本发明属于机床加工误差分析，尤其是涉及一种基于贝叶斯优化和扩张卷积的主轴热误差预测建模方法。
背景技术：
1、在零件加工过程中，几何误差和热误差是影响机床加工精度的主要因素，其中热误差占机床总误差的40％～70％，这是因为机床各个部件都会发生热变形从而存在热误差，影响机床整机精度；由此，采取措施来减少热误差对机床加工精度的影响是很有必要的。热误差补偿法通过建立热误差预测模型对热误差进行预测并在加工过程中进行补偿，从而降低热误差对加工精度的影响。因此，建立一个精度较高且实用性较高的热误差模型是进行热误差补偿的关键。
2、近年来开发了许多主轴热误差预测模型，目前国内外主轴热误差建模方法主要分为两大类：机理驱动模型与数据驱动模型。机理模型基于传热关系、位移与力的约束关系，给出主轴热量与变形精确的理论计算公式，最终实现热误差的预测；尽管机理模型可以对热误差预测提供清晰的物理解释，但面对工况变化、设备异构等因素时，使用机理模型预测往往与实际值存在较大偏差。数据驱动热误差建模则相当于一个黑箱模型,将主轴关键点处温度、转速等作为模型的输入,热误差作为模型输出，不考虑热量在主轴内的产生、传递及转化问题。由于数据驱动技术不需要机床主轴相关的先验知识，因此，基于大数据和数据驱动的主轴热误差建模研究在近几年已成为主流。
3、通过自训练机制更新模型参数以提取敏感特征，几乎所有基于机器学习的主轴热误差预测模型都可以摆脱先验知识和专家经验。然而，获得强大的基于机器学习的模型有两个关键前提。一是设计一种有效的网络结构来构建基于机器学习的模型，以有效地处理数据并充分提取敏感特征。因为当使用大量数据来保证准确性时，无效的神经网络会消耗更多的时间来训练模型。考虑到这一点，一些人开发了结合多种模型的新型网络来提高主轴热误差预测模型的性能。提出了一种基于长短期记忆模型(lstm)和卷积神经网络(cnn)相结合的有效预测热误差模型，预测性能和鲁棒性与主流模型进行了比较；另一些人则提出了一种基于时空相关混合卷积神经网络和长短期记忆模型(st-clstm)的静态热变形建模新方法。上述由多个模块组成的方法通常通过继承子网络的优点而获得强大的结构，但也保留了自己的缺点。因此，简单地组合不同的网络结构的方式通常不足以获得有效的网络。
4、另一个是确定最佳超参数组，它直接决定了基于机器学习的热误差模型预测性能。基于机器学习的模型包含许多通常由经验或默认值确定的超参数，因此很难充分利用模型的学习能力。超参数设置不当可能会导致模型欠拟合或过拟合。因此，优化超参数的设置以构建更强大的主轴热误差预测模型具有重要意义。许多学者开发了一系列优化超参数的方法。例如，一些人利用粒子群优化(pso)对支持向量机(svm)的惩罚因子和核函数进行优化，建立基于pso-svm电主轴热误差预测模型。一些人通过灰狼(gw)算法对长短期记忆(lstm)神经网络的超参数进行优化，以消除预测性能对其超参数的敏感性。上述优化超参数的方法均属于启发式算法，需要大量迭代来更新对象值，并且容易陷入局部最优值。最重要的是，基于机器学习的模型，尤其是基于深度学习的模型，在学习过程中具有不确定性的特点，这导致启发式算法的参数很难按照正确的方向更新。因此，启发式算法不能有效解决基于机器学习的模型的超参数优化问题。
5、本申请的建模方法主要针对上述两个挑战：如何构建有效的网络结构和确定最佳超参数。
技术实现思路
1、本发明解决所要解决的技术问题是提供一种基于贝叶斯优化和扩张卷积的主轴热误差预测建模方法，通过构建更大感受野的扩张卷积神经网络，并在模型数据集训练过程中引入基于高斯过程的贝叶斯优化对模型的超参数进行高效优化，从而使得主轴热误差预测模型具有强大的主轴热误差精确预测能力。
2、本发明解决上述问题所采用的一个技术方案为：一种基于贝叶斯优化和扩张卷积的主轴热误差预测建模方法，具体包括如下步骤：
3、a、利用热像仪获得主轴热图像；
4、b、对获得的主轴热图像进行预处理，创建数据集；
5、c、将数据集输入到扩张卷积神经网络中进行训练；
6、d、采用基于高斯过程的贝叶斯优化探索整个超参数空间，确定扩张卷积神经网络的最佳超参数组合，建立主轴热误差预测模型。
7、具体的，步骤a中，在时长75min主轴转速1500r/min的升温期间，以及在时长75min主轴停转的降温期间，每隔1min进行主轴热图像拍摄。对加热和冷却两种不同工况的主轴热图像进行采集，使得后续模型数据集训练过程更为全面，贝叶斯优化获得的主轴热误差预测模型的超参数组合更优，构建的主轴热误差预测模型的预测能力更精确。
8、具体的，步骤b中，首先，对主轴热图像进行批量裁剪处理，删除与主轴前轴承无关的图像区域；其次，将裁剪好的主轴前轴承热图像调整大小、归一化后转换成张量；然后，将所有转换后的主轴前轴承热图像的像素值减去初始温度状态下的像素值，仅显示主轴增量温度变化对热误差的影响，保存为36x36的预处理热图像；对所有预处理热图像数据进行增强和扩展，创建数据集。主轴前轴承温度变化明显，具有明显的热图像特征，适合建模；消除无关的图像区域的干扰，提高主轴热误差预测模型的预测精度，并降低计算量，减少数据集训练所需时间。
9、具体的，所述对所有预处理热图像数据进行增强，是为对所有预处理热图像分别添加信噪比为10db、20db、30db的噪声；其中，信噪比snr的计算公式为：
10、
11、式中，m和n分别为图像长度和宽度中的像素数，y(m,n)为加噪前的预处理热图像，为加噪后的输出图像。用于提高主轴热误差预测模型抵抗噪声的能力，即提高主轴热误差预测模型的鲁棒性，同时保持热图像质量较好，细节清晰，又获得了更多的热图像，汇入数据集中。
12、具体的，所述对所有预处理热图像数据进行扩展，是为对所有预处理热图像分别逆时针旋转90°、180°和270°。没有改变预处理热图像的像素值，只是单纯的获得了更多的热图像，汇入数据集中，不会降低主轴热误差预测模型的精确度。
13、具体的，所述扩张卷积神经网络的二维扩张卷积的公式为：
14、
15、其中，z(i,j)是输入x(i,j)和滤波器w(m,n)进行扩张卷积后的输出，滤波器的长度和宽度分别为m和n，参数d为扩张率。
16、与现有技术相比，本发明的优点在于：
17、1、扩张卷积神经网络中引入了扩张率这一超参数，控制卷积核中相邻元素间的距离，增大卷积核的感受野，能够有效避免传统卷积神经网络经池化层下采样后会出现的图像分辨率降低、信息无法重建等问题；
18、2、bo-dcnn模型在处理热图像预测热误差方面的精确性，明显优于同样经过贝叶斯优化的传统机器学习模型；
19、3、bo-dcnn模型具有较高的计算效率和可接受的计算复杂程度，在大数据时代，特别是并行和分布式计算环境下具有优势。
1.一种基于贝叶斯优化和扩张卷积的主轴热误差预测建模方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的基于贝叶斯优化和扩张卷积的主轴热误差预测建模方法，其特征在于，步骤a中，在时长75min主轴转速1500r/min的升温期间，以及在时长75min主轴停转的降温期间，每隔1min进行主轴热图像拍摄。
3.根据权利要求2所述的基于贝叶斯优化和扩张卷积的主轴热误差预测建模方法，其特征在于，步骤b中，首先，对主轴热图像进行批量裁剪处理，删除与主轴前轴承无关的图像区域；其次，将裁剪好的主轴前轴承热图像调整大小、归一化后转换成张量；然后，将所有转换后的主轴前轴承热图像的像素值减去初始温度状态下的像素值，仅显示主轴增量温度变化对热误差的影响，保存为36x36的预处理热图像；对所有预处理热图像数据进行增强和扩展，创建数据集。
4.根据权利要求3所述的基于贝叶斯优化和扩张卷积的主轴热误差预测建模方法，其特征在于，所述对所有预处理热图像数据进行增强，是为对所有预处理热图像分别添加信噪比为10db、20db、30db的噪声；其中，信噪比snr的计算公式为：
5.根据权利要求3所述的基于贝叶斯优化和扩张卷积的主轴热误差预测建模方法，其特征在于，所述对所有预处理热图像数据进行扩展，是为对所有预处理热图像分别逆时针旋转90°、180°和270°。
6.根据权利要求1所述的基于贝叶斯优化和扩张卷积的主轴热误差预测建模方法，其特征在于，所述扩张卷积神经网络的二维扩张卷积的公式为：
