1.一种基于深度学习算法的电主轴热误差超前预测方法，其特征在于：所述电主轴热误差超前预测方法包括以下步骤：
S1、在所述电主轴表面设置若干个温度传感器，在所述电主轴的主轴端设置用以检测轴向变形的位移传感器；
S2、启动所述电主轴，采集 至 时刻所述电主轴的温度数据，采集 至 时刻所述电主轴的温度数据以及所述主轴端的轴向位移数据；且所述轴向位移数据采用霍尔特—温斯特季节性指数采集；
S3、重复所述步骤S2若干次，获得相应数据；
S4、使用所述步骤S3获得的相应数据训练热误差超前预测网络；
S5、采集 至 时刻所述电主轴的温度数据，输入至所述热误差超前预测网络，获得至 时刻所述电主轴的预测热误差数据；
S6、通过自适应在线更新模块，将 至 时刻的实际所述主轴端的所述轴向位移数据与 至 时刻所述热误差超前预测网络的预测热误差数据进行对比，计算预测误差；根据所述预测误差利用增量式学习方法对所述热误差超前预测网络的参数在线微调，并通过滑动窗口机制限制数据更新范围；所述温度数据为时间相关的多维数据，数据维度与所述温度传感器数量一致，且一一对应；所述热误差超前预测网络与多路并联神经网络与单个全连接网络串联而成，所述多路并联神经网络中的神经网络数量与所述温度传感器数量相等的；所述多路并联神经网络中，每一路神经网络均接收一个所述温度传感器采集的 至 时刻温度数据，然后将处理结果输入至所述全连接网络，输出 至 时刻所述电主轴的热误差预测值；
所述多路并联神经网络，其中每一路神经网络由一个时域卷积网络、一个全连接网络以及一个门控循环单元网络依次串联而成；
所述时域卷积网络与所述全连接网络组成温度超前预测模块，所述门控循环单元网络与后续连接的所述全连接网络组成热误差预测模块；所述热误差超前预测网络的训练步骤为：S401、定义 至 时刻所述电主轴的温度数据为训练数据，定义 至 时刻所述电主轴的温度数据为标签数据，训练所述温度超前预测模块；S402、定义 至 时刻所述电主轴的温度数据为训练数据，定义 至 时刻所述主轴端的轴向位移数据为标签数据，训练所述热误差预测模块；
关于所述步骤S6中的所述自适应在线更新模块的网络参数微调过程包括以下步骤：
S601、测量 至 时刻所述电主轴的温度数据输入所述热误差超前预测网络，获得 至时刻所述电主轴的预测热误差数据，测量 至 时刻的实际所述主轴端
的轴向位移数据；S602、在 至 时间段内，通过滑动窗口机制选取从 时刻向前追溯最近的 个数据点作为更新依据， ，对窗口内的每个点进计算预测误差 ；
，式中，为第i个样本的模型预测结果，为第i个样本的实际位
移数据，为阈值参数，为 ；S603、利用增量式学习方法更新所述热误差超前预测网络中的参数；S604、每间隔 评估更新后的所述热误差超前预测网络的预测精度，若当前模型参数预测的误差均值大于更新前的误差均值，则回滚到更新前的模型参数。
2.根据权利要求1所述的一种基于深度学习算法的电主轴热误差超前预测方法，其特征在于：所述自适应在线更新模块中的窗口大小 根据运行工况动态调整，调整规则为：
，
，
，
式中， 、 和 分别对应为窗口最大值、最小值和初始窗口大小，、为调节因子，为滑动窗口内数据点的平均损失，为数据点的数目，为滑动窗口内预测误差的标准差。
3.根据权利要求1所述的一种基于深度学习算法的电主轴热误差超前预测方法，其特征在于：关于所述步骤S603的具体内容如下：
使用滑动窗口内每个数据点的预测误差 ，计算模型参数的梯度 并动态更新学习率：
，
式中，表示模型参数，根据梯度 和学习率，对模型参数进行更新，采用梯度更新规则为：
，
通过动态学习率机制调节学习率，具体更新规则为：
，
式中，为初始学习率， 指根据历史数据统计得到的基准误差值，通过以下式子计算：
，
，
式中，为学习率动态调节系数，为初始调整系数。