1.一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：

第一步：采用红外热像仪采集数控机床主轴升温图片，采用位移传感器采集主轴轴向误差，径向误差以及倾角误差，对图片进行预处理，将处理好的图像集分为训练集和测试集两部分；

第二步：设定卷积神经网络模型，在允许范围内设定网络模型中的权重参数以及偏置项参数，将处理后的能被计算机识别的图像训练集作为输入量，将主轴轴向误差、两个主轴径向误差和两个主轴倾角误差作为输出量，开始进行训练调参；

第三步：输入测试集，检验模型的预测精度，若模型出现过拟合或欠拟合情况，则返回第二步，调整训练集，重新进行训练，直到输入测试集后的精度达到一定偏差范围内；

第四步：进行有限元分析验证；利用ANSYS软件进行仿真分析，将仿真得到的主轴温度场图片作为深度学习模型输入得到主轴热变形的预测值，并与仿真得到的热变形场数据进行比较，若两者的偏差在所述一定偏差范围内，即验证模型精度满足要求，否则，返回第二步，进行再次的训练调参以及测试验证。

2.根据权利要求1所述一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：第二步的卷积神经网络模型分为计算和调参两部分；

一个卷积神经网络由若干卷积层、池化层、全连接层组成；

首先对图像的每个像素进行编号，xd,i,j表示图像的第d层第i行第j列像素；ωd,m,n表示滤波器的第d层第m行第n列权重，用ωb表示滤波器的偏置项；对特征图的每个元素进行编号，用ai,j表示特征图的第i行第j列元素；D是深度；F是滤波器的大小；用f表示激活函数，W2是卷积后特征图的宽度；W1是卷积前图像的宽度；P是零填充的数量；S是步幅；H2是卷积后特征图的高度；H1是卷积前图像的宽度，使用下列公式计算卷积层的温度特征图：W2＝(W1-F+2P)/S+1

H2＝(H1-F+2P)/S+1

采用池化层去掉温度特征图中不重要的样本，图像训练集经过多次卷积、池化，将重要的温度特征提取出来，最终得到一列单位像素大小的图像，经光栅化提取数值，得到一列数组，作为全连接层的输入，经过全连接层的计算，得到5个输出量，分别为主轴轴向误差、两个主轴径向误差和两个主轴倾角误差，计算完毕后，开始对模型进行训练调参。

3.根据权利要求1或2所述一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：第二步中的允许范围内权重参数预设为0-1，偏值项参数预设0.5-1。

4.根据权利要求3所述一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：卷积神经网络模型训练调参中全连接层利用梯度下降方法，通过反向传播算法得到最佳权重参数以及偏置项参数。

5.根据权利要求4所述一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：卷积神经网络模型训练调参中卷积层利用链式求导计算损失函数对每个权重的偏导数，然后根据梯度下降方法更新权重，通过反向传播算法得到最佳权重参数以及偏置项参数，调整好权重参数以及偏置项参数后，使卷积神经网络模型精度达到预期精度。

6.根据权利要求1、2、4或5所述一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：第二步的卷积神经网络模型训练的池化方法是采取最大池，在n×n的样本中取最大值，作为采样后的样本值。

7.根据权利要求6所述一种基于深度学习的数控机床主轴热误差建模方法，其特征在于：步骤四可由如下方式替代：实际试验验证；主轴在不同于第一步中测试集数据采集的工况下转动一定时间，利用红外热像仪采集主轴温度场图片，采用位移传感器采集主轴轴向误差，主轴径向误差以及主轴倾角误差；将温度场图片代入第二、第三步得到的深度学习模型，预测得到当前工况下的主轴热变形，并与位移传感器测得的实际数据进行比较，若两者之偏差在5微米内，即验证热误差建模可行，否则，返回第二步，进行再次训练调参以及测试验证。