1.一种基于热分析的数控铣镗床加工精度预测方法，其特征在于，所述方法包括如下步骤：

S1、在加工过程中，实时采集用于计算数控铣镗床热特性数值的特征量,得到热特性特征数据集；

S2、根据热特性特征数据集分别计算机床的滚动轴承产热值Q1、滚珠丝杠产热值Q2、电机产热值Φ和静压导轨油膜产热值QN；

其中，滚动轴承产热值采用如下公式计算：Q1＝1.047·M1·n1式中：n1为轴承转速，M1为滚动轴承摩擦力矩；

滚珠丝杠产热值采用如下公式计算：Q2＝1.2π·M2·n2式中：n2为滚珠丝杠转速，M2为丝杠螺母的摩擦力矩；

电机产热值采用如下公式计算：式中：Mm为驱动电机输出力矩，n3为驱动电机转速；

静压导轨油膜产热值的计算公式为：QN＝μAv/h

式中：μ为油液的动力粘度，A为密封带部分的支承面积，μv/h等于密封带部分的剪切应力；

S3、采用快速搜索与寻找密度峰值算法对热源属性数据集进行聚类，根据决策图确定三个聚类中心，将三个类别根据要求分别定义为合格状态(eq)、介稳状态(he)和误差状态(ue)；

S4、采用可拓神经网络算法对聚类后的属性数据集进行训练，直到达到指定的训练错误率，完成训练过程；

S5、继续采集数控铣镗床的热特性特征属性值，并计算得到热源属性数据集；

S6、采用训练完成后的可拓神经网络算法，根据热源数据集中的数据点与类别之间的距离，对实时获取的热源属性数据集进行识别，获取当前状态下数控铣镗床产热对加工精度影响的状态数据；

S7、统计加工过程中状态数据的总和以及各状态数据的和，采用如下的误差累积公式对加工精度进行估计：

式中，N为工件加工过程中采样识别的状态数的总和，Neq是采样和识别过程中状态数据为合格的状态数的总和，Nue是采样和识别过程中状态数据为误差的状态数的总和，k为通过历史数据估算的热变形在该机床镗洗加工过程中对精度的影响系数，根据经验值确定。

2.如权利要求1所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述步骤1中，热特性数值的特征量的包括：轴承转速n1，滚动轴承摩擦力矩M1，滚珠丝杠转速n2，丝杠螺母的摩擦力矩M2；驱动电机输出力矩Mm，驱动电机转速n3、油液的动力粘度μ和密封带部分的支承面积A。

3.如权利要求1所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述步骤S4中，可拓神经网络算法的训练过程如下：定义热源属性数据集为 Nd为总的数据个数，第i个数据点可以写为表示第i个数据点的类别是p，数据点有n个属性，训练阶段的步骤如下：

(1)根据下式确定每个产热对精度影响状态类别的经典域作为初始权值其中，k＝1…Nc，Nc为总的类别个数；

(2)计算每个产热对精度影响状态类别的初始类别中心Zk＝{zk1,zk2,…,zkn}，(3)读取第i个热特性特征数据集中的数据点以及此数据点所属的类别p(4)参照可拓理论中可拓距的计算公式，计算数据点 与第k个类别之间的距离(5)找出数据点 与第k个类别之间的距离最小的类别o，使得下式成立，如果o＝p，运行(7)，否则运行步骤(6)EDio＝min{EDik}；

(6)用下面的公式更新第p个类别中心和第o个类别中心用下面的公式更新第p个类别权值和第o个类别权值其中，η是学习率，取典型值η＝0.001；

(7)重复第3‑6步，当所有的数据都训练完成时，结束一个训练周期，重新输入第一个数据并进行下一周期的训练；

(8)当达到目标错误率时，结束“可拓神经网络”识别算法的训练过程。

4.如权利要求3所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述目标错误率的计算公式为：

其中，E为目标错误率，NM为所有训练周期的错误数据，NP为所有训练周期的所有数据。

5.如权利要求4所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述‑7

目标错误率取值为E≤1x10 。

6.如权利要求1所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述步骤S6中，识别过程包括如下步骤：(1)读取训练阶段的最终权值；

(2)使用公式Zk＝{zk1,zk2,…,zkn}， 计算初始类别中心；

(3)读取实时采集的数据点Xt＝{xt1,xt2,…,xtn}，使用公式

计算采集的数据点与各类别之间的距离；

(4)若满足 则数据点属于第o*类；

(5)依次完成采集的所有数据点的识别，确定当前状态下数控铣镗床产热对加工精度影响的状态数据。

7.如权利要求1所述的基于热分析的数控铣镗床加工精度预测方法，其特征在于：所述步骤S1中实时采集特征量的采样频率为5‑8Hz。