用于龙门导轨磨床主轴热误差补偿的贝叶斯优化GRU网络建模

为什么热量会悄悄弯曲大型设备

现代工厂依赖巨型计算机控制的磨床来以发丝般的精度加工金属零件。然而，当这些机器运行时，旋转的轴会缓慢发热并伸长，使切削工具偏离应有的位置。本文探讨了一种更智能的方式来预测并抵消重型龙门磨床中由热引起的微小位移，从而即便经过数小时工作，机器仍能准确切削到预定位置。

庞大磨床内部的隐蔽运动

研究聚焦于主轴——大型龙门导轨磨床用于精整长而平的表面的旋转核心。当主轴高速旋转时，其轴承、马达和附近零件会产生热量。这些热量缓慢地通过金属传播，使零件在不同方向上膨胀。团队在主轴及其周围的多个点精确测量了温度，同时测量了主轴端沿三个方向的微小位移。他们发现，尽管横向位移仅为几微米，但主轴沿轴向的伸长可以超过150微米，按精密加工标准这是一个较大的变化。

找出最关键的少数温度点

在主轴上布置温度传感器能提供丰富的数据，但也带来一个问题：过多重叠信号会让预测模型混淆并降低运行速度。为避免这一点，作者采用了一种数据挖掘方法来挑选出信息量最大的温度点。他们依赖一种决策树方法，自动对每个传感器按其解释主轴位移的能力进行排序。随后通过逐步淘汰和测试过程，将最初的七个温度测点缩减到更小的组。最重要的传感器集中在前轴承区域，证实该区域是热量积聚和热膨胀的主要来源。

教神经网络跟踪缓慢漂移

为了将温度历史转换为对主轴伸长的准确预测，研究人员构建了一个使用门控循环单元（GRU）这一类循环神经网络的预测模型。这类网络专为处理时间序列设计：它观察数据流并学习过去的条件如何影响未来的变化。在本例中，模型输入被选出的温度信号，并尝试重现在不同转速下主轴随加热产生的轴向（纵向）位移。由于加热过程是缓慢且有滞后的，像GRU这样具备记忆能力的模型适合跟踪热累积与机械位移之间的缓慢漂移。

让统计方法自动调优模型

神经网络在很大程度上依赖于设计选择，例如内部单元数量、学习速率以及一次处理的样本数。作者没有通过反复试验手动选择这些设置，而是采用了一种称为贝叶斯优化的策略。该方法将模型的性能视为一个待探索的“景观”，利用概率决定哪些新的参数组合最有希望进行下一步试验。逐步迭代下，它能以相对较少的试验次数锁定一组使GRU预测尽可能准确的参数，避免陷入仅“足够好”的配置。

更精确的预测、更平直的切削

当经贝叶斯优化的GRU模型在一个未见过的主轴转速下进行测试时，其对热伸长的预测平均误差远低于一微米，且预测曲线与实测曲线几乎完全吻合。与包括基础GRU、长短期记忆网络（LSTM）以及用其他搜索算法调优的GRU等更传统模型相比，贝叶斯优化版本始终给出最小的误差。对非专业读者而言，这意味着磨床的控制系统可以提前准确获知主轴加热后会伸长多少，并相应调整动作以保持刀尖在目标位置。结果是零件更精确、减少反复修正，并更有效地利用大型昂贵的加工中心以满足高精度制造的需求。

引用: Zhu, S., Deng, J., Chen, H. et al. Bayesian-optimized GRU network modeling for thermal error compensation in gantry guideway grinder spindle. Sci Rep 16, 10713 (2026). https://doi.org/10.1038/s41598-025-31679-7

关键词: 机床精度, 主轴热误差, 精密磨削, 神经网络预测, 贝叶斯优化