摘要
本发明公开了一种基于WFGN的热误差预测方法与系统，包括：步骤S1：获取温度序列数据，以及零件误差数据，将数据转化为图结构数据；步骤S2：利用图结构数据构建数据集，将数据集划分为训练集、验证集和测试集；步骤S3：构建多域融合图神经网络，包括用于捕获全局特征的基于傅里叶变换的卷积网络、用于捕获局部特征的基于小波变换的卷积网络以及全连接网络，通过特征融合层进行连接；步骤S4：对多域融合图神经网络进行训练；步骤S5：根据零件加工时检测到的温度序列数据预测出对应的误差结果；利用深度学习技术，通过融合傅里叶变换卷积网络、小波变换卷积网络和全连接网络，学习自动预测出不同机床加工温度下产生的热误差，通过傅里叶变换提取全局频率特征、小波变换捕捉局部多尺度变化特征，并经全连接网络整合输出高精度预测结果，有效提升了热误差预测的精度和效率。
