基于门控混合物理信息神经网络的直驱进给轴热误差建模方法OA

热误差是影响直驱进给轴运动精度的关键因素。针对机理模型建模与求解复杂导致预测精度较低,以及经验模型过度依赖高质量数据且缺乏物理可解释性的问题,本文提出一种基于门控混合物理信息神经网络(GM-PINN)的热误差建模方法。首先,对直驱进给轴运行过程中的热行为进行分析,推导并建立了温度控制偏微分方程,为模型提供物理约束。其次,构建GM-PINN模型,采用“网络分工—门控融合”策略,根据数据特征自适应调节数据项与物理项的融合方式,有效缓解二者之间的训练竞争问题。实验结果表明,该方法能够有效融合机理分析与数据驱动的优势,在低速、中速和高速工况下,预测精度分别保持在[-0.42,0.04]μm,[-0.03,0.74]μm及[-0.79,1.85]μm。该方法具有良好的物理可解释性,特别适用于观测数据有限但物理机制明确的热误差建模问题。