本发明涉及数控机床加工，具体涉及一种数字孪生驱动的重型数控机床热误差分析预测方法。
背景技术：
1、随着航空、航天、核电以及军工等产业的大力发展，重型数控机床在蒸汽轮机、大型核泵、船用螺旋桨和大型机翼等大型高端装备的制造领域需求量较大，重型数控机床作为智能制造的核心装备，在现代制造业中扮演着至关重要的角色。iso国际标准要求高精度机床加工的重复定位精度达到0.005mm。然而，目前大部分数控机床的普遍定位精度在0.008mm至0.010mm之间，与国际先进水平的0.002mm与0.003mm的精度差距较大，该差距在重型数控机床中更为明显。
2、热误差是加工过程中热形变导致的误差，它是造成重型数控机床精度低的主要因素，占总误差的40％-70％。温度变化对于精密零部件加工精度影响较大，这就导致实际加工环境下工件质量达标率不高。目前，在我国重型机床加工过程中较少考虑利用热分布来进行建模，以实现高效温度测量。传统的重型数控机床温度测量仍然依赖于工程师经验，并且难以评估数据的有效性，这导致了热误差建模的鲁棒性较低。
3、面向数控加工测量及热误差建模方法亟待拓展的迫切需求，国内外学者开展了广泛的研究工作，主要包含以下三个方面：(1)基于数控加工经验，大量部署温度传感器，全面覆盖有效测量点，通过智能传感器测量，捕捉到有效的关键数据特征；(2)分析温度传感器之间的相关性，去除冗余传感器，优化温度测量的成本及效率；(3)设计深度学习算法，构建热误差模型，实现热误差的准确预测。基于数据驱动的热误差模型可有效摆脱传统热误差建模对加工经验的高度依赖，并为进一步提升加工精度的相关研究提供理论与技术基础。然而，目前温度传感器的部署仍然缺乏热分布机理模型的指导，导致难以高效捕捉重型数控机床的关键热源特征，并将其应用于深度学习建模。
4、在学科交叉背景下，利用以数字孪生为背景的传感器系统、大数据分析、深度学习算法、数据可视化、边缘计算等新兴技术，结合传统机械加工机理，可有效实现对加工精度、效率等方方面的优化。
技术实现思路
1、本发明的目的在于提供一种数字孪生驱动的重型数控机床热误差分析预测方法，以解决上述问题。
2、为实现上述目的，本发明采用以下技术方案：
3、一种数字孪生驱动的重型数控机床热误差分析预测方法，包括以下步骤：
4、s1、构建测温点选取模型：建立热分布因素机理模型，基于热分布因素机理模型和重型数控机床的物理构造划分测温点部署区域，对每个部署区域密集间隔部署温度传感器并进行不同加工参数下的重型数控机床加工实验，获取加工参数信息、测温点位置数据、温度数据以及热误差数据，所述测温点位置数据至少包括部署区域信息以及测温点坐标信息，所述温度数据至少包括温度值及对应的时间序列，所述热误差数据至少包括热误差值及对应的时间序列，通过关联分析不同加工参数对热分布影响程度并进行预测，基于有限元分析建立不同加工参数下的测温点选取模型；
5、s2、温度传感器测量优化：基于当前加工参数，确定对应的测温点选取模型，利用测温点选取模型确定每个部署区域上热误差关联度值最大的测温点作为区域中心测温点，所述热误差关联度值为测温点对应的温度数据与热误差数据之间的关联度，将区域中心测温点选定为关键测温点，判断区域中心测温点的热误差关联度值是否大于预设关联度阈值，若否则在该部署区域不再选定其他关键测温点，若是则通过以下方法选定其他测温点作为关键测温点：将部署区域上所有测温点的温度数据和热误差数据进行归一化处理，获得温度热误差数据集，基于温度热误差数据集构建协方差矩阵，求解每个测温点的协方差矩阵特征值，所述特征值表征测温点的方差贡献率，结合测温点位置信息，按以下公式计算测温点选取期望值：
6、
7、其中，qk为测温点选取期望值，fk为第k个测温点的特征值，dk为第k个测温点到区域中心测温点的距离，d0为部署区域内所有测温点到中心测温点的距离平均值，a、b为常数；
8、按测温点选取期望值从高到低得次序，依次选定关键测温点，直至累计测温点选取期望值达到预设阈值，遍历所有部署区域，获得最终选定的一组关键测温点，根据该组关键测温点对应部署温度传感器并采集温度数据，对采集到的温度数据进行共线性处理以获得低共线性温度数据，对共线性处理结果进行验证；
9、s3、基于温度数据的时间序列和非线性特征，构建用于热误差预测的算法模型，将温度分布和热误差值进行关联，并对算法模型进行训练，获得热误差预测模型；
10、s4、利用所述热误差预测模型获得热误差预测值。
11、优选地，所述步骤s1包括以下分步骤：
12、s11、建立热分布因素机理模型，所述热分布因素机理模型用于表征不同热源对热分布的影响，所述热源包括内部热源和外部热源，所述内部热源包括电机工作的发热量、工件加工产生的热量、冷却系统的制冷量以及滚珠丝杠、主轴、齿轮箱、导轨等部件间摩擦产生的热量，所述外部热源包括太阳辐射、环境局部热源辐射以及环境温度；
13、s12、基于热分布因素机理模型，进行不同加工参数下的重型数控机床加工实验，部署温度传感器及激光位移传感器，采集加工主轴的误差值，通过关联分析对不同加工参数对热分布影响程度进行预测，所述加工参数至少包括主轴转速、进给速度；
14、s13、通过有限元分析建立不同加工参数下的测温点选取模型，获得通过测温点与热分布直接的关联。
15、优选地，所述步骤s2包括以下分步骤：
16、s21、基于当前加工参数，确定对应的测温点选取模型；
17、s22、基于测温点选取模型选择与热误差关联度最大的一组温度采集点，对应部署温度传感器；
18、s23、利用温度传感器采集各测温点的温度数据；
19、s24、对采集到的温度数据进行共线性处理以获得低共线性温度数据，利用灰色关系分析算法和交叉比对分析算法，获得不同传感器间温度数据的关联度，引入关联度阈值，降低不同传感器间温度数据的共线性，从而获得低共线性温度数据；
20、s25、选取部分采集到的温度数据作为样本，验证灰色关系分析算法及选取关联度阈值的可靠性。
21、优选地，所述步骤s3包括以下分步骤：
22、s31、基于温度数据的时间序列和非线性特征，构建用于热误差预测的算法模型，将温度分布和热误差值进行关联；
23、s32、对步骤s31中的所述算法模型进行训练，引入关键算法函数以提高拟合非线性数据的能力，所述关键算法函数至少包括激活函数、批量归一化函数；
24、s33、利用模型参数优化算法，基于均方根误差规则，对所述算法模型进行训练优化，获得最终的热误差预测模型。
25、优选地，所述步骤s3还包括以下分步骤：
26、s34、随机抽取样本温度数据，利用热误差预测模型获得预测结果，并验证模型的预测准确性和鲁棒性。
27、优选地，所述步骤s3还包括以下分步骤：
28、s35、实施实际加工实验，预测重型数控机床的热误差，将预测结果与真实数据进行比对，若误差高于预设误差阈值，则对热误差预测模型进行参数优化以提高预测精度。
29、优选地，所述步骤s31中的算法模型基于长短期记忆神经网络结合卷积神经网络实现。
30、优选地，所述模型参数优化算法为随机梯度下降法或adam算法。
31、优选地，所述热误差数据利用激光位移传感器或三坐标测量机进行测量。
32、采用上述技术方案后，本发明与背景技术相比，具有如下有益效果：
33、1、本发明能够基于重型数控机床的热分布机理和不同加工参数环境下，获得关键热分布因素，通过构建测温点选取模型，基于热误差关联和空间分布指导并优化温度传感器部署位置，有效实现关键测温点的温度测量，同时提高动态加工状态下的温度数据的有效性，最终实现温度数据的高质量采集。
34、2、本发明对采集到的温度数据进行共线性处理，分析不同传感器对应采集点的共线性，这样能够剔除共线性高的温度数据采集点及冗余数据，为后续深度学习算法构建和训练提供有效数据。
35、3、本发明构建了低共线性数据与深度学习驱动的热误差预测模型，提高了深度学习的训练精度，确保了预测结果的准确性，进而能够进行有效、准确的加工补偿，提升重型数控机床的加工精度。
1.一种数字孪生驱动的重型数控机床热误差分析预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种数字孪生驱动的重型数控机床热误差分析预测方法，其特征在于，所述步骤s1包括以下分步骤：
3.如权利要求2所述的一种数字孪生驱动的重型数控机床热误差分析预测方法，其特征在于，所述步骤s2包括以下分步骤：
4.如权利要求3所述的一种数字孪生驱动的重型数控机床热误差分析预测方法，其特征在于，所述步骤s3包括以下分步骤：
5.如权利要求4所述的一种数字孪生驱动的重型数控机床热误差分析预测方法，其特征在于，所述步骤s3还包括以下分步骤：
6.如权利要求5所述的一种数字孪生驱动的重型数控机床热误差分析预测方法，其特征在于，所述步骤s3还包括以下分步骤：
7.如权利要求4所述的一种数字孪生驱动的重型数控机床热误差分析预测方法，其特征在于，所述步骤s31中的算法模型基于长短期记忆神经网络结合卷积神经网络实现。
8.如权利要求4所述的一种数字孪生驱动的重型数控机床热误差分析预测方法，其特征在于，所述模型参数优化算法为随机梯度下降法或adam算法。
9.如权利要求1所述的一种数字孪生驱动的重型数控机床热误差分析预测方法，其特征在于，所述热误差数据利用激光位移传感器或三坐标测量机进行测量。
