买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜浙江先端数控机床技术创新中心有限公司申请的专利一种基于深度学习算法的电主轴热误差超前预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119270767B 。

龙图腾网通过国家知识产权局官网在2025-03-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411818540.0，技术领域涉及：G05B19/404；该发明授权一种基于深度学习算法的电主轴热误差超前预测方法是由丁志宏;王郑拓;孙磊;韩楠杰;徐月同设计研发完成，并于2024-12-11向国家知识产权局提交的专利申请。

本一种基于深度学习算法的电主轴热误差超前预测方法在说明书摘要公布了：本发明提供一种基于深度学习算法的电主轴热误差超前预测方法，通过在电主轴表面设置多路温度传感器和位移传感器，采集电主轴表面温度和电主轴末端位移数据，训练由时域卷积网络、门控循环网络以及全连接网络组成的热误差超前预测网络，实现电主轴的热误差超前预测。本发明采用热误差超前预测网络预测电主轴热误差的超前量，能够在误差发生前进行补偿，提高加工精度和电主轴的稳定性，同时，热误差超前预测网络采用多路并联神经网络与全连接网络的设计，增强了模型的适应性和鲁棒性，为不同类型和规格的电主轴提供灵活的解决方案。

本发明授权一种基于深度学习算法的电主轴热误差超前预测方法在权利要求书中公布了：1.一种基于深度学习算法的电主轴热误差超前预测方法，其特征在于：所述电主轴热误差超前预测方法包括以下步骤：S1、在所述电主轴表面设置若干个温度传感器，在所述电主轴的主轴端设置用以检测轴向变形的位移传感器；S2、启动所述电主轴，采集至时刻所述电主轴的温度数据，采集至时刻所述电主轴的温度数据以及所述主轴端的轴向位移数据；且所述轴向位移数据采用霍尔特—温斯特季节性指数采集；S3、重复所述步骤S2若干次，获得相应数据；S4、使用所述步骤S3获得的相应数据训练热误差超前预测网络；S5、采集至时刻所述电主轴的温度数据，输入至所述热误差超前预测网络，获得至时刻所述电主轴的预测热误差数据；S6、通过自适应在线更新模块，将至时刻的实际所述主轴端的所述轴向位移数据与至时刻所述热误差超前预测网络的预测热误差数据进行对比，计算预测误差；根据所述预测误差利用增量式学习方法对所述热误差超前预测网络的参数在线微调，并通过滑动窗口机制限制数据更新范围；所述温度数据为时间相关的多维数据，数据维度与所述温度传感器数量一致，且一一对应；所述热误差超前预测网络与多路并联神经网络与单个全连接网络串联而成，所述多路并联神经网络中的神经网络数量与所述温度传感器数量相等的；所述多路并联神经网络中，每一路神经网络均接收一个所述温度传感器采集的至时刻温度数据，然后将处理结果输入至所述全连接网络，输出至时刻所述电主轴的热误差预测值；所述多路并联神经网络，其中每一路神经网络由一个时域卷积网络、一个全连接网络以及一个门控循环单元网络依次串联而成；所述时域卷积网络与所述全连接网络组成温度超前预测模块，所述门控循环单元网络与后续连接的所述全连接网络组成热误差预测模块；所述热误差超前预测网络的训练步骤为：S401、定义至时刻所述电主轴的温度数据为训练数据，定义至时刻所述电主轴的温度数据为标签数据，训练所述温度超前预测模块；S402、定义至时刻所述电主轴的温度数据为训练数据，定义至时刻所述主轴端的轴向位移数据为标签数据，训练所述热误差预测模块；关于所述步骤S6中的所述自适应在线更新模块的网络参数微调过程包括以下步骤：S601、测量至时刻所述电主轴的温度数据输入所述热误差超前预测网络，获得至时刻所述电主轴的预测热误差数据，测量至时刻的实际所述主轴端的轴向位移数据；S602、在至时间段内，通过滑动窗口机制选取从时刻向前追溯最近的个数据点作为更新依据，，对窗口内的每个点进计算预测误差；，式中，为第i个样本的模型预测结果，为第i个样本的实际位移数据，为阈值参数，为；S603、利用增量式学习方法更新所述热误差超前预测网络中的参数；S604、每间隔评估更新后的所述热误差超前预测网络的预测精度，若当前模型参数预测的误差均值大于更新前的误差均值，则回滚到更新前的模型参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江先端数控机床技术创新中心有限公司，其通讯地址为：317500 浙江省台州市温岭市东部新区金塘北路2号中小企业孵化园B区2号科研厂房二楼202室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。