基于序列深度学习的数控机床热误差建模与预测方法

摘要：

为提高数控机床热误差预测的准确性和适应性,提出一种基于序列深度学习网络的数控机床热误差建模和预测方法.提出一种基于LSTM的序列深度学习预测网络,构建包含历史序列数据的动态数据矩阵为模型输入;通过截断式训练方法降低深度预测网络中每项参数更新的复杂度,利用序列深度学习网络自动提取温度时间序列的时空特征,准确表征温度序列信号与热误差之间复杂的映射关系,采用Softmax输出层对热误差进行准确预测.实验结果表明:该方法解决了传统浅层方法因未考虑历史序列数据对当前输出的影响而存在的预测精度不高、 鲁棒性差等问题,将热误差预测的均方根误差降低到2.5μm以内,优于传统的SVM和BP等浅层神经网络预测方法,为数控机床热误差补偿提供了参考.

关键词：数控机床、热误差、预测、序列深度学习、神经网络

所属期刊栏目：48

分类号：TG659;TP391

资助基金：国家自然科学基金面上项目;重庆市重点产业共性关键技术创新重点研发项目;重庆市基础研究;前沿探索项目

在线出版日期：2020-12-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：88-92