熱誤差は直接駆動送り軸の運動精度に影響を与える重要な要因である。機理モデルのモデリングおよび解法の複雑さにより予測精度が低いこと、経験的モデルが高品質なデータに過度に依存し物理的解釈性に欠ける問題に対して、本稿ではゲーティッド混合物理情報ニューラルネットワーク（GM-PINN）に基づく熱誤差モデリング手法を提案する。まず、直接駆動送り軸の運転過程における熱挙動を解析し、モデルに物理的制約を提供する温度制御偏微分方程式を導出・構築した。次に、「ネットワーク分業－ゲーティッド融合」戦略を採用したGM-PINNモデルを構築し、データ特性に応じてデータ項と物理項の融合方法を適応的に調整し、両者間の訓練競合問題を効果的に緩和した。実験結果は、本手法が機理解析とデータ駆動の利点を効果的に融合でき、低速・中速・高速の各運転条件で予測精度がそれぞれ［−0.42、0.04］μm、［−0.03、0.74］μm及び［−0.79、1.85］μmの範囲に維持されることを示した。本手法は優れた物理的解釈性を有し、観測データが限られているが物理メカニズムが明確な熱誤差モデリング問題に特に適している。

GM-PINN; 直接駆動送り軸; 熱誤差; 物理的解釈性