열 오차는 직접 구동 이송 축의 운동 정밀도에 영향을 미치는 핵심 요소입니다. 예측 정확도가 낮은 기구 모델링 및 해석의 복잡성 문제와 높은 품질 데이터에 과도하게 의존하고 물리적 설명 가능성이 부족한 경험적 모델 문제를 해결하기 위해 본 논문에서는 게이트 혼합 물리 정보 신경망(GM-PINN)에 기반한 열 오차 모델링 방법을 제안합니다. 먼저, 직접 구동 이송 축 작동 중의 열 거동을 분석하고, 모델에 물리적 제약을 제공하기 위해 온도 제어 편미분 방정식을 도출 및 구축하였습니다. 다음으로, "네트워크 분업-게이트 융합" 전략을 채용한 GM-PINN 모델을 구축하여 데이터 특성에 따라 데이터 항과 물리 항의 융합 방식을 적응적으로 조절하며 두 요소 간의 훈련 경쟁 문제를 효과적으로 완화합니다. 실험 결과, 본 방법은 기구 분석과 데이터 기반 장점의 효과적인 융합을 가능하게 하며, 저속, 중속 및 고속 조건에서 각각 [−0.42, 0.04] μm, [−0.03, 0.74] μm 및 [−0.79, 1.85] μm 범위 내에서 예측 정확도를 유지합니다. 본 방법은 우수한 물리적 설명 가능성을 가지며, 관측 데이터가 제한적이지만 물리 메커니즘이 명확한 열 오차 모델링 문제에 특히 적합합니다.

GM-PINN; 직접 구동 이송 축; 열 오차; 물리적 설명 가능성