基于迁移学习的异工况下机床热误差建模方法
机床热误差预测模型在不同工况下难以保持高预测精度是导致热误差实际补偿效果差的重要原因,对此本文提出一种基于迁移学习的异工况下机床热误差建模方法.首先利用核均值匹配算法获取不同工况下机床温度数据间的迁移权重,从而提出基于迁移学习的热误差建模方法;对不同工况下热误差数据进行差异显著性检验,并利用本文所提方法建立热误差预测模型,分析建模效果;然后比对分析本文所提建模方法与常用建模方法的实际预测效果,最后进行补偿验证实验以证明本文所提方法的有效性.结果表明,本文所提基于迁移学习的建模方法能够有效提升建模效果,其中迁移学习结合LASSO算法针对不同工况下热误差数据的预测精度和稳健性分别达到 3.73 和 1.14 μm,补偿后机床X/Y/Z 3 个方向热误差分别保持在-2.3~3.1 μm、-3.4~3.9 μm和-3.3~4.6 μm范围内.
机床热误差、迁移学习、建模与补偿、异工况、预测效果
44
TH161;TG659
安徽省重点研究与开发计划项目;安徽省高等学校科研研究重点项目
2023-10-20(万方平台首次上网日期,不代表论文的发表时间)
共9页
44-52