一种面向精密制造的新型热误差补偿框架：整合数字孪生技术和边缘服务器部署

《JOURNAL OF INTELLIGENT MANUFACTURING》：A novel thermal error compensation framework towards precision manufacturing: integrating digital twin technology and edge server deployment

机床主轴热误差影响加工精度，现有系统实时性差、补偿效果不足。提出时空融合并行网络模型，结合物理加权图卷积、多尺度时序编码和动态门融合机制，提升热误差预测精度和鲁棒性；设计基于云边协同的数字孪生补偿框架，采用边缘计算智能网关（ARM Cortex-A73架构），开发通用部署方案解决传统无线传感器节点性能不足问题，通过循环双缓冲机制和一维容器参数索引实现高效模型推理，实验表明误差降低80%、响应延迟减少40%。

　　

摘要

主轴热误差的动态变化对机床的整体加工精度有显著影响。因此，有效补偿和控制热误差至关重要。然而，现有系统在实时性能和补偿效果方面仍存在局限性。为了解决这些问题，一方面分析了主轴热误差的产生机制，并验证了其与传感器数据的空间特征之间的相关性。在此基础上，提出了一种用于热误差预测的长期时空融合并行网络模型。在时间建模阶段，设计了一种具有热动态感知能力的时间编码网络，该网络能够嵌入热传导、记忆滞后和多尺度时间模式等物理特性，以有效捕捉热误差数据中的动态依赖性。在空间建模阶段，采用受物理权重指导的图卷积网络从传感器数据中提取空间分布特征。随后，使用多尺度时间编码器共同建模短期波动和长期漂移，并通过时空门融合模块实现时空特征权重的动态和自适应分配，从而在不增加额外计算开销的情况下保持高效性。特别是，跨尺度时空聚合模块能够在不同的时间和空间层次上进行跨尺度建模，提高模型在变化的热工作条件下的鲁棒性。最终预测结果由嵌入物理特性的预测头进行约束，进一步提高预测精度和鲁棒性。另一方面，基于云边协同开发了一种基于数字孪生的补偿系统框架，并提出了一种适用于嵌入式环境的一般部署方案。该框架注重部署深度学习模型，为各种神经网络层提供前向传播接口，而不依赖于主流的深度学习框架。重要的是，克服了传统无线传感器网络节点在性能不足和高能耗方面的局限性，这些局限性阻碍了它们对TensorFlow和PyTorch等深度学习库的支持，从而实现了计算复杂模型的通用部署。提出了一种资源高效的双循环缓冲机制，以实现多个网络模块的分层执行。此外，框架中引入了一维模型存储容器和参数索引指针机制，以便在推理过程中精确寻址计算参数。另外，基于ARM Cortex-A73低功耗处理器架构开发了一种高性能的边缘计算智能网关节点。将所提出的长期时空融合并行网络模型集成到边缘服务器中，实现了复杂边缘计算模型的高效执行。实验结果表明，与传统的时间和时空模型相比，所提出的模型具有更高的预测精度和鲁棒性。使用所提出的补偿框架，主轴热误差降低了80%，且补偿系统的响应延迟比传统方法提高了约40%。