1.一种基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，包括如下步骤：

A、采集样本数据：在数控机床上选取热源测量点，检测热源测量点的温度值，和对应时间点的主轴热误差值，作为样本数据；

B、建立基于并联深度信念网络的深度学习热误差预测模型；

C、采用步骤A所采集到样本数据训练深度学习热误差预测模型；

D、实时检测数控机床热源测量点的温度值，并输入训练后的深度学习热误差预测模型，实时预测热误差值；

E、将预测的热误差值作为数控机床坐标系原点的补偿平移量，通过坐标系原点偏移实现热误差实时补偿。

2.如权利要求1所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，其特征在于，所述步骤A中，对输入的温度样本数据进行归一化处理到区间[0，

1]，所述步骤C和步骤D中，对输出的热误差值进行去归一化处理。

3.如权利要求1所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，所述深度学习热误差预测模型主要由三个具有相同网络结构的深度信念网络并联而成，分别为用于预测主轴在X轴方向上的热误差值的DBN1、用于预测主轴在Y轴方向上的热误差值的DBN2和用于预测主轴在Z轴方向上的热误差值的DBN3；所述DBN1、DBN2和DBN3均包含1个可视输入层，1个输出层和3个限制玻尔兹曼机RBM隐含层，分别为RBM1、RBM2和RBM3；所述DBN1、DBN2和DBN3分别具有不同的权值参数，并共享一个RBM1层。

4.如权利要求3所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，所述可视输入层的神经元数量与所述步骤A中选取的热源测量点数量一致；所述输出层的神经元数量为1，其输出值为主轴在X轴方向、Y轴方向或Z轴方向上的热误差值。

5.如权利要求4所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，所述限制玻尔兹曼机RBM隐含层的神经元数量采用如下步骤确定：先设定神经元初始数量 式中，r为步骤A中选取的热源测量点数量，然后以步长为s逐步增加，同时以所述深度学习热误差预测模型预测均方根误差，将所述深度学习热误差预测模型预测得到的最小均方根误差所对应的神经元数量确定为该限制玻尔兹曼机RBM隐含层的神经元数量。

6.如权利要求5所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，采用对数散度无监督学习方法，预训练模型中的深度信念网络DBN1，获得DBN1网络初始权值，将训练完成的DBN1参数对应赋值给DBN2、DBN3，实现初始权值共享。

7.如权利要求6所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，每一时刻的温度数据与对应时刻的热误差组成标签样本数据，用标签样本数据、采用BP算法分别微调生成3个深度信念网络的最优权值。

8.如权利要求1所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，所述步骤A中，选取至少15个热源测量点，并采集至少100组温度值和对应的热误差值作为样本数据。

9.如权利要求1所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，所述热源测量点主要分布在数控机床主轴、各进给轴丝杆螺母副、床身、冷却液和工作室处。

10.如权利要求1所述的基于并联深度学习网络的数控机床热误差预测与补偿方法，其特征在于，所述热误差值包括主轴在X轴方向、Y轴方向和Z轴方向上的3个热误差值，分别为ex、ey、ez。