基于混合 PINNS 神经网络的重型车床精度预测研究

为什么大机器需要智能预测

重型车床——这些可占据房间大小、用于切削和成形金属的设备——是从发电厂到造船业等行业的支柱。但当这些机器跨越数米时，微小的位置误差会累积，使零件偏离公差，悄然浪费时间和材料。对整个行程逐点测量既缓慢又昂贵，因此工程师通常只能获得一些零散的数据点。本文探讨了一种新方法，利用这些稀缺测量数据并结合基本的物理直觉，可靠地预测大车床在整个运动范围内的行为。

大机器，微小线索

在理想情况下，车床的移动部件会完全按照控制系统指令运动。但在现实中，热量、重量和结构挠曲会导致机床滑动轴产生几十微米的偏差——单独看很小，但对精密加工至关重要。对于行程达数米的巨型车床，利用高端激光设备对这些误差进行完整绘测成本高且会干扰生产。工程师通常只测量几个短段，使得机床大部分长度无人观测。传统数学拟合和常规神经网络可以填补这些空白，但在数据稀疏时，它们常常会产生不稳定或不现实的曲线，出现真实机床不会有的抖动。

将数据与简单物理常识相融合

作者聚焦于重型数控车床的 Z 轴，设计了一种预测方法，遵循两个关于真实机床的简单事实：沿轴的误差通常是连续且相对平滑的。首先，他们通过对一段测量良好的 300 mm 训练区段拟合一条平缓的六次曲线来增强有限的测量集，然后对其进行均匀重采样，从而创建一个更密集但仍现实的数据集。在此基础上，他们构建了若干模型：一个标准的反向传播神经网络、一个径向基函数网络，以及一个物理约束神经网络（PINN），该网络在其预测误差曲线变得过于粗糙或沿轴发生剧烈变化时会被明确惩罚。

混合“智能体”的工作原理

研究并不依赖单一模型，而是在混合框架中结合各自优势。首先，每个模型都使用相同的预处理数据进行训练。然后通过一次性的线性校准将每个模型的原始预测拧正，使其与测量值更接近，校正任何持续的缩放或偏移。接下来是软融合步骤：在验证数据上比较经校准的模型，预测误差较小的模型会在最终预测中被自动赋予更高权重。为径向基模型保留了最小权重，以便它能在不主导结果的情况下仍然捕捉细微的局部变化。贯穿整个过程，物理约束模型作为骨干，利用连续性和平滑性约束在未测区域也能保持预测误差模式的现实性。

更精确的预测，意外更少

该方法在同一 Z 轴的两个独立 300 mm 区段上进行了测试，位置分别约在距离训练区段 8 m 和 17.7 m 处。这些区段仅用于检验模型的外推能力。在所有测试中，混合方法明显优于各单一模型，与标准神经网络和径向基网络相比，总体误差约降低 80% 或更多。它不仅降低了平均差异，还削减了罕见但大的错误“长尾”。残差的统计分析显示，混合预测紧密聚集在零附近，避免了极端异常值，这一点对于在工业补偿系统中的安全使用尤为关键。

对实际加工的意义

对制造商而言，该研究提供了一个实用方案：只需对长轴的一小段进行精心测量，就可以以既数据驱动又符合物理常识的方式推断整轴的误差分布。这有助于更容易地监测机床状态、实时修正误差，并在无需频繁耗时重校准的情况下延长重型车床的使用寿命。尽管该工作在一台特定机器和稳定条件下演示，作者认为该框架可以扩展以纳入温度、负载和更详尽的物理模型。简言之，他们表明向神经网络加入一些受物理启发的约束，能够将稀缺且昂贵的测量转化为保持超大机床加工精度的可靠指导。

引用: Wang, R., Jing, H. & Yang, M. Research on precision prediction of heavy-duty lathes based on hybrid PINNS neural network. Sci Rep 16, 12883 (2026). https://doi.org/10.1038/s41598-026-42143-5

关键词: 重型数控车床, 物理约束神经网络, 机床精度, 误差预测, 工业校准