基于注意力机制的时空卷积数控机床热误差模型研究

摘要：

为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism,AM-CNN-LSTM)热误差模型.利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测.采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练.与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09％,模型预测精度在2.4μm以内.

关键词：注意力机制、热误差模型、数控机床、长短时记忆卷积神经网络

所属期刊栏目：52

分类号：TH115

资助基金：国家自然科学基金;重庆市重点产业共性关键技术创新重点研发项目;重庆市重点产业共性关键技术创新重点研发项目;重庆市技术创新与应用示范重点项目;重庆市基础研究与前沿探索项目;研究生科研创新项目

在线出版日期：2021-07-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：404-411