基于多模态深度学习的数控机床关键部位温度预测方法

本发明公开了一种基于多模态深度学习的数控机床关键部位温度预测方法，通过设计结合时间序列数据、环境参数和加工工艺参数的多模态LSTM深度学习模型，采用LSTM提取时间序列特征，并通过全连接网络分别处理环境和工艺数据，再将多模态特征在融合层中整合，最终生成精准预测结果，用于指导机床温控操作，还能进行SHAP值分析。本发明的方法适用于在非恒温环境下的数控机床中关键部位的温度变化预测，能够提高机床加工精度并实现实时误差补偿，利用多种传感器数据、环境信息和加工工艺参数数据，结合深度学习技术进行建模与预测，在提升预测精度的同时，显著增强模型的透明性和可信度，可广泛适用于工业设备过程控制温度预测调控等领域。