O erro térmico é um fator chave que afeta a precisão do movimento do eixo de alimentação de acionamento direto. Diante da complexidade da modelagem e solução do modelo mecanicista, que resulta em baixa precisão de previsão, bem como da dependência excessiva do modelo empírico em dados de alta qualidade e da falta de interpretabilidade física, este artigo propõe um método de modelagem do erro térmico baseado em rede neural de informação física misturada com controle por portão (GM-PINN). Primeiramente, foi analisado o comportamento térmico durante a operação do eixo de alimentação de acionamento direto, derivando e estabelecendo uma equação diferencial parcial de controle de temperatura para fornecer uma restrição física ao modelo. Em seguida, o modelo GM-PINN foi construído utilizando a estratégia “divisão de rede — fusão controlada”, que ajusta adaptativamente a forma de fusão dos termos de dados e físicos conforme as características dos dados, mitigando eficazmente o problema da competição no treinamento entre eles. Os resultados experimentais mostram que este método pode efetivamente fundir as vantagens da análise mecanicista com a abordagem orientada por dados, mantendo a precisão da previsão nos intervalos [−0,42, 0,04] μm, [−0,03, 0,74] μm e [−0,79, 1,85] μm sob condições de baixa, média e alta velocidade, respectivamente. Este método possui boa interpretabilidade física, sendo especialmente adequado para problemas de modelagem de erro térmico onde os dados de observação são limitados mas o mecanismo físico é claro.

GM-PINN; eixo de alimentação de acionamento direto; erro térmico; interpretabilidade física