本发明涉及数控机床领域，尤其涉及机床的运行参数调整方法、运行参数调整装置及存储介质。
背景技术：
1、在对机床进行反向间隙和丝杠螺距补偿时，通常需要进行人工设置和手动调整。然而基于人工调整的方式，受到工作环境、工作人员的工作经验及机床的磨损程度的影响，导致工作人员进行反向间隙和丝杠螺距补偿的定位处理时，不可避免地出现定位误差的情况。由于无法规避定位误差，使得基于补偿参数计算出的机床坐标系运行位置不准确，从而导致机床的加工精度低。
2、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本发明的主要目的在于提供一种机床的运行参数调整方法、运行参数调整装置及存储介质，解决现有技术中机床的加工精度低的问题。
2、为实现上述目的，本发明提供一种机床的运行参数调整方法，所述方法包括以下步骤：
3、检测到机床处于运行状态时，获取所述机床的当前运行数据；
4、将预处理后的所述当前运行数据添加到机器学习模型，得到所述机床的反向间隙补偿距离和/或丝杠螺距补偿距离；
5、在所述反向间隙补偿距离和/或所述丝杠螺距补偿距离超出预设范围时，确定所述反向间隙补偿距离和/或所述丝杠螺距补偿对应的补偿参数，以及所述补偿参数在所述机床中对应的控制装置；
6、基于所述补偿参数对所述控制装置的运行参数进行调整。
7、可选地，所述将预处理后的所述当前运行数据添加到机器学习模型，得到所述机床的反向间隙补偿距离和/或丝杠螺距补偿距离的步骤之前，还包括：
8、将所述当前运行数据进行时间序列分析、负载变化分析及反向间隙和丝杠螺距补偿值的历史数据分析；
9、基于核函数将所述当前运行数据映射到另一维度空间，所述另一维度空间比当前空间维度高；
10、在所述另一维度空间对所述当前运行数据进行主成分分析处理，得到所述当前运行数据对应的非线性特征；
11、将所述非线性特征及分析后的数据，作为预处理后的所述当前运行数据。
12、可选地，所述将预处理后的所述当前运行数据添加到机器学习模型，得到所述机床的反向间隙补偿距离和/或丝杠螺距补偿距离的步骤包括：
13、将预处理后的所述当前运行数据作为所述机器学习模型的输入层的输入参数；
14、基于所述机器学习模型的卷积神经网络层提取所述输入参数的时间序列数据，并根据循环网络层确定所述时间序列数据的数据依赖性；
15、根据所述数据依赖性在输出层中输出所述机床的反向间隙补偿距离和/或所述丝杠螺距补偿距离。
16、可选地，所述基于所述补偿参数对所述控制装置的运行参数进行调整的步骤之后，还包括：
17、在所述机床的运行次数和/或运行时间满足模型优化模块中预存的优化条件时，获取所述机床在预设时段的运行数据；
18、将所述运行数据进行预处理及特征提取，并根据预处理及特征提取后的数据对所述机器学习模型进行重新训练，得到目标机器学习模型；
19、基于所述目标机器学习模型执行所述检测到机床处于运行状态时，获取所述机床的当前运行数据的步骤。
20、可选地，所述检测到机床处于运行状态时，获取所述机床的当前运行数据的步骤之前，还包括：
21、获取所述机床在不同载荷、不同设备磨损程度及不同加工精度下的历史运行数据以及预存的模拟数据，并将所述历史运行数据以及所述模拟数据作为预训练数据；
22、对所述预训练数据进行时间序列分析、负载变化分析及反向间隙和丝杠螺距补偿值的历史数据分析；
23、将所述预训练数据输入到所述机器学习模型中，并根据所述机器学习模型的卷积神经网络层、循环神经网络层对所述预训练数据进行迭代处理，得到收敛结果；
24、根据交叉验证算法对所述收敛结果进行性能校验，得到评估参数，在所述评估参数满足预设评估参数时，将所述机器学习模型应用到机床控制系统。
25、可选地，所述获取所述机床在不同载荷、不同设备磨损程度及不同加工精度下的历史运行数据以及预存的模拟数据，并将所述历史运行数据以及所述模拟数据作为预训练数据的步骤之前，还包括：
26、构建所述机器学习模型的输入层，并确定所述输入层接收的数据类型；
27、构建所述卷积神经网络层以及所述循环神经网络层，其中，所述卷积神经网络层用于处理时间序列数据，所述循环神经网络层用于捕捉所述时间序列数据的时间赖性；
28、根据模型的任务需求类型构建输出层，并在模型编译层中选定目标损失函数、优化器和/或回归算法。
29、可选地，所述对所述预训练数据进行时间序列分析、负载变化分析及反向间隙和丝杠螺距补偿值的历史数据分析的步骤之后，还包括：
30、将所述预训练数据输入到所述机器学习模型中，并根据所述机器学习模型的长短期记忆网络或门控循环单元对所述预训练数据进行迭代处理，得到所述收敛结果；
31、根据交叉验证算法对所述收敛结果进行性能校验，得到评估参数，在所述评估参数满足预设评估参数时，将所述机器学习模型应用到机床控制系统。
32、可选地，所述检测到机床处于运行状态时，获取所述机床的当前运行数据的步骤之后，还包括：
33、确定所述机床对应的辅助软件以及技术文档；
34、将所述技术文档以及所述当前运行数据发送到所述辅助软件当中，并获取所述辅助软件基于所述当前运行数据以及所述技术文档生成的，所述反向间隙补偿距离和/或所述丝杠螺距补偿距离。
35、此外，为实现上述目的，本发明还提供一种机床的运行参数调整装置，所述机床的运行参数调整装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机床的运行参数调整程序，所述机床的运行参数调整程序被所述处理器执行时实现如上所述的机床的运行参数调整方法的步骤。
36、此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有机床的运行参数调整程序，所述机床的运行参数调整程序被处理器执行时实现如上所述的机床的运行参数调整方法的步骤。
37、本发明实施例提供了一种机床的运行调整方法、运行参数调整装置及存储介质，在检测到机床处于运行状态时，获取机床的当前运行数据，并将处理后的当前运行数据添加到机器学习模型中，从而得到机床的反向间隙补偿距离和/或丝杠螺距补偿距离，随后在反向间隙补偿距离和/或丝杠螺距补偿距离超过预设范围时，确定反向间隙补偿距离和/或丝杠螺距补偿距离对应的补偿参数，以及补偿参数在机床中对应的控制装置，最后基于补偿参数对控制装置的运行参数进行调整。可以看出，通过训练好的机器学习模型得出相应的预测结果，并基于预测结果自动调整反向间隙和丝杠螺距补偿，从而提高机床的加工精度。
1.一种机床的运行参数调整方法，其特征在于，所述机床的运行参数调整方法包括：
2.如权利要求1所述的机床的运行参数调整方法，其特征在于，所述将预处理后的所述当前运行数据添加到机器学习模型，得到所述机床的反向间隙补偿距离和/或丝杠螺距补偿距离的步骤之前，还包括：
3.如权利要求1所述的机床的运行参数调整方法，其特征在于，所述将预处理后的所述当前运行数据添加到机器学习模型，得到所述机床的反向间隙补偿距离和/或丝杠螺距补偿距离的步骤包括：
4.如权利要求1所述的机床的运行参数调整方法，其特征在于，所述基于所述补偿参数对所述控制装置的运行参数进行调整的步骤之后，还包括：
5.如权利要求1所述的机床的运行参数调整方法，其特征在于，所述检测到机床处于运行状态时，获取所述机床的当前运行数据的步骤之前，还包括：
6.如权利要求5所述的机床的运行参数调整方法，其特征在于，所述获取所述机床在不同载荷、不同设备磨损程度及不同加工精度下的历史运行数据以及预存的模拟数据，并将所述历史运行数据以及所述模拟数据作为预训练数据的步骤之前，还包括：
7.如权利要求5所述的机床的运行参数调整方法，其特征在于，所述对所述预训练数据进行时间序列分析、负载变化分析及反向间隙和丝杠螺距补偿值的历史数据分析的步骤之后，还包括：
8.如权利要求1所述的机床的运行参数调整方法，其特征在于，所述检测到机床处于运行状态时，获取所述机床的当前运行数据的步骤之后，还包括：
9.一种机床的运行参数调整装置，其特征在于，所述机床的运行参数调整装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机床的运行参数调整程序，所述机床的运行参数调整程序被所述处理器执行时实现如权利要求1至8中任一项所述的机床的运行参数调整方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有机床的运行参数调整程序，所述机床的运行参数调整程序被处理器执行时实现如权利要求1至8中任一项所述的机床的运行参数调整方法的步骤。
