基于数字孪生融合和迁移学习，在复杂操作条件下对进给系统进行热误差建模

《JOURNAL OF INTELLIGENT MANUFACTURING》：Thermal error modeling of feed system based on digital twin fusion and transfer learning under complex operating conditions

该研究提出融合数字孪生与迁移学习的CNC进给系统热误差建模方法，采用双向LSTM网络结合域对抗机制解决跨域数据分布差异，实验验证其目标域平均MAE为1.458μm，R2达0.968，并证实数字孪生可作为可靠训练数据源。

　　

摘要

本文介绍了一种热误差建模方法，该方法将数字孪生（DT）技术与迁移学习（TL）技术相结合。本研究旨在构建一个通用且具有鲁棒性的CNC进给系统热误差建模框架，以确保在复杂操作环境下的预测性能始终如一。为此，建立了一个DT模型来模拟进给系统在各种操作条件下的温度场演变及其相应的热变形行为。这些模拟数据构成了源域（\({D_S}\)）。目标域（\({D_T}\)）包含系统运行过程中收集的温度和热误差数据。利用滑动窗口技术生成时间序列样本，并对温度特征和热误差标签进行归一化处理。为了应对不同域之间的数据分布差异，开发了一种基于领域对抗机制的双向长短期记忆（BiLSTM）网络。该机制使特征分布趋于一致，同时BiLSTM通过时间建模捕捉温度特征与热误差之间的关系。实验结果表明，基于领域对抗机制的双向长短期记忆网络（DANN-BiLSTM）在六个代表性迁移任务中表现良好。在目标域（\({D_T}\)中进行评估时，该方法的平均绝对误差（MAE）为1.458 μm，均方根误差（RMSE）为2.082 μm，决定系数（R2）为0.968（所有六项任务的平均值）。在源域（\({D_S}\)中，MAE为2.752 μm，RMSE为3.115 μm，R2为0.927。研究结果表明，该方法在预测热误差方面具有较高的精度，并且在多种操作条件下表现出强大的跨域适应性。此外，研究还表明DT模型可以作为可靠的训练数据来源，为进给驱动系统的热误差预测提供了一种新的方法。