据集后，对比源域数据集和目标域数据集中的特征数据，根据两者之间的相似程度匹配合适的深度神经网络(DNN)模型，并将该深度神经网络模型发送至嵌入式板卡221，接着向嵌入式板卡211发送命令，令其将源域数据集发送至嵌入式板卡221。

嵌入式板卡221在接收深度神经网络模型和源域数据集后，将源域数据集和目标域数据集进行归一化处理，得到源域特征和目标域特征，以及源域热误差，将源域特征和目标域特征输入至深度神经网络模型中进行训练，提取DNN模型最后一层的特征数据，得到新源域特征、新目标域特征和预测误差，以最大均值差异计算新源域特征和新目标域特征的损失函数值，以平均绝对误差计算预测误差与源域误差之间的损失函数值，最后计算最大均值差异损失函数值与平均绝对误差的和，作为总损失函数的值。

其中，最大均值差异计算公式为：

其中，k(·)为映射关系，将原始空间数据映射到高维空间，X，Y为两种分布的样本，为映射函数集，x_i为X分布样本中的第i个数据，y_j为Y样本数据中的第j个数据，m为X样本中的数据量，n为Y样本中的数据量。

其中，平均绝对误差计算公式为：

其中，y_i表示实际热误差值，表示预测热误差值，N为样本总数。

在得到总损失函数的值之后，将总损失函数值实时发送至服务器并返还训练后的DNN模型。服务器200接收总损失函数值后，根据总损失函数值最后20次的波动情况判断总损失函数是否收敛，如图3所示为本具体实施例中的实验结果，若总损失函数值连续20次的上下波动幅度不超过5％，则判定模型收敛，终止训练，并以最后5次总损失函数值的均值代表训练的DNN模型精度，与其他类似模型损失函数值对比，确定最优的DNN模型。

确定最优的DNN模型之后，嵌入式板卡221调用最优DNN模型，将目标域数据集输入至最优DNN模型中，得到机床2的主轴z方向上的热误差预测值，将该机床2的主轴z方向上的热误差预测值发送至目标域数控系统计算补偿量，补偿为刀具进给量。

如图4所示，一种基于深度迁移学习的机床热误差预测补偿群控系统，包括源域数控单元、目标域数控单元、板卡、服务器，包括：

源域数控单元，接收从获取的多台机床的实验数据中划分出的源域数据集，并安装嵌入式板卡，以实现与服务器和目标域数控单元通信；

目标域数控单元，接收从获取的多台机床的实验数据中划分出的目标域数据集，并安装嵌入式板卡，实现与服务器和源域数控单元通信，在最后调用服务器确定的最优模型进行机床热误差预测及热误差补偿；

服务器，存储训练模型，并根据源域数据集和目标域数据集给目标域板卡适配回归模型进行模型训练，根据训练输出的总损失函数值判断模型收敛及确定最优模型。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

1.一种基于深度迁移学习的机床热误差预测补偿群控方法，其特征在于，包括以下步骤：

获取多台机床实验数据，并将实验数据划分为源域数据集和目标域数据集，具体包括：获取至少一台数控机床的实验数据，并将该实验数据中的特征数据和热误差数据完整的数据集划分为源域数据集，热误差数据缺失的数据集划分为目标域数据集；

所述特征数据包括温度和功率电流，所述热误差数据包括至少一个方向上的热误差；

根据源域数据集和目标域数据集的相似程度匹配回归模型；

将源域数据集和目标域数据集输入至以总损失函数值最小为目的的回归模型中，得到总损失函数值；

根据总损失函数值确定最优模型，并根据最优模型进行误差预测及补偿；

所述将源域数据集和目标域数据集输入至以总损失函数值最小为目的的回归模型中，得到总损失函数值这一步骤，其具体包括：

归一化源域数据集和目标域数据集，得到源域特征数据和目标域特征数据；

将源域特征数据和目标域特征数据输入至以总损失函数值最小为目的的回归模型中，得到新源域特征数据、新目标域特征数据和预测误差；

以最大均值差异计算公式计算新源域特征数据和新目标域特征数据的损失函数，得到最大均值差异损失函数值；

以平均绝对误差计算公式计算预测误差和源域数据集中的误差数据之间的损失函数，得到平均绝对误差损失函数值；

计算最大均值差异损失函数值与平均绝对误差损失函数值的和，得到总损失函数值；

所述平均绝对误差计算公式为：

其中，y_i表示实际热误差值，表示预测热误差值，N为样本总数。

2.根据权利要求1所述一种基于深度迁移学习的机床热误差预测补偿群控方法，其特征在于，所述归一化源域数据集和目标域数据集，得到源域特征数据和目标域特征数据这一步骤，其具体为：

对源域数据集和目标域数据集中的异常数据进行筛查，得到筛查后的数据集；

将筛查后的数据集标准化、归一化，保留与热误差关联性强的特征变量，得到源域特征数据和目标域特征数据。

3.根据权利要求2所述一种基于深度迁移学习的机床热误差预测补偿群控方法，其特征在于，所述最大均值差异计算公式为：

其中，k(·)为映射关系，将原始空间数据映射到高维空间，X，Y为两种分布的样本，为映射函数集，x_i为X分布样本中的第i个数据，y_j为Y样本数据中的第j个数据，m为X样本中的数据量，n为Y样本中的数据量。

4.根据权利要求1所述一种基于深度迁移学习的机床热误差预测补偿群控方法，其特征在于，所述根据总损失函数值确定最优模型，并根据最优模型进行误差预测及补偿这一步骤，其具体包括：

根据预定次数的总损失函数值的波动幅度判断模型是否收敛；

若预定次数的总损失函数的波动幅度在预设幅度内，则判断模型收敛，并终止训练；

计算总损失函数值的均值，并与其他模型的损失函数值对比，确定最优模型；

调用最优模型进行机床热误差预测，并根据机床热误差预测值进行机床热误差补偿。

5.一种应用如权利要求1-4任一项所述的基于深度迁移学习的机床热误差预测补偿群控方法的群控系统，其特征在于，包括源域数控单元、目标域数控单元、板卡、服务器，其特征在于，包括：

源域数控单元，接收从获取的多台机床的实验数据中划分出的源域数据集，并安装嵌入式板卡，以实现与服务器和目标域数控单元通信；

目标域数控单元，接收从获取的多台机床的实验数据中划分出的目标域数据集，并安装嵌入式板卡，实现与服务器和源域数控单元通信，在最后调用服务器确定的最优模型进行机床热误差预测及热误差补偿；

服务器，存储训练模型，并根据源域数据集和目标域数据集给目标域板卡适配回归模型进行模型训练，根据训练输出的总损失函数值判断模型收敛及确定最优模型。