1.一种基于MSSSA‑LSTM的数控机床主轴热误差建模方法，其特征在于包括以下步骤：步骤一：搭建数控机床的主轴系统运行的实验平台，在机床主轴系统的位置布置多个温度传感器，同时采用位移传感器监测机床主轴的z向热变形值数据；

步骤二：进行数控机床的主轴系统在空转下的实验，通过温度传感器测量机床不同温度测点的温度和加工环境的温度数据，采用位移传感器获得机床主轴的z向热变形值数据，利用模糊c均值聚类和灰色关联度分析，筛选出关键测温点，测试主轴在不同转速下的关键测温点的温度值和z向热变形值数据，获得数据集，并划分训练集和测试集；

步骤三：构建LSTM热误差预测模型；

步骤四：利用多策略融合的麻雀搜索算法对LSTM的包含隐藏层节点数、学习率、训练次数的一系列超参数进行优化，每一个麻雀代表一组长短期记忆神经网络的参数组合，进一步构建MSSSA‑LSTM的主轴热误差预测模型；

所述MSSSA‑LSTM的主轴热误差预测模型采用自适应t分布变异策略，其过程是通过引入t分布的灵活性和自适应调节机制，使算法不同阶段生成的解既能精细局部搜索，又能探索全局范围，有效权衡局部搜索和局部开发；在迭代过程中，通过自由度参数m动态调整t分布的形态，从而改变麻雀个体的变异方式：式中， 为变异后的麻雀位置，Xi为第i个麻雀的位置，t(M)是以迭代次数为自由度的t分布，M是迭代次数；这种变异方式在初期时类似柯西分布变异，允许个体有更大的搜素范围；在后期时，随着迭代次数变大，t分布类似于高斯分布变异，更倾向于局部搜索；

步骤五：利用步骤二的训练集对步骤四所述模型进行训练，并利用测试集进行验证，将训练得到的模型用于预测机床主轴的z向热变形值。

2.如权利要求1所述的一种基于MSSSA‑LSTM的数控机床主轴热误差建模方法，其特征在于步骤二的具体过程包括以下步骤：

1)将实验获取的测温点的温度和z向热变形值两组不同数据进行时间轴同步，按照均匀时间间隔将机床状态平均分段，每一段状态下的温度信息和z向热变形值信息即为模型的初始样本数据；

2)对每个样本数据中的温度与z向热变形值使用平均值滤波算法进行数据清洗；

3)利用模糊c均值聚类算法对各测温点进行聚类分析，获得不同类别测温点的分类结果，同一类测温点放入一个温度数据群；然后通过灰色关联度分析计算各测温点的温度序列和z向热变形序列之间的关联度，获得各温度测点关联度结果数据，从每一个温度数据群中选取关联度最大的测温点作为关键测温点；

4)将主轴在不同转速下的关键测温点的温度值和z向热变形值数据，使用平均值滤波算法进行数据清洗的数据预处理之后，将数据预处理后的z向热变形值特征矩阵向量作为标签，与温度特征矩阵向量对应形成数据集，将数据划分为训练集和测试集。

3.如权利要求1所述的一种基于MSSSA‑LSTM的数控机床主轴热误差建模方法，其特征在于步骤三所述LSTM热误差预测模型的构建过程如下：(1)设置参数定义：LSTM算法包括遗忘门、输入门和输出门，Xt为当前时刻输入的数据集合，Xt为所有xt的集合，Ct‑1表示上一时刻的细胞状态，Ct表示当前时刻的细胞状态，ht‑1表示上一时刻的细胞输出，ht表示当前时刻的细胞输出，σ表示sigmoid激活函数，tanh表示双曲正切函数；

(2)LSTM算法的具体过程如下：

由遗忘门决定当前时间步哪些数据该保留，哪一些数据该丢弃；通过sigmoid函数，输出一个在0到1之间的值，输出值为1表示完全保留信息，输出值为0表示完全丢弃信息，计算公式如下：ft＝σ(Wf·[ht‑1,xt]+bf)    (1)

式中，ft是遗忘门的控制信号，即每个元素的保留概率；σ是sigmoid激活函数，Wf是遗忘门的权重矩阵，xt是当前时刻的输入，bf是遗忘门的偏置；

输入门控制新的信息如何加入到记忆单元状态，它决定了当前时间步哪些信息需要被添加到记忆单元中，计算公式如下：it＝σ(Wi·[ht‑1,xt]+bi)    (2)

式中，Wi，WC分别是筛选函数和输入门的权重矩阵，bi是筛选函数的偏置，bC是输入门的偏置，Ct是输入门的控制信号，Ct‑1是上一时刻输入门的控制信号，ft是遗忘门的控制信号，it表示筛选后的信号， 表示输入门的偏置；

输出门决定LSTM单元的输出信息，计算公式如下：

ot＝σ(Wo·[ht‑1,xt]+bo)    (5)

ht＝ot·tanh(Ct)    (6)

式中，Wo是输出门的权重矩阵，bo是输出门的偏置，ht‑1表示上一时刻的细胞输出，ht是当前时刻的细胞输出，ot为输出门的偏置系数；

将关键测温点数据作为输入的样本集，将z向热变形值特征矩阵Z作为输出的样本集，因此设置LSTM输入层节点数与关键测温点的数量相同，输出层节点数为1个。

4.如权利要求1所述的一种基于MSSSA‑LSTM的数控机床主轴热误差建模方法，其特征在于步骤四MSSSA‑LSTM的主轴热误差预测模型的构建过程，具体包括以下步骤：(1)利用立方体混沌映射对种群进行初始化，确定麻雀种群数量N，隐藏层神经元个数h的上下界、学习率η的上下界、训练次数epochs的上下界，确定搜索空间的维度数d以及最大迭代次数M，将立方体混沌算子用于种群初始化，立方体映射公式如下：3

y(n+1)＝4y(n) ‑3y(n)    (7)

式中，n表示迭代次数，y(n)是第n次迭代后的个体值；

首先随机生成一个d维向量y1，其每个维度的取值范围均为‑1到1，随后用立方体映射公式对初始化的个体的各维度进行迭代运算，以生成其余个体，最后通过以下公式将立方体映射产生的变量映射到麻雀个体上：Xi＝Xlb+(Xlb‑Xub)×(yi+1)×0.5    (8)

式中，Xlb，Xub分别表示每个个体在各个维度上的上边界和下边界；Xi为实际值的个体变量值，i代表麻雀个体的个数，对应于上述立方体映射公式中的迭代次数，麻雀个体的个数与迭代次数相同，yi是在麻雀个体i的情况下，按照上述立方体映射公式生成的个体值；

(2)计算麻雀个体的适应度函数并进行排序，以LSTM热误差模型的实测值和预测值之间的均方误差作为优化算法的适应度函数，根据所述均方误差计算每个麻雀个体的适应度值并进行排序，按照均方误差从小到大排序，即误差越小的个体适应度越高，排序越靠前；

(3)更新发现者位置，发现者在种群中负责探索和寻找食物，带领整个种群进行全局搜索，若无捕食者威胁，则扩大搜索范围；若有威胁，则迁移到更安全区域；发现者的位置更新计算公式如下：式中，t和itermax分别表示当前迭代次数和最大迭代次数，Xi,j表示第i个麻雀在第j维中的位置信息， 和 分别表示当前迭代次数和下一迭代次数下第i个麻雀在第j维中的位置信息，所有维度j的总数即为维度数d，Q为常数，L为元素全为1的1×d的矩阵；α∈(0,1]是一个随机数；是R2表示预警值，ST表示安全值；

(4)更新追随者位置：追随者倾向于靠近发现者或在其附近寻找食物，同时部分个体通过观察和竞争提高觅食成功率，将Levy飞行策略融入到追随者的位置更新计算公式如下：式中， 表示在步骤(3)更新发现者位置之后的目前发现者所占据的最优位置，表示当前全局最差位置；当i>n/2时，这表明适应度值较低的第i个追随者没有获取到食物，处于十分饥饿的状态，此时需要飞往其他地方觅食，以获取更多能量； 表示哈达玛积符号；

其中Levy飞行策略公式为：

式中，r1，r2是两个服从[0,1]范围内均匀分布的随机数，用于引入随机性，σ为尺度参数，β'是Levy分布中的指数参数；

(5)避开捕食者时的位置调整：当10％‑20％的麻雀感知到危险时，边缘个体迅速向安全区域移动，而内部个体则随机调整位置靠近群体；其位置更新方式计算公式如下：式中， 表示当前全局最优位置，β为步长控制参数，服从均值为0、方差为1的正态分布；K∈[‑1,1]是一个随机数，控制位置更新的方向和幅度，fi代表当前麻雀个体的适应度值；fg和fw分别是当前全局最佳和最差的适应度值；ε是很小的常数，用于防止分母为零的情况发生；

(6)采用所述自适应t分布变异策略的步骤，以自适应改变麻雀个体的位置；

(7)重复步骤(2‑6)，直到达到最大迭代次数，终止循环，输出最佳参数组合；

(8)最佳参数组合输入LSTM神经网络进行训练。