行训练。
在神经网络的训练过程中，采用适当的中间层处理单元数是非常重要的，但到现在为止还没有一个令人满意的统一的规则．因而大多只能凭经验和实际训练效果来不断地进行调整。对于各种常用的预报控制算法，不论是时序模型还是其它的多项式模型，当用于复杂加工过程的控制时，都存在着由模型复杂性而导致的控制实时性与预报精度之间的矛盾，而且不可避免地会存在一定的预报误差。利用神经网络，可以找到较好的最低阶次模型而不用考虑模型的具体形式，而且可以得到较高的预报精度。
在训练神经网络前，首先经几何仿真和物理仿真得到了一组工件螺距误差的理论值。若所选模型的阶次为n，则以前n个工件螺距误差的实测值和前n+1个螺距误差的理论值为输入，以第n+1个工件螺距误差实测值为输出，可对神经网络2进行训练，即网络2的输入为2n+1个，输出为1个。网络2的作用便是对工件螺距误差的理论预报值(亦即补偿控制量的大小)进行修正并进行预报控制，其输出可用来在第n+1个采样周期开始时控制补偿机构进行补偿控制。
训练好神经网络后，即可开始磨削过程的控制，开始磨削后，前n个采样点不进行控制，但在第n个采样点，把前n+1个采样点的理论预报值(经仿真得到的)和前n个神经网络1的输出值一起输入神经网络2，即可得到下一采样点的综合补偿控制量(预报值)，所以从第n+1个采样点开始即可进行补偿控制，然后舍弃第1点的信息，由第2～n+1个采样点的信息预报第n+2个采样点的控制量，依此类推，直到磨削过程结束。
参考文献
[1]盛伯浩．数控机床误差的综合动态补偿．世界制造技术与装备市场．1995年11期：55－56
[2]陈卓宁．高精度丝杠磨削误差的微机辅助实时测量与控制的研究．华中工学院博士论文．1989
[3]宾鸿赞．加工过程误差控制策略的不断创新．中国机械工程．2002年第 13卷第4期：341-344
[4]宾鸿赞．计算机辅助实时误差补偿及其应用．世界制造技术与装备市场．1995年11期：54－55
[5]BIN Hongzan，Yamaki K，Devries M F．A Stochastic Approach to the Measurement and Analysis of Leadscrew Drive Kinematic Errors．Journal of Engineering for Industry Transactions of ASME．1984，106(11)：339-344
[6] DING Hong，YANG Shuzi，ZHU Xinbiao．Intelligent Prediction and Control of a Leadscrew Grinding Process Using a Neural Networks．Computers in Industry．1993，23(3)：169-174
[7] Sartori S，ZHANG G X．Geometric Error Measurement and Compensation of Machines．Annals of the CIRP．1995，44(2)：599-609
[8]Zhan-Qiang Liu．Repetitive Measurement and Compensation to Improve Workpiece Machining Accuracy．Computer in industry．1993，23(3)：169-174
[9]岳明君，李春阳．滚珠丝杠精磨误差的实时补偿与控制．中国机械工程．1999年10卷1期：24－25
[10]Westkamper E.Zero-Defect Manufacturing by means of a learning supervision of process chains[J]. Annals of the CIRP 1994,43(1):405-408。
[11]宋朝辉，卢楞．人工神经网络技术在数控加工误差控制中的应用[J]．光学精密工程，1998，6(6)：79-83。
