[发明专利]考虑实际工况的宏宏双驱动系统的热变形预测方法及系统

权利要求书

1.一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其特征在于，包括：

基于Elman神经网络构建宏宏双驱动系统的热变形预测模型；

利用训练数据集对热变形预测模型进行训练；

将宏宏双驱动系统的关键测温点的温度输入至训练完成的热变形预测模型中，输出宏宏双驱动系统的丝杠副的轴向热伸长的预测值；

其中，基于Elman神经网络构建宏宏双驱动系统的热变形预测模型的具体过程为：

选取宏宏双驱动系统的关键测温点的温度变量作为Elman神经网络的输入，宏宏双驱动系统的丝杠副的轴向热伸长作为Elman神经网络的输出，进而确定出Elman神经网络的结构；

采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值，进而构建出宏宏双驱动系统的热变形预测模型；

所述考虑实际工况的DE-Elman神经网络具有7个输入端节点，分别为近端轴承温度、丝杠螺母温度、远端轴承温度、环境温度、工作台进给速度、螺母轴转速及行程；将对应时间的工作台进给速度、螺母轴转速、行程与之前的温升数据一起构成的阵列作为模型的输入量；结合神经网络建立训练的结果，确定反馈层神经元数目为15；利用插值算法得到系统整体热变形分布，完成系统热变形模型的建立，将模型数据导入固高运动控制器实现热变形补偿功能。

2.如权利要求1所述的一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其特征在于，采用DE算法对Elman神经网络各层之间的连接权值和阈值进行优化从而得到最佳的权值和阈值的具体过程为：

初始化Elman神经网络及DE算法相关参数；

计算初始种群的适应度值：利用训练数据对神经网络进行训练，个体的预测和期望输出之间的差的平方和的倒数作为适应度函数；

依次进行变异操作、交叉操作和选择操作；

计算新个体适应度值：将当前种群中每个个体的值依次映射到神经网络的初始权值和阈值，采用适应度函数分别计算每个个体的适应度值；

判断采用DE算法优化神经网络过程是否完成，若完成，则将经过DE算法优化得到的最佳适应度值对应的个体映射到Elman神经网络各层连接的初始权值和阈值，将其作为最优的初始权值和阈值。

3.如权利要求2所述的一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其特征在于，根据当前进化代数是否达到预先设置的最大进化代数判断采用DE算法优化Elman神经网络过程是否完成。

4.如权利要求2所述的一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其特征在于，根据得到的种群中所有个体的适应度值计算最佳适应度值，然后根据最佳适应度值是否达到预先设置的最小值判断是否停止DE算法优化Elman神经网络的过程。

5.如权利要求1所述的一种考虑实际工况的宏宏双驱动系统的热变形预测方法，其特征在于，在初始化Elman神经网络的过程中，确定出Elman神经网络的结构，包括神经网络的层数，输入层隐含层、及输出层神经元的数目；并利用matlab库函数rands()产生Elman神经网络各层之间的初始权值和阈值。