现有热误差预测多基于温度数据建模，特征维度单一，且热误差非线性和耦合性特点，导致预测模型适应性较弱，预测精度较低。针对上述问题，设计了一种多源异构数据采集方案，建立基于多维温度、能耗数据和深度神经网络的立式机床热误差预测模型。搭建了实验平台，进行了支持向量和随机森林回归模型预测精度的对比。对比分析可知：DNN模型相比于传统回归模型，适应性较强，预测精度较高，Z向热误差平均绝对误差为0.973μm,在提高预测模型适应性的同时，显著提高了热误差预测精度。
科研之友
微信
新浪微博
Facebook
分享链接
