热误差是影响重型数控机床加工精度的主要因素之一。通过建立基于温度场监测数据的热误差模型,是实现热误差补偿有效地提高加工精度的关键。然而传统的建模方式需要根据不同的工况选择不同的关键测温点进行建模,以提高预测精度和泛化能力,避免过拟合现象,因此难以得到不同工况的泛化能力强的热误差模型。此外,受加工环境和机床内部因素的影响,历史模型无法适应新数据的分布情况,需要随着新数据的加入不断动态调整。因此研究能够兼顾多工况下预测精度和泛化能力的热误差模型,根据新数据提升现有模型的描述能力,对于保证重型数控机床加工的可靠性意义重大。本文以重型数控机床ZK5540A为研究对象,建立基于光纤光栅实时监测数据的重型数控机床热误差模型并基于增量学习提出热误差模型优化算法。主要研究内容如下:(1)针对重型数控机床工况复杂的特点,研究机床结构特点和热源分布,确定光纤光栅传感器和位移传感器的测点布置以及数据测量方法,对温度与主轴热误差进行数据采集试验,并分析热源点温度与热误差之间的关系。对温度和热误差数据进行预处理和数据增强处理,为后续建模奠定数据基础。(2)针对传统热误差建模方法在多工况下模型泛化性弱的问题,提出基于改进的卷积神经网络热误差模型。为解决卷积神经网络的超参数依耐于经验设计的问题,构建基于互信息的自适应卷积神经网络,分析中间特征层与目标向量间的互信息,甄选互信息大的特征图,以此优化卷积核,确定卷积神经网络的结构。为提高多工况条件下模型的特征选择能力,避免无关冗余特征的影响,对神经网络特征贡献度分析,将传统特征评价方法融入网络的训练过程,提出卷积神经网络特征增强模型。(3)由于卷积神经网络根据完备数据集构造模型后,对到达的新样本无法进行自学习,而需要改变其网络参数重新训练模型,会造成巨大的时间消耗,还会丢失已有知识。针对此问题,提出一种基于增量学习的模型优化算法。该算法可根据新样本调整模型的局部参数,基于增量学习和支路扩展法对卷积神经网络模型进行更新,实现模型的动态调整。