机械工程学报

作者：马帅, 冷杰武, 陈祝云, 李巍华, 李波, 刘强

单位：1. 广东工业大学省部共建精密电子制造技术与装备国家重点实验室 广州 510006;2. 华南理工大学机械与汽车工程学院 广州 510640;3. 湖北文理学院机械工程学院 襄阳 441053;4. 襄阳华中科技大学先进制造工程研究院 襄阳 441106

关键词：电主轴,热误差建模,数字孪生,深度迁移学习,领域适配；

基金：国家自然科学基金(52205101)、湖北省科技重大专项(2021AA003)、广东省基础与应用基础研究基金(2021A1515110708、202201010615)和广州市基础与应用基础研究基金资助项目。

热误差是电主轴系统误差的主要来源之一，热误差建模是提高系统可靠性的重要手段。电主轴装载刀具加工时，需要在多个方向上运动，导致实时测量困难，难以采集足够的热误差样本。不同工况下的数据分布差异较大，在某一工况下训练的热误差预测模型难以在其他工况下取得满意的预测精度。针对上述问题，提出了一种基于数字孪生和深度迁移学习的电主轴热误差建模方法。首先，建立电主轴系统热行为数字孪生模型，模拟出不同工况下的温度场和热变形数据，缓解实际场景中热误差样本缺失的限制。其次，开发基于领域对抗机制的卷积双向长短期记忆网络，数字孪生模型生成的虚拟数据用作源域，真实数据作为目标域，不同尺度的卷积层构成特征提取器，分别提取源域和目标域温度数据的空间特征，处理多维温度特征的共线性问题。构建双向长短期记忆网络作为预测器，处理温度与热误差的时序关系并输出预测值。同时，结合领域适配的对抗训练技术，利用域判别器混淆两域特征，最小化两域数据分布，提高模型的泛化能力。最后，搭建多源数据协同采集平台，获取不同工况下的真实数据，通过不同迁移任务验证，结果表明：在热误差标签样本缺失的情况下，该方法成功实现热误差建模，具备较好的预测性能。

来源：2025年第3期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2025年第3期