CN116010903A - 一种基于多源异构数据的主轴热误差预测方法及装置 - Google Patents
一种基于多源异构数据的主轴热误差预测方法及装置 Download PDFInfo
- Publication number
- CN116010903A CN116010903A CN202310301790.6A CN202310301790A CN116010903A CN 116010903 A CN116010903 A CN 116010903A CN 202310301790 A CN202310301790 A CN 202310301790A CN 116010903 A CN116010903 A CN 116010903A
- Authority
- CN
- China
- Prior art keywords
- data
- thermal
- error
- main shaft
- thermal deformation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Numerical Control (AREA)
Abstract
本发明涉及主轴误差领域,具体涉及一种基于多源异构数据的主轴热误差预测方法及装置。该方法及装置包括:对采集的主轴热变形数据进行预处理;对预处理后的主轴热变形数据进行特征提取,将提取后的特征信息进行特征融合;构建热变形热预测模型,将融合后的特征信息输入至热变形热预测模型中预测到主轴下一个时刻的误差;因此建立主轴的热变形热预测模型并对误差进行补偿至关重要,提高了机床的加工精度和稳定性。
Description
技术领域
本发明涉及主轴误差领域,具体而言,涉及一种基于多源异构数据的主轴热误差预测方法及装置。
背景技术
传统的数学方法,考虑到的影响因素单一。现有主轴热误差预测方法往往使用传统的数学方法,考虑主轴热误差影响因素单一,不能够准确预测,预测模型的鲁棒性差。
发明内容
本发明实施例提供了一种基于多源异构数据的主轴热误差预测方法及装置,以至少解决主轴热误差的预测模型的鲁棒性差的技术问题。
根据本发明的一实施例,提供了一种基于多源异构数据的主轴热误差预测方法,包括以下步骤:
S101:对采集的主轴热变形数据进行预处理;
S102:对预处理后的主轴热变形数据进行特征提取,将提取后的特征信息进行特征融合;
S103:构建热变形热预测模型,将融合后的特征信息输入至热变形热预测模型中预测到主轴下一个时刻的误差。
进一步地,方法还包括:
S104:将误差数据输入至数控系统对主轴进行误差补偿。
进一步地,方法还包括:
S100:对主轴热变形数据进行采集。
进一步地,步骤S101具体包括:
首先将采集到的主轴热变形数据进行数据清理,对已有的主轴热变形数据进行数据清洗,数据清洗包括数据遗漏补充、数据错误进行纠正,然后将时间序列数据转为监督序列数据,划分数据集为训练集、测试集、验证集。
进一步地,步骤S102具体包括:
使用Nbeats算法对数值信息做特征提取,使用transform算法对文本信息做特征提取,将提取后的特征信息通过人工神经网络做特征融合,然后将融合后的信息输入给全连接层做预测。
进一步地,步骤S102具体还包括:将预测误差和真实误差做均方根误差,进行最小批次梯度反向传播训练人工神经网络。
进一步地,在步骤S103中,最终使用数据集训练整个多源异构数据的五轴加工中心主轴热变形热预测模型,使用验证集和测试集校验人工神经网络的精确度和稳定性。
根据本发明的另一实施例,提供了一种基于多源异构数据的主轴热误差预测装置,包括:
数据预处理单元,用于对采集的主轴热变形数据进行预处理;
数据提取融合单元,用于对预处理后的主轴热变形数据进行特征提取,将提取后的特征信息进行特征融合;
误差预测单元,用于建热变形热预测模型,将融合后的特征信息输入至热变形热预测模型中预测到主轴下一个时刻的误差。
进一步地,装置还包括:
误差补偿单元,用于将误差数据输入至数控系统对主轴进行误差补偿。
进一步地,装置还包括:
数据采集单元,用于对主轴热变形数据进行采集。
一种存储介质,存储介质存储有能够实现上述任意一项基于多源异构数据的主轴热误差预测方法的程序文件。
一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一项的基于多源异构数据的主轴热误差预测方法。
本发明实施例中的基于多源异构数据的主轴热误差预测方法及装置,对采集的主轴热变形数据进行预处理;对预处理后的主轴热变形数据进行特征提取,将提取后的特征信息进行特征融合;构建热变形热预测模型,将融合后的特征信息输入至热变形热预测模型中预测到主轴下一个时刻的误差;因此建立主轴的热变形热预测模型并对误差进行补偿至关重要,提高了机床的加工精度和稳定性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明基于多源异构数据的主轴热误差预测方法的流程图;
图2为本发明基于多源异构数据的主轴热误差预测方法的一种优选流程图;
图3为本发明基于多源异构数据的主轴热误差预测方法的另一种优选流程图;
图4为本发明基于多源异构数据的主轴热误差预测装置的模块图;
图5为本发明基于多源异构数据的主轴热误差预测装置的一种优选模块图;
图6为本发明基于多源异构数据的主轴热误差预测装置的另一种优选模块图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明一实施例,提供了一种基于多源异构数据的主轴热误差预测方法,参见图1,包括以下步骤:
S101:对采集的主轴热变形数据进行预处理;
S102:对预处理后的主轴热变形数据进行特征提取,将提取后的特征信息进行特征融合;
S103:构建热变形热预测模型,将融合后的特征信息输入至热变形热预测模型中预测到主轴下一个时刻的误差。
本发明实施例中的基于多源异构数据的主轴热误差预测方法,对采集的主轴热变形数据进行预处理;对预处理后的主轴热变形数据进行特征提取,将提取后的特征信息进行特征融合;构建热变形热预测模型,将融合后的特征信息输入至热变形热预测模型中预测到主轴下一个时刻的误差;因此建立主轴的热变形热预测模型并对误差进行补偿至关重要,提高了机床的加工精度和稳定性。
其中,参见图2,方法还包括:
S104:将误差数据输入至数控系统对主轴进行误差补偿。
其中,参见图3,方法还包括:
S100:对主轴热变形数据进行采集。
其中,步骤S101具体包括:
首先将采集到的主轴热变形数据进行数据清理,对已有的主轴热变形数据进行数据清洗,数据清洗包括数据遗漏补充、数据错误进行纠正,然后将时间序列数据转为监督序列数据,划分数据集为训练集、测试集、验证集。
其中,步骤S102具体包括:
使用Nbeats算法对数值信息做特征提取,使用transform算法对文本信息做特征提取,将提取后的特征信息通过人工神经网络做特征融合,然后将融合后的信息输入给全连接层做预测。
其中,步骤S102具体还包括:将预测误差和真实误差做均方根误差,进行最小批次梯度反向传播训练人工神经网络。
其中,在步骤S103中,最终使用数据集训练整个多源异构数据的五轴加工中心主轴热变形热预测模型,使用验证集和测试集校验人工神经网络的精确度和稳定性。
下面以具体实施例,对本发明的基于多源异构数据的主轴热误差预测方法进行详细说明:
1.多源异构数据融合,数据特征提取;
2.Nbeats算法,transform算法;
Nbeats的核心思路是,多个Block串联,每个Block学习序列的一部分信息,在下一个Block的输入会去掉之前Block已经学到的信息,只拟合之前Block未学到的信息,类似于GBDT的思路,最后再把各个Block的预估结果加和得到最终预估结果。
3.主轴热误差预测及补偿。
本发明的技术方案具体包括如下:
1.五轴加工中心由于在加工过程中高速运转产生热量使主轴热变形,严重影响主轴的加工精度,因此建立主轴的热变形热预测模型并对误差进行补偿至关重要。
2.影响主轴热变形的因素有主轴的转速、加速度、外界环境温度(数值信息)、主轴的材料及属性(文本信息)等信息。在使用深度学习做特征提取时,首先将采集到的数据进行数据清理,对已有的数据进行数据清洗,数据清洗包括数据遗漏补充、数据错误进行纠正,然后将时间序列数据转为监督序列数据,划分数据集为训练集、测试集、验证集。
3.使用Nbeats算法对数值信息做特征提取,使用transform算法对文本信息做特征提取,将提取后的特征信息通过人工神经网络做特征融合,然后将融合后的信息输入给全连接层做预测。预测误差和真实误差做均方根误差,进行最小批次梯度反向传播训练人工神经网络。
4.最终使用数据集训练整个多源异构数据的五轴加工中心主轴热变形热预测模型,使用验证集和测试集校验人工神经网络的精确度和稳定性。
5.通过人工智能的热变形热预测模型,预测到主轴下一个时刻的误差后,将误差给到数控系统进行误差补偿。
本发明技术方案的技术优势为:
五轴加工中心主轴在加工产品时,主轴内部热源产生大量的热量,导致轴心产生热变形,降低了机床的加工精度和稳定性,因此建立主轴的热变形热预测模型并对误差进行补偿至关重要。
在其他具体实施方法中,还可以采用传统数学模型和深度学习算法结合的方式来对主轴的热变形进行预测并对误差进行补偿。
实施例2
根据本发明的另一实施例,提供了一种基于多源异构数据的主轴热误差预测装置,参见图4,包括:
数据预处理单元201,用于对采集的主轴热变形数据进行预处理;
数据提取融合单元202,用于对预处理后的主轴热变形数据进行特征提取,将提取后的特征信息进行特征融合;
误差预测单元203,用于建热变形热预测模型,将融合后的特征信息输入至热变形热预测模型中预测到主轴下一个时刻的误差。
本发明实施例中的基于多源异构数据的主轴热误差预测装置,对采集的主轴热变形数据进行预处理;对预处理后的主轴热变形数据进行特征提取,将提取后的特征信息进行特征融合;构建热变形热预测模型,将融合后的特征信息输入至热变形热预测模型中预测到主轴下一个时刻的误差;因此建立主轴的热变形热预测模型并对误差进行补偿至关重要,提高了机床的加工精度和稳定性。
其中,参见图5,装置还包括:
误差补偿单元204,用于将误差数据输入至数控系统对主轴进行误差补偿。
其中,参见图6,装置还包括:
数据采集单元200,用于对主轴热变形数据进行采集。
下面以具体实施例,对本发明的基于多源异构数据的主轴热误差预测装置进行详细说明:
1.多源异构数据融合,数据特征提取;
2.Nbeats算法,transform算法;
Nbeats的核心思路是,多个Block串联,每个Block学习序列的一部分信息,在下一个Block的输入会去掉之前Block已经学到的信息,只拟合之前Block未学到的信息,类似于GBDT的思路,最后再把各个Block的预估结果加和得到最终预估结果。
3.主轴热误差预测及补偿。
本发明的技术方案具体包括如下:
1.数据采集单元200,五轴加工中心由于在加工过程中高速运转产生热量使主轴热变形,严重影响主轴的加工精度,因此建立主轴的热变形热预测模型并对误差进行补偿至关重要。
2.数据预处理单元201,影响主轴热变形的因素有主轴的转速、加速度、外界环境温度(数值信息)、主轴的材料及属性(文本信息)等信息。在使用深度学习做特征提取时,首先将采集到的数据进行数据清理,对已有的数据进行数据清洗,数据清洗包括数据遗漏补充、数据错误进行纠正,然后将时间序列数据转为监督序列数据,划分数据集为训练集、测试集、验证集。
3.数据提取融合单元202,使用Nbeats算法对数值信息做特征提取,使用transform算法对文本信息做特征提取,将提取后的特征信息通过人工神经网络做特征融合,然后将融合后的信息输入给全连接层做预测。预测误差和真实误差做均方根误差,进行最小批次梯度反向传播训练人工神经网络。
4.最终使用数据集训练整个多源异构数据的五轴加工中心主轴热变形热预测模型,使用验证集和测试集校验人工神经网络的精确度和稳定性。
5.误差预测单元203及误差补偿单元204,通过人工智能的热变形热预测模型,预测到主轴下一个时刻的误差后,将误差给到数控系统进行误差补偿。
本发明技术方案的技术优势为:
五轴加工中心主轴在加工产品时,主轴内部热源产生大量的热量,导致轴心产生热变形,降低了机床的加工精度和稳定性,因此建立主轴的热变形热预测模型并对误差进行补偿至关重要。
在其他具体实施装置中,还可以采用传统数学模型和深度学习算法结合的方式来对主轴的热变形进行预测并对误差进行补偿。
实施例3
一种存储介质,存储介质存储有能够实现上述任意一项基于多源异构数据的主轴热误差预测方法的程序文件。
实施例4
一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一项的基于多源异构数据的主轴热误差预测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的系统实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于多源异构数据的主轴热误差预测方法,其特征在于,包括以下步骤:
S101:对采集的主轴热变形数据进行预处理;
S102:对预处理后的主轴热变形数据进行特征提取,将提取后的特征信息进行特征融合;
S103:构建热变形热预测模型,将融合后的特征信息输入至热变形热预测模型中预测到主轴下一个时刻的误差。
2.根据权利要求1所述的基于多源异构数据的主轴热误差预测方法,其特征在于,所述方法还包括:
S104:将误差数据输入至数控系统对主轴进行误差补偿。
3.根据权利要求1所述的基于多源异构数据的主轴热误差预测方法,其特征在于,所述方法还包括:
S100:对主轴热变形数据进行采集。
4.根据权利要求1所述的基于多源异构数据的主轴热误差预测方法,其特征在于,步骤S101具体包括:
首先将采集到的主轴热变形数据进行数据清理,对已有的主轴热变形数据进行数据清洗,数据清洗包括数据遗漏补充、数据错误进行纠正,然后将时间序列数据转为监督序列数据,划分数据集为训练集、测试集、验证集。
5.根据权利要求1所述的基于多源异构数据的主轴热误差预测方法,其特征在于,步骤S102具体包括:
使用Nbeats算法对数值信息做特征提取,使用transform算法对文本信息做特征提取,将提取后的特征信息通过人工神经网络做特征融合,然后将融合后的信息输入给全连接层做预测。
6.根据权利要求5所述的基于多源异构数据的主轴热误差预测方法,其特征在于,步骤S102具体还包括:将预测误差和真实误差做均方根误差,进行最小批次梯度反向传播训练人工神经网络。
7.根据权利要求1所述的基于多源异构数据的主轴热误差预测方法,其特征在于,在步骤S103中,最终使用数据集训练整个多源异构数据的五轴加工中心主轴热变形热预测模型,使用验证集和测试集校验人工神经网络的精确度和稳定性。
8.一种基于多源异构数据的主轴热误差预测装置,其特征在于,包括:
数据预处理单元,用于对采集的主轴热变形数据进行预处理;
数据提取融合单元,用于对预处理后的主轴热变形数据进行特征提取,将提取后的特征信息进行特征融合;
误差预测单元,用于建热变形热预测模型,将融合后的特征信息输入至热变形热预测模型中预测到主轴下一个时刻的误差。
9.根据权利要求8所述的基于多源异构数据的主轴热误差预测装置,其特征在于,所述装置还包括:
误差补偿单元,用于将误差数据输入至数控系统对主轴进行误差补偿。
10.根据权利要求8所述的基于多源异构数据的主轴热误差预测装置,其特征在于,所述装置还包括:
数据采集单元,用于对主轴热变形数据进行采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310301790.6A CN116010903A (zh) | 2023-03-27 | 2023-03-27 | 一种基于多源异构数据的主轴热误差预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310301790.6A CN116010903A (zh) | 2023-03-27 | 2023-03-27 | 一种基于多源异构数据的主轴热误差预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116010903A true CN116010903A (zh) | 2023-04-25 |
Family
ID=86030245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310301790.6A Pending CN116010903A (zh) | 2023-03-27 | 2023-03-27 | 一种基于多源异构数据的主轴热误差预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116010903A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526424A (zh) * | 2022-10-24 | 2022-12-27 | 浙江工业大学 | 基于多源异类信息融合的机床主轴z向热变形预测方法 |
CN115659155A (zh) * | 2022-09-06 | 2023-01-31 | 盐城工学院 | 基于粒子群优化融合神经网络的轴承故障诊断系统及方法 |
-
2023
- 2023-03-27 CN CN202310301790.6A patent/CN116010903A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659155A (zh) * | 2022-09-06 | 2023-01-31 | 盐城工学院 | 基于粒子群优化融合神经网络的轴承故障诊断系统及方法 |
CN115526424A (zh) * | 2022-10-24 | 2022-12-27 | 浙江工业大学 | 基于多源异类信息融合的机床主轴z向热变形预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107193876B (zh) | 一种基于最近邻knn算法的缺失数据填补方法 | |
Kaya et al. | A support vector machine-based online tool condition monitoring for milling using sensor fusion and a genetic algorithm | |
CN110285969A (zh) | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 | |
CN109472057B (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
EP3683640B1 (en) | Fault diagnosis method and apparatus for numerical control machine tool | |
CN111861514B (zh) | 一种人员推荐方法及人员推荐系统 | |
CN112633461A (zh) | 应用辅助系统和方法以及计算机可读记录介质 | |
CN112988440A (zh) | 一种系统故障预测方法、装置、电子设备及存储介质 | |
US20180336477A1 (en) | Information processing apparatus and non-transitory computer readable medium | |
Kumar et al. | User Story Clustering using K-Means Algorithm in Agile Requirement Engineering | |
CN116226676B (zh) | 适用于极端环境的机床故障预测模型生成方法及相关设备 | |
CN116010903A (zh) | 一种基于多源异构数据的主轴热误差预测方法及装置 | |
CN111597336B (zh) | 训练文本的处理方法、装置、电子设备及可读存储介质 | |
CN109473152A (zh) | 相似病历的查找方法、装置与电子设备 | |
CN113886992B (zh) | 一种基于多保真度数据的数字孪生建模方法 | |
CN113469263B (zh) | 适于小样本的预测模型训练方法、装置及相关设备 | |
Jiang et al. | Application of an optimized grey system model on 5-Axis CNC machine tool thermal error modeling | |
CN113159926A (zh) | 贷款业务的还款日期确定方法及装置 | |
CN117471979B (zh) | 一种基于数字孪生平台的数据采集处理方法及系统 | |
CN112668223A (zh) | 基于数字孪生轻量化模型的机电装备仿真方法及系统 | |
Corchado et al. | Optimizing the operating conditions in a high precision industrial process using soft computing techniques | |
CN112085522A (zh) | 一种工程项目的造价数据处理方法、系统、装置及介质 | |
CN112784903B (zh) | 用于目标识别模型训练的方法、装置及设备 | |
CN117111585B (zh) | 基于容差子关系粗糙集的数控机床健康状态预测方法 | |
CN117226599B (zh) | 数控机床热误差预测方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230425 |