CN114442558A - 一种基于自注意力机制的机床温度敏感点组合选取方法 - Google Patents
一种基于自注意力机制的机床温度敏感点组合选取方法 Download PDFInfo
- Publication number
- CN114442558A CN114442558A CN202210097795.7A CN202210097795A CN114442558A CN 114442558 A CN114442558 A CN 114442558A CN 202210097795 A CN202210097795 A CN 202210097795A CN 114442558 A CN114442558 A CN 114442558A
- Authority
- CN
- China
- Prior art keywords
- axis direction
- temperature sensitive
- combination
- sensitive point
- machine tool
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37211—Measure temperature, compensate cmm program for temperature
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于自注意力机制的机床温度敏感点组合选取方法,包括以下步骤:S1、采集数控机床运行过程中的温度数据和主轴热变形量;S2、将温度数据输入基于自注意力机制的多层感知神经网络,得到初级温度敏感点组合;S3、根据初级温度敏感点组合和主轴热变形量,得到次级温度敏感点组合;S4、根据次级温度敏感点组合和主轴热变形量,通过自注意力机制的多层感知神经网络处理,得到机床温度敏感点组合。本发明相比与目前市场中的机床温度敏感点选取方法具有简单便捷、快速和精简的优势,本发明能够快速确定与热误差相关的最佳机床温度敏感点组合。
Description
技术领域
本发明属于数控机床温度敏感点领域,具体涉及一种基于自注意力机制的机床温度敏感点组合选取方法。
背景技术
热误差补偿是提升加工精度经济有效的手段,其核心在于建立具有强鲁棒性和高预测性能的热误差模型对热误差进行预测和补偿。热误差模型以温度敏感点为输入,以热变形量为输出。其中温度敏感点组合的选取直接影响着模型的训练精度和预测效果。温度变量过多会加大实验成本与计算量,同时温度变量间的耦合现象会影响建模精度;温度变量过少,则会由于缺乏引起热误差的关键信息而削弱模型的鲁棒性,降低模型的预测性能。因此,在热误差建模之前进行温度敏感点的选择是至关重要的一步。
现有方法在温度敏感点数目自动确定方面有待进一步提高。实际中大多采用粗糙集理论、灰色理论、聚类模糊、粒子群算法等方法直接选取温度敏感点组合,这些方法普遍将温度变量优化至10个以内,有效地精简了温度敏感点数量,提高了建模效率以预测精度。但其中温度敏感点数量皆凭借研究者的工程经验直接指定,温度敏感点的数目难以自动确定。因此开展机床温度敏感点组合选取方法的研究能够加快热误差建模和补偿的研究步伐。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于自注意力机制的机床温度敏感点组合选取方法解决了选择机床温度敏感点组合难以自动确定的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于自注意力机制的机床温度敏感点组合选取方法,包括以下步骤:
S1、采集数控机床运行过程中的温度数据和主轴热变形量;
S2、将温度数据输入基于自注意力机制的多层感知神经网络,得到初级温度敏感点组合;
S3、根据初级温度敏感点组合和主轴热变形量,得到次级温度敏感点组合;
S4、根据次级温度敏感点组合和主轴热变形量,通过自注意力机制的多层感知神经网络处理,得到机床温度敏感点组合。
进一步地:所述步骤S1中,所述主轴热变形量包括数控机床X轴方向热漂移、Y轴方向热漂移和Z轴方向热伸长;
所述步骤S1具体为:
设置n个温度测点在数控机床的主轴周围、工作台、床身、和电机位置,通过温度传感器采集n个温度测点的温度数据;
设置3个电涡流位移传感器在数控机床的X轴、Y轴和Z轴方向上,通过电涡流位移传感器测量得到数控机床X轴方向热漂移、Y轴方向热漂移和Z轴方向热伸长。
进一步地:所述步骤S2包括以下分步骤:
S21、将温度数据输入基于自注意力机制的多层感知神经网络,得到各个温度测点之间的注意力得分;
S22、设置注意力得分阈值A;
S23、判断各个温度测点之间的注意力得分是否大于注意力得分阈值A;
若是,则删去注意力得分大于注意力得分阈值A对应的两个温度测点其中的一个温度测点,返回步骤S23;
若否,则执行步骤S24;
S24、将所有温度测点作为初级温度敏感点组合。
上述进一步方案的有益效果为:设置基于自注意力机制的多层感知神经网络计算各温度测点之间的注意力得分,可以消除各温度测点之间共线性的影响。
进一步地:所述步骤S3中,次级温度敏感点组合包括X轴方向的次级温度敏感点组合、Y轴方向的次级温度敏感点组合和Z轴方向的次级温度敏感点组合;
所述步骤S3包括以下分步骤:
S31、将初级温度敏感点组合和主轴热变形量组合,得到嵌入向量;
S32、计算每个嵌入向量的键、查询和值;
S33、将每个嵌入向量的查询、键和其它嵌入向量的键输入至基于自注意力机制的多层感知神经网络,得到每个嵌入向量的注意力得分;
S34、将每个嵌入向量的注意力得分进行solfmax归一化处理,得到每个嵌入向量的权值;
S35、将每个嵌入向量的值与其的权值进行加权求和,得到每个嵌入向量的注意力值;
S36、设置注意力判断阈值B,筛选大于注意力判断阈值B的注意力值对应嵌入向量,将通过筛选的所有嵌入向量对应的初级温度敏感点作为次级温度敏感点组合。
进一步地:所述步骤S31中,嵌入向量包括X轴方向的嵌入向量、Y轴方向的嵌入向量和Z轴方向的嵌入向量;
所述步骤S31具体为:
将初级温度敏感点组合分别和X轴方向热漂移组合,得到X轴方向的嵌入向量;
将初级温度敏感点组合分别和Y轴方向热漂移组合,得到Y轴方向的嵌入向量;
将初级温度敏感点组合分别和Z轴方向热伸长组合,得到Z轴方向的嵌入向量。
进一步地:所述步骤S32具体为:通过下式计算每个嵌入向量的键k、查询q和值v;
q=Mi×Wq
k=Mi×Wk
v=Mi×Wv
式中,Mi为第i个嵌入向量,且i=1,…,n,n为嵌入向量的总数;Wq为第一参数,Wk为第二参数,Wv为第三参数;
所述步骤S34中,得到嵌入向量的权值αi表达式具体为:
式中,ri为第i个嵌入向量的注意力得分。
进一步地:所述步骤S36中,次级温度敏感点组合包括X轴方向的次级温度敏感点组合、Y轴方向的次级温度敏感点组合和Z轴方向的次级温度敏感点组合。
进一步地:所述步骤S4包括以下步骤:
S41、将X轴方向的次级温度敏感点组合、Y轴方向的次级温度敏感点组合和Z轴方向的次级温度敏感点组合求并集,得到整机次级温度敏感点组合;
S42、设置敏感点数阈值k,判断整机次级温度敏感点组合中的敏感点数是否小于敏感点数阈值k;
若是,则将整机次级温度敏感点组合,作为机床温度敏感点组合;
若否,则进入步骤S43;
S43、将整机次级温度敏感点组合和主轴热变形量输入基于自注意力机制的多层感知神经网络,得到各个整机次级温度敏感点与三个方向的注意力值;
S44、将所述注意力值从大到小排序,选择前k个注意力值所对应的整机次级温度敏感点组合,作为机床温度敏感点组合。
本发明的有益效果为:本发明相比与目前市场中的机床温度敏感点选取方法具有简单便捷、快速和精简的优势,本发明能够快速确定与热误差相关的最佳机床温度敏感点组合。
附图说明
图1为本发明的流程图。
图2为本发明基于自注意力机制的多层感知神经网络结构图。
图3为本发明X轴方向、Y轴方向和Z轴方向的注意力值结果图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1:
如图1所示,在本发明的一个实施例中,一种基于自注意力机制的机床温度敏感点组合选取方法,包括以下步骤:
S1、采集数控机床运行过程中的温度数据和主轴热变形量;
S2、将温度数据输入基于自注意力机制的多层感知神经网络,得到初级温度敏感点组合;
S3、根据初级温度敏感点组合和主轴热变形量,得到次级温度敏感点组合;
S4、根据次级温度敏感点组合和主轴热变形量,通过自注意力机制的多层感知神经网络处理,得到机床温度敏感点组合。
在本实施例中,基于自注意力机制的多层感知神经网络结构如图2所示。
所述步骤S1中,所述主轴热变形量包括数控机床X轴方向热漂移、Y轴方向热漂移和Z轴方向热伸长;
设置n个温度测点在数控机床的主轴周围、工作台、床身、和电机位置,通过温度传感器采集n个温度测点的温度数据;
在本实施例中,采用PT100温度传感器采集n个温度测点温度。
设置3个电涡流位移传感器在数控机床的X轴、Y轴和Z轴方向上,通过电涡流位移传感器测量得到数控机床X轴方向热漂移、Y轴方向热漂移和Z轴方向热伸长。
所述步骤S2包括以下分步骤:
S21、将温度数据输入基于自注意力机制的多层感知神经网络,得到各个温度测点之间的注意力得分;
S22、设置注意力得分阈值A;
S23、判断各个温度测点之间的注意力得分是否大于注意力得分阈值A;
若是,则删去注意力得分大于注意力得分阈值A对应的两个温度测点其中的一个温度测点,返回步骤S23;
若否,则执行步骤S24;
S24、将所有温度测点作为初级温度敏感点组合。
所述步骤S3中,次级温度敏感点组合包括X轴方向的次级温度敏感点组合、Y轴方向的次级温度敏感点组合和Z轴方向的次级温度敏感点组合;
所述步骤S3包括以下分步骤:
S31、将初级温度敏感点组合和主轴热变形量组合,得到嵌入向量;
S32、计算每个嵌入向量的键、查询和值;
S33、将每个嵌入向量的查询、键和其它嵌入向量的键输入至基于自注意力机制的多层感知神经网络,得到每个嵌入向量的注意力得分;
S34、将每个嵌入向量的注意力得分进行solfmax归一化处理,得到每个嵌入向量的权值;
S35、将每个嵌入向量的值与其的权值进行加权求和,得到每个嵌入向量的注意力值;
S36、设置注意力判断阈值B,筛选大于注意力判断阈值B的注意力值对应嵌入向量,将通过筛选的所有嵌入向量对应的初级温度敏感点作为次级温度敏感点组合。
所述步骤S31中,嵌入向量包括X轴方向的嵌入向量、Y轴方向的嵌入向量和Z轴方向的嵌入向量;
所述步骤S31具体为:
将初级温度敏感点组合分别和X轴方向热漂移组合,得到X轴方向的嵌入向量;
将初级温度敏感点组合分别和Y轴方向热漂移组合,得到Y轴方向的嵌入向量;
将初级温度敏感点组合分别和Z轴方向热伸长组合,得到Z轴方向的嵌入向量。
所述步骤S32具体为:通过下式计算每个嵌入向量的键k、查询q和值v;
q=Mi×Wq
k=Mi×Wk
v=Mi×Wv
式中,Mi为第i个嵌入向量,且i=1,…,n,n为嵌入向量的总数;Wq为第一参数,Wk为第二参数,Wv为第三参数;
所述步骤S34中,得到嵌入向量的权值αi表达式具体为:
式中,ri为第i个嵌入向量的注意力得分。
所述步骤S36中,次级温度敏感点组合包括X轴方向的次级温度敏感点组合、Y轴方向的次级温度敏感点组合和Z轴方向的次级温度敏感点组合。
所述步骤S4包括以下步骤:
S41、将X轴方向的次级温度敏感点组合、Y轴方向的次级温度敏感点组合和Z轴方向的次级温度敏感点组合求并集,得到整机次级温度敏感点组合;
S42、设置敏感点数阈值k,判断整机次级温度敏感点组合中的敏感点数是否小于敏感点数阈值k;
若是,则将整机次级温度敏感点组合,作为机床温度敏感点组合;
若否,则进入步骤S43;
S43、将整机次级温度敏感点组合和主轴热变形量输入基于自注意力机制的多层感知神经网络,得到各个整机次级温度敏感点与三个方向的注意力值;
在本实施例中,得到的三个方向的注意力值包括X方向的注意力值、Y方向的注意力值和Z方向的注意力值,如图3所示。
S44、将所述注意力值从大到小排序,选择前k个注意力值所对应的整机次级温度敏感点组合,作为机床温度敏感点组合。
本发明的有益效果为:本发明相比与目前市场中的机床温度敏感点选取方法具有简单便捷、快速和精简的优势,本发明能够快速确定与热误差相关的最佳机床温度敏感点组合。
在本发明的描述中,需要理解的是,术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此,限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
Claims (8)
1.一种基于自注意力机制的机床温度敏感点组合选取方法,其特征在于,包括以下步骤:
S1、采集数控机床运行过程中的温度数据和主轴热变形量;
S2、将温度数据输入基于自注意力机制的多层感知神经网络,得到初级温度敏感点组合;
S3、根据初级温度敏感点组合和主轴热变形量,得到次级温度敏感点组合;
S4、根据次级温度敏感点组合和主轴热变形量,通过自注意力机制的多层感知神经网络处理,得到机床温度敏感点组合。
2.根据权利要求1所述的基于自注意力机制的机床温度敏感点组合选取方法,其特征在于,所述步骤S1中,所述主轴热变形量包括数控机床X轴方向热漂移、Y轴方向热漂移和Z轴方向热伸长;
所述步骤S1具体为:
设置n个温度测点在数控机床的主轴周围、工作台、床身、和电机位置,通过温度传感器采集n个温度测点的温度数据;
设置3个电涡流位移传感器在数控机床的X轴、Y轴和Z轴方向上,通过电涡流位移传感器测量得到数控机床X轴方向热漂移、Y轴方向热漂移和Z轴方向热伸长。
3.根据权利要求2所述的基于自注意力机制的机床温度敏感点组合选取方法,其特征在于,所述步骤S2包括以下分步骤:
S21、将温度数据输入基于自注意力机制的多层感知神经网络,得到各个温度测点之间的注意力得分;
S22、设置注意力得分阈值A;
S23、判断各个温度测点之间的注意力得分是否大于注意力得分阈值A;
若是,则删去注意力得分大于注意力得分阈值A对应的两个温度测点其中的一个温度测点,返回步骤S23;
若否,则执行步骤S24;
S24、将所有温度测点作为初级温度敏感点组合。
4.根据权利要求2所述的基于自注意力机制的机床温度敏感点组合选取方法,其特征在于,所述步骤S3中,次级温度敏感点组合包括X轴方向的次级温度敏感点组合、Y轴方向的次级温度敏感点组合和Z轴方向的次级温度敏感点组合;
所述步骤S3包括以下分步骤:
S31、将初级温度敏感点组合和主轴热变形量组合,得到嵌入向量;
S32、计算每个嵌入向量的键、查询和值;
S33、将每个嵌入向量的查询、键和其它嵌入向量的键输入至基于自注意力机制的多层感知神经网络,得到每个嵌入向量的注意力得分;
S34、将每个嵌入向量的注意力得分进行solfmax归一化处理,得到每个嵌入向量的权值;
S35、将每个嵌入向量的值与其的权值进行加权求和,得到每个嵌入向量的注意力值;
S36、设置注意力判断阈值B,筛选大于注意力判断阈值B的注意力值对应嵌入向量,将通过筛选的所有嵌入向量对应的初级温度敏感点作为次级温度敏感点组合。
5.根据权利要求4所述的基于自注意力机制的机床温度敏感点组合选取方法,其特征在于,所述步骤S31中,嵌入向量包括X轴方向的嵌入向量、Y轴方向的嵌入向量和Z轴方向的嵌入向量;
所述步骤S31具体为:
将初级温度敏感点组合分别和X轴方向热漂移组合,得到X轴方向的嵌入向量;
将初级温度敏感点组合分别和Y轴方向热漂移组合,得到Y轴方向的嵌入向量;
将初级温度敏感点组合分别和Z轴方向热伸长组合,得到Z轴方向的嵌入向量。
7.根据权利要求5所述的基于自注意力机制的机床温度敏感点组合选取方法,其特征在于,所述步骤S36中,次级温度敏感点组合包括X轴方向的次级温度敏感点组合、Y轴方向的次级温度敏感点组合和Z轴方向的次级温度敏感点组合。
8.根据权利要求7所述的基于自注意力机制的机床温度敏感点组合选取方法,其特征在于,所述步骤S4包括以下步骤:
S41、将X轴方向的次级温度敏感点组合、Y轴方向的次级温度敏感点组合和Z轴方向的次级温度敏感点组合求并集,得到整机次级温度敏感点组合;
S42、设置敏感点数阈值k,判断整机次级温度敏感点组合中的敏感点数是否小于敏感点数阈值k;
若是,则将整机次级温度敏感点组合,作为机床温度敏感点组合;
若否,则进入步骤S43;
S43、将整机次级温度敏感点组合和主轴热变形量输入基于自注意力机制的多层感知神经网络,得到各个整机次级温度敏感点与三个方向的注意力值;
S44、将所述注意力值从大到小排序,选择前k个注意力值所对应的整机次级温度敏感点组合,作为机床温度敏感点组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210097795.7A CN114442558B (zh) | 2022-01-27 | 2022-01-27 | 一种基于自注意力机制的机床温度敏感点组合选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210097795.7A CN114442558B (zh) | 2022-01-27 | 2022-01-27 | 一种基于自注意力机制的机床温度敏感点组合选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114442558A true CN114442558A (zh) | 2022-05-06 |
CN114442558B CN114442558B (zh) | 2023-06-16 |
Family
ID=81369689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210097795.7A Active CN114442558B (zh) | 2022-01-27 | 2022-01-27 | 一种基于自注意力机制的机床温度敏感点组合选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114442558B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765846A (zh) * | 2019-03-11 | 2019-05-17 | 哈尔滨理工大学 | 双转台五轴数控机床热误差建模温度敏感点的选择方法 |
CN111414977A (zh) * | 2020-03-09 | 2020-07-14 | 西南交通大学 | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 |
CN111459094A (zh) * | 2020-03-09 | 2020-07-28 | 西南交通大学 | 机床主轴热误差建模中温度敏感点组合的分区域选取方法 |
CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 |
CN112653142A (zh) * | 2020-12-18 | 2021-04-13 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
KR102309077B1 (ko) * | 2021-05-27 | 2021-10-06 | 주식회사 부력에너지 | 센서 기반 안전 진단 기술을 적용한 태양광 발전 시스템 및 방법 |
CN113591240A (zh) * | 2021-07-27 | 2021-11-02 | 重庆大学 | 基于双向lstm网络的磨齿机热误差模型建模方法 |
US20220012433A1 (en) * | 2020-07-07 | 2022-01-13 | Dell Products L.P. | Auto transformation of network data models using neural machine translation |
-
2022
- 2022-01-27 CN CN202210097795.7A patent/CN114442558B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765846A (zh) * | 2019-03-11 | 2019-05-17 | 哈尔滨理工大学 | 双转台五轴数控机床热误差建模温度敏感点的选择方法 |
CN111414977A (zh) * | 2020-03-09 | 2020-07-14 | 西南交通大学 | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 |
CN111459094A (zh) * | 2020-03-09 | 2020-07-28 | 西南交通大学 | 机床主轴热误差建模中温度敏感点组合的分区域选取方法 |
US20220012433A1 (en) * | 2020-07-07 | 2022-01-13 | Dell Products L.P. | Auto transformation of network data models using neural machine translation |
CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 |
CN112653142A (zh) * | 2020-12-18 | 2021-04-13 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
KR102309077B1 (ko) * | 2021-05-27 | 2021-10-06 | 주식회사 부력에너지 | 센서 기반 안전 진단 기술을 적용한 태양광 발전 시스템 및 방법 |
CN113591240A (zh) * | 2021-07-27 | 2021-11-02 | 重庆大学 | 基于双向lstm网络的磨齿机热误差模型建模方法 |
Non-Patent Citations (1)
Title |
---|
杜柳青 等: "基于注意力机制的数控机床热误差深度学习预测方法", 工程科学与技术, vol. 53, no. 6, pages 194 - 203 * |
Also Published As
Publication number | Publication date |
---|---|
CN114442558B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803486A (zh) | 基于并联深度学习网络的数控机床热误差预测与补偿方法 | |
CN110561191B (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
CN111459094B (zh) | 机床主轴热误差建模中温度敏感点组合的分区域选取方法 | |
CN104216334A (zh) | 一种关于数控机床热效应下定位误差温度测点组合的选择优化方法 | |
CN110058569A (zh) | 一种基于优化模糊神经网络的数控机床热误差建模方法 | |
CN114789364B (zh) | 多指标钻孔质量控制方法及其装置、设备 | |
CN110231801B (zh) | 一种数控机床热致定位误差关键温度测点选择方法 | |
Ouafi et al. | Accuracy enhancement of multi-axis CNC machines through on-line neurocompensation | |
Hu et al. | Health monitoring of automotive suspensions: a lstm network approach | |
Wang et al. | An intelligent process parameters determination method based on multi-algorithm fusion: A case study in five-axis milling | |
CN114442558B (zh) | 一种基于自注意力机制的机床温度敏感点组合选取方法 | |
CN110490496A (zh) | 一种基于分步约简筛选复杂工业过程中影响产品质量的敏感变量的方法 | |
CN112819354A (zh) | 海外矿业项目竞争力评价的方法及装置 | |
CN113570147B (zh) | 一种薄壁件多工况加工误差快速预测方法及设备 | |
CN112990601B (zh) | 基于数据挖掘的蜗轮加工精度自愈系统及方法 | |
CN114800036A (zh) | 一种设备健康状态评估方法 | |
CN114943281A (zh) | 一种热管冷却反应堆智能决策方法及系统 | |
CN108415372B (zh) | 精密机床热误差补偿方法 | |
CN100371938C (zh) | 一种极少新钢种数据样本下的质量设计方法 | |
Wang et al. | Thermal error modeling of a machine tool using data mining scheme | |
Zheng et al. | Thermal error modeling and compensation of multilink high-speed precision press system | |
CN113112166A (zh) | 基于灰色模糊层次分析的设备状态变量选择方法及设备 | |
CN115169617B (zh) | 模具保养预测模型训练方法、模具保养预测方法和系统 | |
Bao et al. | Research on thermal error measuring point optimization and modeling of machine tool spindle | |
CN110069833B (zh) | 一种考虑不确定因素的接口刚度优化设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |