CN117251959B - 一种机床主轴热伸长的预测方法、装置、电子设备及介质 - Google Patents
一种机床主轴热伸长的预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117251959B CN117251959B CN202311542036.8A CN202311542036A CN117251959B CN 117251959 B CN117251959 B CN 117251959B CN 202311542036 A CN202311542036 A CN 202311542036A CN 117251959 B CN117251959 B CN 117251959B
- Authority
- CN
- China
- Prior art keywords
- machine tool
- tool spindle
- thermal elongation
- temperature measurement
- values
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 161
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 241000287127 Passeridae Species 0.000 claims description 30
- 230000035772 mutation Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003754 machining Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 34
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/16—Investigating or analyzing materials by the use of thermal means by investigating thermal coefficient of expansion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Immunology (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Automatic Control Of Machine Tools (AREA)
Abstract
本公开涉及一种机床主轴热伸长的预测方法、装置、电子设备及介质。本公开的至少一个实施例中,通过从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点,实现剔除部分对预测影响较小的温度测量点,提升预测准确性;进而,在确定多个目标温度测量点后,采集多个目标温度测量点的温度测量值,用于预测机床主轴的热伸长;从而,通过预先训练的机床主轴热伸长预测模型对多个目标温度测量点的温度测量值进行处理,得到机床主轴热伸长的预测值,以便人为地制造出补偿实时抵消原有热误差,达到提升机床主轴加工精度的目的。
Description
技术领域
本公开实施例涉及机床技术领域,具体涉及一种机床主轴热伸长的预测方法、装置、电子设备及介质。
背景技术
机床在实际工作过程中,会受到内外热源的影响,热源会导致机床的工作部件发生变形,从而导致机床刀具与工件之间的相对位移发生变化,影响工件的加工精度。因此,亟需提供一种机床主轴热伸长的预测方案,以便人为地制造出补偿实时抵消原有热误差,达到提升机床主轴加工精度的目的。
发明内容
本公开的至少一个实施例提供了一种机床主轴热伸长的预测方法、装置、电子设备及介质。
第一方面,本公开实施例提出一种机床主轴热伸长的预测方法,包括:
从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点;
采集多个目标温度测量点的温度测量值;
通过预先训练的机床主轴热伸长预测模型对多个目标温度测量点的温度测量值进行处理,得到机床主轴热伸长的预测值;
其中,机床主轴热伸长预测模型的训练过程为:
获取多个目标温度测量点的多组温度样本值以及每组温度样本值对应的机床主轴热伸长样本值;
基于多组温度样本值,调整模糊神经网络本身的参数,直至模糊神经网络的输出收敛于每组温度样本值对应的机床主轴热伸长样本值或者迭代次数达到预设次数,则完成训练,得到机床主轴热伸长预测模型。
在一些实施例中,从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点,包括:
采集机床主轴滑枕的温度测量点集合的多组温度测量值以及每组温度测量值对应的机床主轴热伸长值;
基于多组温度测量值以及每组温度测量值对应的机床主轴热伸长值,确定温度测量点与机床主轴热伸长值之间的相关系数;
将相关系数的绝对值大于或等于预设阈值的温度测量点作为目标温度测量点。
在一些实施例中,获取多个目标温度测量点的多组温度样本值以及每组温度样本值对应的机床主轴热伸长样本值,包括:
采集多个目标温度测量点的多组温度实测值以及每组温度实测值对应的机床主轴热伸长实测值;其中,每组温度实测值对应机床主轴的不同转速;
将每组温度实测值以及每组温度实测值对应的机床主轴热伸长实测值进行平滑处理;
完成平滑处理后,对机床主轴启动和/或停止过程中采集的机床主轴热伸长的突变值进行处理;
完成突变值处理后,进行分段归一化处理,得到多个目标温度测量点的多组温度样本值以及每组温度样本值对应的机床主轴热伸长样本值,其中,分段以机床主轴的不同转速进行分段。
在一些实施例中,对机床主轴启动和/或停止过程中采集的机床主轴热伸长的突变值进行处理,包括:
以机床主轴的不同转速进行分段,每个分段对应至少一组温度实测值以及至少一组温度实测值对应的机床主轴热伸长实测值;
针对每个分段,获取分段中的每个非突变值减去分段中的突变值叠加求和得到的值,其中,非突变值和突变值均为机床主轴热伸长实测值。
在一些实施例中,基于多组温度样本值,调整模糊神经网络本身的参数,包括:
将模糊神经网络本身的参数:隶属函数中心值和宽度以及网络连接权值,设置为SCSSA算法的初始位置;
设置目标函数为机床主轴热伸长的预测值与机床主轴热伸长样本值之间的均方误差,并将目标函数的值作为SCSSA算法的单个麻雀适应度值,将每组温度样本值对应的机床主轴热伸长的预测值作为单个麻雀;
基于SCSSA算法确定最优的单个麻雀适应度值对应的最优位置;
基于最优位置确定模糊神经网络本身的最优参数。
在一些实施例中,机床主轴热伸长预测模型的训练过程还包括:
在SCSSA算法的搜索过程中,基于迭代次数调整步长搜索因子和非线性权重因子,非线性权重因子用于调整种群个体位置更新对个体信息的依赖度。
在一些实施例中,基于迭代次数调整步长搜索因子和非线性权重因子,包括:
随着迭代次数的增加,调低步长搜索因子,并调高非线性权重因子。
第二方面,本公开实施例还提供一种机床主轴热伸长的预测装置,包括:
确定单元,用于从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点;
采集单元,用于采集多个目标温度测量点的温度测量值;
预测单元,用于通过预先训练的机床主轴热伸长预测模型对多个目标温度测量点的温度测量值进行处理,得到机床主轴热伸长的预测值;
其中,机床主轴热伸长预测模型通过训练单元进行训练,训练单元,包括:
第一子单元,用于获取多个目标温度测量点的多组温度样本值以及每组温度样本值对应的机床主轴热伸长样本值;
第二子单元,用于基于多组温度样本值,调整模糊神经网络本身的参数,直至模糊神经网络的输出收敛于每组温度样本值对应的机床主轴热伸长样本值或者迭代次数达到预设次数,则完成训练,得到机床主轴热伸长预测模型。
第三方面,本公开实施例还提供一种电子设备,其中,包括存储器、处理器以及存储在存储器上的计算机程序,其中,处理器执行计算机程序以实现如第一方面任一实施例所述机床主轴热伸长的预测方法的步骤。
第四方面,本公开实施例还提供一种计算机可读存储介质,其中,计算机可读存储介质存储程序或指令,程序或指令使计算机执行如第一方面任一实施例所述机床主轴热伸长的预测方法的步骤。
可见,本公开的至少一个实施例中,通过从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点,实现剔除部分对预测影响较小的温度测量点,提升预测准确性;进而,在确定多个目标温度测量点后,采集多个目标温度测量点的温度测量值,用于预测机床主轴的热伸长;从而,通过预先训练的机床主轴热伸长预测模型对多个目标温度测量点的温度测量值进行处理,得到机床主轴热伸长的预测值,以便人为地制造出补偿实时抵消原有热误差,达到提升机床主轴加工精度的目的。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种机床主轴热伸长的预测方法的流程示意图;
图2为本公开实施例提供的一种模糊神经网络结构;
图3为本公开实施例提供的一种机床主轴热伸长的预测方法的完整流程示意图;
图4为本公开实施例提供的一种机床主轴热伸长的预测装置的示意图;
图5为本公开实施例提供的一种电子设备的示例性框图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开,而非对本公开的限定。基于所描述的本公开的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
图1为本公开实施例提供的一种机床主轴热伸长的预测方法的流程示意图,该机床主轴热伸长的预测方法的执行主体为电子设备,电子设备可以设置在数控机床上或者独立于数控机床。
如图1所示,该机床主轴热伸长的预测方法可以包括但不限于步骤101至步骤103:
在步骤101中,从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点。
本实施例中,可以通过有限元仿真软件,仿真出机床运行状态下机床主轴滑枕的多个发热源,进而基于多个发热源的位置确定温度测量点集合,从温度测量点集合中确定用于预测机床主轴热伸长的多个目标温度测量点,目标温度测量点可以理解为温度数据敏感测点,实现剔除部分对预测影响较小的温度测量点,提升预测准确性。
在一些实施例中,机床主轴滑枕的温度测量点集合是在机床主轴加工位置的100mm至600mm的滑枕范围之内的温度测量点集合。
在一些实施例中,从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点的一种实施方式包括如下步骤A1至步骤A3:
A1、采集机床主轴滑枕的温度测量点集合的多组温度测量值以及每组温度测量值对应的机床主轴热伸长值。
例如,温度测量点集合中包括n个温度测量点,则采集n个温度测量点的一组温度测量值记为:T1,T2,……,Tn。该组温度测量值对应的机床主轴热伸长值记为Xi,Xi表示第i组温度测量值对应的机床主轴热伸长值。
A2、基于多组温度测量值以及每组温度测量值对应的机床主轴热伸长值,确定温度测量点与机床主轴热伸长值之间的相关系数。
例如,针对任一温度测量点,通过皮尔逊相关系数法,计算该温度测量点与机床主轴热伸长值之间的相关系数,计算式如下:
其中,T为任一温度测量点P的温度测量值,X为T对应的机床主轴热伸长值,为温度测量点P的温度测量值T与机床主轴热伸长值X之间的皮尔逊相关系数,代表T、X之间线性相关程度,E表示数学期望,/>为该温度测量点P在多组温度测量值中的温度测量值的标准差,/>为每组温度测量值对应的机床主轴热伸长值的标准差,/>为该温度测量点P在多组温度测量值中的温度测量值的期望值,/>为每组温度测量值对应的机床主轴热伸长值的期望值,/>为温度测量点P的温度测量值T与机床主轴热伸长值X之间的协方差。
A3、将相关系数的绝对值大于或等于预设阈值的温度测量点作为目标温度测量点。
例如,根据上述计算式计算得到的相关系数,通常情况下通过相关系数的绝对值来判断相关程度,相关系数强弱判定表如表1所示。
相关系数强弱判定表
因此,将预设阈值设为0.6。针对相同的机床主轴热伸长值X,可以计算不同温度测量点的温度测量值T与X之间的皮尔逊相关系数,从而选择0.6的温度测量点作为目标温度测量点。
在步骤102中,采集多个目标温度测量点的温度测量值。
本实施例中,在确定多个目标温度测量点后,可以采集多个目标温度测量点的温度测量值,用于预测机床主轴的热伸长,由于多个目标温度测量点与机床主轴的热伸长是强相关或极强相关,因此,相比采用整个温度测量点集合进行机床主轴的热伸长预测,本实施例能够剔除相关较弱或者无相关的温度测量点,提升机床主轴的热伸长预测的准确性。
在步骤103中,通过预先训练的机床主轴热伸长预测模型对多个目标温度测量点的温度测量值进行处理,得到机床主轴热伸长的预测值。
其中,多个目标温度测量点的温度测量值可以认为是一组温度测量值,预测得到的机床主轴热伸长值则是对应该组温度测量值的热伸长值。
在一些实施例中,机床主轴热伸长预测模型的训练过程包括如下步骤B1和步骤B2:
B1、获取多个目标温度测量点的多组温度样本值以及每组温度样本值对应的机床主轴热伸长样本值。
本实施例中,每组温度样本值由多个目标温度测量点的温度样本值构成,每组温度样本值对应一个机床主轴热伸长样本值。
B2、基于多组温度样本值,调整模糊神经网络本身的参数,直至模糊神经网络的输出收敛于每组温度样本值对应的机床主轴热伸长样本值或者迭代次数达到预设次数,则完成训练,得到机床主轴热伸长预测模型。
可见,本实施例中,通过从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点,实现剔除部分对预测影响较小的温度测量点,提升预测准确性;进而,在确定多个目标温度测量点后,采集多个目标温度测量点的温度测量值,用于预测机床主轴的热伸长;从而,通过预先训练的机床主轴热伸长预测模型对多个目标温度测量点的温度测量值进行处理,得到机床主轴热伸长的预测值,以便人为地制造出补偿实时抵消原有热误差,达到提升机床主轴加工精度的目的。
在一些实施例中,机床主轴热伸长预测模型的训练过程中的B1:获取多个目标温度测量点的多组温度样本值以及每组温度样本值对应的机床主轴热伸长样本值的一种实施方式包括如下步骤C1至步骤C4:
C1、采集多个目标温度测量点的多组温度实测值以及每组温度实测值对应的机床主轴热伸长实测值;其中,每组温度实测值对应机床主轴的不同转速。
C2、将每组温度实测值以及每组温度实测值对应的机床主轴热伸长实测值进行平滑处理。
本实施例中,采用高斯滤波器将每组温度实测值以及每组温度实测值对应的机床主轴热伸长实测值进行平滑处理,高斯滤波器是一种线性平滑滤波器,计算速度快,易于实时处理。
C3、完成平滑处理后,对机床主轴启动和/或停止过程中采集的机床主轴热伸长的突变值进行处理。
本实施例中,考虑到采集机床主轴在不同转速下的热伸长值时,当机床主轴转速启停时,机床主轴会产生伸长与回缩的突变,为了消除突变对机床主轴热伸长预测的影响,需要对机床主轴启动和/或停止过程中采集的机床主轴热伸长的突变值进行处理。
在一些实施例中,对机床主轴启动和/或停止过程中采集的机床主轴热伸长的突变值进行处理的一种实现方式为:
以机床主轴的不同转速进行分段,每个分段对应至少一组温度实测值以及至少一组温度实测值对应的机床主轴热伸长实测值;针对每个分段,获取分段中的每个非突变值减去分段中的突变值叠加求和得到的值,其中,非突变值和突变值均为机床主轴热伸长实测值。
C4、完成突变值处理后,进行分段归一化处理,得到多个目标温度测量点的多组温度样本值以及每组温度样本值对应的机床主轴热伸长样本值,其中,分段以机床主轴的不同转速进行分段。
本实施例中,分段归一化处理时,分段可以沿用C3中提及的分段,也即,以机床主轴的不同转速进行分段。针对每个分段,归一化处理的方式采用min-max标准化处理,min-max标准化处理采用下式实现:
其中,为处理后的数据(即样本值),mean(x)表示均值,min(x)表示最小值,max(x)表示最大值,x可以是温度实测值,也可以是机床主轴热伸长实测值。
可见,本实施例中,考虑到温度与机床主轴热伸长位移量纲差异较大,因此将数据缩放至0到1之间,消除奇异样本影响模型训练的准确性。
在一些实施例中,关于模糊神经网络进行如下说明:
模糊神经网络采用“if-then”规则形式定义,在规则为y i的情况下,模糊推理为:
,/>,/>then/>
是模糊集;/>为网络连接权值参数;/>为输出。
假设输入为,根据模糊规则计算各变量/>的隶属度为:
,/>。
式中,为隶属函数中心值与宽度;k为参数个数;n为模糊子集个数。对各个隶属度进行模糊计算:
基于各个隶属度的模糊值计算模型输出值:
,/>
,/>。
基于以上描述,图2为本公开实施例提供的一种模糊神经网络结构,如图2所示,x1,……,xk为模糊神经网络的输入,也即,多个目标温度测量点的数量为k,多个目标温度测量点的一组温度测量值可以记为x1,……,xk。模糊神经网络结构的输出为y1,……,yr,并非代表有多个机床主轴热伸长值,因为一组温度测量值对应一个机床主轴热伸长值,此处输入值有r个,其中的最大值作为机床主轴热伸长值。
在一些实施例中,机床主轴热伸长预测模型的训练过程中的步骤B2:基于多组温度样本值,调整模糊神经网络本身的参数包括但不限于以下步骤D1至步骤D4:
D1、将模糊神经网络本身的参数:隶属函数中心值和宽度以及网络连接权值,设置为SCSSA算法的初始位置。
本实施例中,确定融合正余弦和柯西变异的麻雀搜索算法(Sine-cosine andCauchy mutation Sparrow Search Algorithm,SCSSA)算法中所需要的各个参数变量,种群大小规模一般取[20,100],迭代次数取值范围一般[100,500],且取值不应过大,防止出现过度计算。发现者占种群大小比例PD=0.2,侦察者占种群大小比例SD=0.1,警戒阈值R2,取值范围[0,1],取R2=0.1;安全阈值ST,取值范围[0.5,1],ST=0.8。
本实施例中,由于隶属函数中心值和宽度/>,网络连接权值/>直接决定模糊神经网络预测精度,因此设置为SCSSA算法的初始位置,并采用折射反向策略初始化种群。
D2、设置目标函数为机床主轴热伸长的预测值与机床主轴热伸长样本值之间的均方误差,并将目标函数的值作为SCSSA算法的单个麻雀适应度值,将每组温度样本值对应的机床主轴热伸长的预测值作为单个麻雀。
其中,目标函数为:
其中,RSE为单个麻雀适应度值,n为机床主轴热伸长样本值的数量,y i为机床主轴热伸长样本值,为机床主轴热伸长的预测值。
D3、基于SCSSA算法确定最优的单个麻雀适应度值对应的最优位置。
基于D2中的目标函数,可以确定每个麻雀的适应度值,并将适应度值排序,得到最优的单个麻雀适应度值,从而基于最优的单个麻雀适应度值确定最优位置。
D4、基于最优位置确定模糊神经网络本身的最优参数。
最优位置决定了模糊神经网络本身的参数:隶属函数中心值和宽度以及网络连接权值的最优值,进而将设置了最优参数的模糊神经网络作为机床主轴热伸长预测模型。
在一些实施例中,机床主轴热伸长预测模型的训练过程还包括:
在SCSSA算法的搜索过程中,基于迭代次数调整步长搜索因子和非线性权重因子,非线性权重因子用于调整种群个体位置更新对个体信息的依赖度。
针对正余弦算法的步长搜索因子r 1=a-at/Iter max(a为常数,t为迭代次数,Iter max为预设的最大迭代次数,默认设置a=1)呈线性递减趋势,不利于进一步平衡SSA的全局搜索和局部开发能力,因此对SCSSA算法中正余弦的步长搜索因子进行改进,基于迭代次数调整步长搜索因子,得到非线性递减搜索因子,如下式:
式中,η为调节系数,η≥1;a=1,t为迭代次数。可见,随着迭代次数的增加,调低步长搜索因子。
本实施例中,SCSSA算法在发现者的位置更新中引进正余弦算法,利用正余弦算法震荡变化特性对发现者位置进行作用,维持发现者个体多样性,进而提高SCSSA算法的全局搜索能力。
另外,考虑到SCSSA算法在整个搜索过程中,种群个体位置更新常受到当前位置影响。因此引入非线性权重因子ω用于调整种群个体位置更新对此时个体信息的依赖度。在寻优前期,较小的ω降低了寻优个体位置更新对当前解位置影响,提升了SCSSA算法全局寻优能力。在后期较大的ω利用当前位置信息与个体位置更新的高度依赖性,加快了SCSSA算法的收敛速度。
其中,非线性权重因子ω的计算式如下:
可见,随着迭代次数的增加,调高非线性权重因子。
发现者位置更新的计算式如下:
式中,r 2∈[0,2π]的随机数,决定麻雀的移动距离;r 3∈[0,2π]的随机数,控制最优个体对麻雀后一位置的影响。
在一些实施例中,SCSSA算法更新跟随者位置的过程为:
在觅食过程中,跟随者经常围绕最好的发现者周围进行觅食,其间也有可能发生食物的争夺,使其自己变成发现者,为避免算法陷入局部最优,在跟随者更新式中引入柯西变异策略,利用柯西变异对麻雀位置更新中的个体进行扰动,从而扩大麻雀算法的搜索规模,提升全局寻优能力。跟随者位置更新式如下:
式中,cauchy(0,1)为标准柯西分布函数;表示相乘含义。
在一些实施例中,SCSSA算法考虑到自身安全以及能够成功获取食物,麻雀将从种群中挑选10%~20%个体(警戒者)进行侦察警戒,更新警戒者位置如下式:
式中,X best为目前整体最优位置;β为步长修正系数,服从标准正态分布;f i为此时麻雀的适应度,f ω和f g各表示此时整体最差适应度、最优适应度;当f i>f g时,说明麻雀位于种群的边缘周围,容易成为猎物;当f i=f g时,说明位于群体间的麻雀察觉到天敌的威胁,应立刻朝其他麻雀接近,摆脱危险,k∈(0,1)为随机数;ε为极小常数,例如取ε=0。
在一些实施例中,SCSSA算法判断当前迭代次数是否达到预设次数,若是,则确定输出最优的单个麻雀适应度值,进而确定最优的单个麻雀适应度值对应的最优位置,从而基于所述最优位置确定模糊神经网络本身的最优参数,完成机床主轴热伸长预测模型的训练,得到机床主轴热伸长预测模型。若当前迭代次数没有达到预设次数,则重新确定最优的单个麻雀适应度值及其后续流程,已完成本次迭代过程对于机床主轴热伸长预测模型的训练。
可见,SCSSA算法在收敛速度和寻优精度有明显增强,表现出良好的鲁棒性,利用SCSSA算法优化模糊神经网络本身的参数,提高了模型的泛化能力,提高了机床主轴热伸长预测精度和稳定性。
在以上各实施例的基础上,图3为本公开实施例提供的一种机床主轴热伸长的预测方法的完整流程示意图,该流程中包含了机床主轴热伸长预测模型的训练过程。图3中各步骤的细节可参考前述各实施例,本再赘述。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员能够理解,本公开实施例并不受所描述的动作顺序的限制,因为依据本公开实施例,某些步骤可以采用其他顺序或者同时进行。另外,本领域技术人员能够理解,说明书中所描述的实施例均属于可选实施例。
图4为本公开实施例提供的一种机床主轴热伸长的预测装置的示意图,该机床主轴热伸长的预测装置可以应用于电子设备,电子设备可以设置在数控机床上或者独立于数控机床。本公开实施例提供的机床主轴热伸长的预测装置可以执行机床主轴热伸长的预测方法各实施例提供的处理流程,如图4所示,机床主轴热伸长的预测装置包括但不限于:确定单元41、采集单元42和预测单元43。各单元功能说明如下:
确定单元41,用于从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点;
采集单元42,用于采集多个目标温度测量点的温度测量值;
预测单元43,用于通过预先训练的机床主轴热伸长预测模型对多个目标温度测量点的温度测量值进行处理,得到机床主轴热伸长的预测值;
其中,机床主轴热伸长预测模型通过训练单元进行训练,训练单元,包括:
第一子单元,用于获取多个目标温度测量点的多组温度样本值以及每组温度样本值对应的机床主轴热伸长样本值;
第二子单元,用于基于多组温度样本值,调整模糊神经网络本身的参数,直至模糊神经网络的输出收敛于每组温度样本值对应的机床主轴热伸长样本值或者迭代次数达到预设次数,则完成训练,得到机床主轴热伸长预测模型。
在一些实施例中,确定单元41,用于:
采集机床主轴滑枕的温度测量点集合的多组温度测量值以及每组温度测量值对应的机床主轴热伸长值;
基于多组温度测量值以及每组温度测量值对应的机床主轴热伸长值,确定温度测量点与机床主轴热伸长值之间的相关系数;
将相关系数的绝对值大于或等于预设阈值的温度测量点作为目标温度测量点。
在一些实施例中,第一子单元,用于:
采集多个目标温度测量点的多组温度实测值以及每组温度实测值对应的机床主轴热伸长实测值;其中,每组温度实测值对应机床主轴的不同转速;
将每组温度实测值以及每组温度实测值对应的机床主轴热伸长实测值进行平滑处理;
完成平滑处理后,对机床主轴启动和/或停止过程中采集的机床主轴热伸长的突变值进行处理;
完成突变值处理后,进行分段归一化处理,得到多个目标温度测量点的多组温度样本值以及每组温度样本值对应的机床主轴热伸长样本值,其中,分段以机床主轴的不同转速进行分段。
在一些实施例中,第一子单元对机床主轴启动和/或停止过程中采集的机床主轴热伸长的突变值进行处理,包括:
以机床主轴的不同转速进行分段,每个分段对应至少一组温度实测值以及至少一组温度实测值对应的机床主轴热伸长实测值;
针对每个分段,获取分段中的每个非突变值减去分段中的突变值叠加求和得到的值,其中,非突变值和突变值均为机床主轴热伸长实测值。
在一些实施例中,第二子单元基于多组温度样本值,调整模糊神经网络本身的参数,包括:
将模糊神经网络本身的参数:隶属函数中心值和宽度以及网络连接权值,设置为SCSSA算法的初始位置;
设置目标函数为机床主轴热伸长的预测值与机床主轴热伸长样本值之间的均方误差,并将目标函数的值作为SCSSA算法的单个麻雀适应度值,将每组温度样本值对应的机床主轴热伸长的预测值作为单个麻雀;
基于SCSSA算法确定最优的单个麻雀适应度值对应的最优位置;
基于最优位置确定模糊神经网络本身的最优参数。
在一些实施例中,训练单元,还包括:
第三子单元,用于在SCSSA算法的搜索过程中,基于迭代次数调整步长搜索因子和非线性权重因子,非线性权重因子用于调整种群个体位置更新对个体信息的依赖度。
在一些实施例中,第三子单元基于迭代次数调整步长搜索因子和非线性权重因子,包括:
随着迭代次数的增加,调低步长搜索因子,并调高非线性权重因子。
可见,本公开的至少一个机床主轴热伸长的预测装置实施例中,通过从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点,实现剔除部分对预测影响较小的温度测量点,提升预测准确性;进而,在确定多个目标温度测量点后,采集多个目标温度测量点的温度测量值,用于预测机床主轴的热伸长;从而,通过预先训练的机床主轴热伸长预测模型对多个目标温度测量点的温度测量值进行处理,得到机床主轴热伸长的预测值,以便人为地制造出补偿实时抵消原有热误差,达到提升机床主轴加工精度的目的。
图5是本公开实施例提供的一种控制器的示例性框图。如图5所示,该控制器包括:存储器501、处理器502以及存储在所述存储器501上的计算机程序。可以理解,本实施例中的存储器501可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
在一些实施方式中,存储器501存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统和应用程序。
其中,操作系统,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础任务以及处理基于硬件的任务。应用程序,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用任务。实现本公开实施例提供的机床主轴热伸长的预测方法的程序可以包含在应用程序中。
在本公开实施例中,至少一个处理器502通过调用至少一个存储器501存储的程序或指令,具体的,可以是应用程序中存储的程序或指令,至少一个处理器502用于执行本公开实施例提供的机床主轴热伸长的预测方法各实施例的步骤。
本公开实施例提供的机床主轴热伸长的预测方法可以应用于处理器502中,或者由处理器502实现。处理器502可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器502中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器502可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本公开实施例提供的机床主轴热伸长的预测方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器501,处理器502读取存储器501中的信息,结合其硬件完成方法的步骤。
本公开实施例还提供一种计算机可读存储介质,其中,计算机可读存储介质存储程序或指令,程序或指令使计算机执行如机床主轴热伸长的预测方法各实施例的步骤。在一些实施例中,计算机可读存储介质为非暂态计算机可读存储介质。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。
本领域的技术人员能够理解,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。
虽然结合附图描述了本公开的实施方式,但是本领域技术人员可以在不脱离本公开的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种机床主轴热伸长的预测方法,其特征在于,包括:
从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点;
采集所述多个目标温度测量点的温度测量值;
通过预先训练的机床主轴热伸长预测模型对所述多个目标温度测量点的温度测量值进行处理,得到机床主轴热伸长的预测值;
其中,所述机床主轴热伸长预测模型的训练过程为:
获取所述多个目标温度测量点的多组温度样本值以及每组所述温度样本值对应的机床主轴热伸长样本值;
基于所述多组温度样本值,调整模糊神经网络本身的参数,直至所述模糊神经网络的输出收敛于每组所述温度样本值对应的机床主轴热伸长样本值或者迭代次数达到预设次数,则完成训练,得到机床主轴热伸长预测模型;
其中,所述获取所述多个目标温度测量点的多组温度样本值以及每组所述温度样本值对应的机床主轴热伸长样本值,包括:
采集所述多个目标温度测量点的多组温度实测值以及每组所述温度实测值对应的机床主轴热伸长实测值;其中,每组所述温度实测值对应机床主轴的不同转速;
将每组所述温度实测值以及每组所述温度实测值对应的机床主轴热伸长实测值进行平滑处理;
完成平滑处理后,对机床主轴启动和/或停止过程中采集的机床主轴热伸长的突变值进行处理;
完成突变值处理后,进行分段归一化处理,得到所述多个目标温度测量点的多组温度样本值以及每组所述温度样本值对应的机床主轴热伸长样本值,其中,所述分段以机床主轴的不同转速进行分段。
2.根据权利要求1所述的方法,其特征在于,所述从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点,包括:
采集机床主轴滑枕的温度测量点集合的多组温度测量值以及每组所述温度测量值对应的机床主轴热伸长值;
基于所述多组温度测量值以及每组所述温度测量值对应的机床主轴热伸长值,确定温度测量点与机床主轴热伸长值之间的相关系数;
将所述相关系数的绝对值大于或等于预设阈值的温度测量点作为所述目标温度测量点。
3.根据权利要求1所述的方法,其特征在于,所述对机床主轴启动和/或停止过程中采集的机床主轴热伸长的突变值进行处理,包括:
以机床主轴的不同转速进行分段,每个分段对应至少一组所述温度实测值以及所述至少一组所述温度实测值对应的机床主轴热伸长实测值;
针对每个分段,获取所述分段中的每个非突变值减去所述分段中的突变值叠加求和得到的值,其中,所述非突变值和所述突变值均为机床主轴热伸长实测值。
4.根据权利要求1所述的方法,其特征在于,所述基于所述多组温度样本值,调整所述模糊神经网络本身的参数,包括:
将所述模糊神经网络本身的参数:隶属函数中心值和宽度以及网络连接权值,设置为SCSSA算法的初始位置;
设置目标函数为机床主轴热伸长的预测值与机床主轴热伸长样本值之间的均方误差,并将所述目标函数的值作为所述SCSSA算法的单个麻雀适应度值,将每组温度样本值对应的机床主轴热伸长的预测值作为单个麻雀;
基于所述SCSSA算法确定最优的单个麻雀适应度值对应的最优位置;
基于所述最优位置确定所述模糊神经网络本身的最优参数。
5.根据权利要求4所述的方法,其特征在于,所述机床主轴热伸长预测模型的训练过程还包括:
在所述SCSSA算法的搜索过程中,基于迭代次数调整步长搜索因子和非线性权重因子,所述非线性权重因子用于调整种群个体位置更新对个体信息的依赖度。
6.根据权利要求5所述的方法,其特征在于,所述基于迭代次数调整步长搜索因子和非线性权重因子,包括:
随着迭代次数的增加,调低步长搜索因子,并调高非线性权重因子。
7.一种机床主轴热伸长的预测装置,其特征在于,包括:
确定单元,用于从机床主轴滑枕的温度测量点集合中,确定用于预测机床主轴热伸长的多个目标温度测量点;
采集单元,用于采集所述多个目标温度测量点的温度测量值;
预测单元,用于通过预先训练的机床主轴热伸长预测模型对所述多个目标温度测量点的温度测量值进行处理,得到机床主轴热伸长的预测值;
其中,所述机床主轴热伸长预测模型通过训练单元进行训练,所述训练单元,包括:
第一子单元,用于获取所述多个目标温度测量点的多组温度样本值以及每组所述温度样本值对应的机床主轴热伸长样本值;
第二子单元,用于基于所述多组温度样本值,调整模糊神经网络本身的参数,直至所述模糊神经网络的输出收敛于每组所述温度样本值对应的机床主轴热伸长样本值或者迭代次数达到预设次数,则完成训练,得到机床主轴热伸长预测模型;
其中,所述第一子单元,用于:
采集所述多个目标温度测量点的多组温度实测值以及每组所述温度实测值对应的机床主轴热伸长实测值;其中,每组所述温度实测值对应机床主轴的不同转速;
将每组所述温度实测值以及每组所述温度实测值对应的机床主轴热伸长实测值进行平滑处理;
完成平滑处理后,对机床主轴启动和/或停止过程中采集的机床主轴热伸长的突变值进行处理;
完成突变值处理后,进行分段归一化处理,得到所述多个目标温度测量点的多组温度样本值以及每组所述温度样本值对应的机床主轴热伸长样本值,其中,所述分段以机床主轴的不同转速进行分段。
8.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上的计算机程序,其中,所述处理器执行所述计算机程序以实现如权利要求1至6任一项所述机床主轴热伸长的预测方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至6任一项所述机床主轴热伸长的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311542036.8A CN117251959B (zh) | 2023-11-20 | 2023-11-20 | 一种机床主轴热伸长的预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311542036.8A CN117251959B (zh) | 2023-11-20 | 2023-11-20 | 一种机床主轴热伸长的预测方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117251959A CN117251959A (zh) | 2023-12-19 |
CN117251959B true CN117251959B (zh) | 2024-01-26 |
Family
ID=89135437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311542036.8A Active CN117251959B (zh) | 2023-11-20 | 2023-11-20 | 一种机床主轴热伸长的预测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251959B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611654B (zh) * | 2024-01-24 | 2024-04-16 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴热伸长测试方法及测试装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444628A (zh) * | 2016-09-28 | 2017-02-22 | 大连理工大学 | 一种数控机床主轴热伸长误差实时补偿方法 |
CN109146209A (zh) * | 2018-11-02 | 2019-01-04 | 清华大学 | 基于遗传算法小波神经网络的机床主轴热误差预测方法 |
CN110716500A (zh) * | 2019-11-18 | 2020-01-21 | 重庆理工大学 | 用于确定温度敏感区间分段建模点的方法与系统 |
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 |
CN112307579A (zh) * | 2020-10-22 | 2021-02-02 | 重庆大学 | 基于温度综合信息的热误差温度敏感点选择方法及系统 |
CN116861793A (zh) * | 2023-07-14 | 2023-10-10 | 哈尔滨理工大学 | 一种鹈鹕算法优化长短期记忆网络主轴热误差建模方法 |
-
2023
- 2023-11-20 CN CN202311542036.8A patent/CN117251959B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444628A (zh) * | 2016-09-28 | 2017-02-22 | 大连理工大学 | 一种数控机床主轴热伸长误差实时补偿方法 |
CN109146209A (zh) * | 2018-11-02 | 2019-01-04 | 清华大学 | 基于遗传算法小波神经网络的机床主轴热误差预测方法 |
CN110716500A (zh) * | 2019-11-18 | 2020-01-21 | 重庆理工大学 | 用于确定温度敏感区间分段建模点的方法与系统 |
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 |
CN112307579A (zh) * | 2020-10-22 | 2021-02-02 | 重庆大学 | 基于温度综合信息的热误差温度敏感点选择方法及系统 |
CN116861793A (zh) * | 2023-07-14 | 2023-10-10 | 哈尔滨理工大学 | 一种鹈鹕算法优化长短期记忆网络主轴热误差建模方法 |
Non-Patent Citations (8)
Title |
---|
A Modeling Method for Thermal Error Prediction of CNC Machine Equipment Based on Sparrow Search Algorithm and Long Short-Term Memory Neural Network;Gao, Y.; Xia, X.; Guo, Y.;Sensors;第23卷(第7期);1-27 * |
Gao, Y. ; Xia, X. ; Guo, Y..A Modeling Method for Thermal Error Prediction of CNC Machine Equipment Based on Sparrow Search Algorithm and Long Short-Term Memory Neural Network.Sensors.2023,第23卷(第7期),1-27. * |
主轴热伸长建模耦合温度测点优化的研究;陈松;王永青;智莹;刘子恒;;制造技术与机床(第03期);109-113 * |
基于粒子群算法与BP网络的机床主轴热误差建模;马驰;赵亮;梅雪松;施虎;杨军;;上海交通大学学报(第05期);42-51 * |
基于遗传算法及BP网络的主轴热误差建模;马驰;杨军;梅雪松;赵亮;王新孟;;计算机集成制造系统(第10期);83-92 * |
基于集成BP神经网络的数控机床主轴热误差建模;谭峰;殷鸣;彭骥;卫亚斌;殷国富;;计算机集成制造系统(第06期);61-68 * |
精密数控车床主轴热误差建模;郭辰光;韩雪;李源;谢华龙;;光学精密工程(第07期);196-207 * |
融合正余弦和柯西变异的麻雀搜索算法;李爱莲;计算机工程与应用(第58期);91-99 * |
Also Published As
Publication number | Publication date |
---|---|
CN117251959A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117251959B (zh) | 一种机床主轴热伸长的预测方法、装置、电子设备及介质 | |
US10121107B2 (en) | Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device | |
CN108038271B (zh) | 一种铣刀的磨损预测方法及状态识别的方法 | |
CN111982302A (zh) | 一种带噪声滤波和环境温度补偿的测温方法 | |
Kuo et al. | Multi-sensor integration for on-line tool wear estimation through radial basis function networks and fuzzy neural network | |
Chryssolouris et al. | A comparison of statistical and AI approaches to the selection of process parameters in intelligent machining | |
CN111353631A (zh) | 基于多层lstm的火电厂凝汽器真空度预测方法 | |
CN108132599B (zh) | 一种基于迭代反馈整定的ude控制系统设计方法 | |
CN113536696B (zh) | Sto-tcn热误差预测模型建模方法及其迁移学习方法 | |
CN111650891B (zh) | 具有恒力自适应控制方法的五轴精密小龙门数控加工中心 | |
Zhao et al. | A new gradient descent approach for local learning of fuzzy neural models | |
US10698380B2 (en) | Numerical controller | |
CN115017945A (zh) | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 | |
CN112379589B (zh) | 蜗轮加工形性可控工艺 | |
CN113569356A (zh) | 深度残差lstm网络及热误差预测模型的建模方法和迁移学习方法 | |
Hsu et al. | Fuzzy adaptive control of machining processes with a self-learning algorithm | |
CN116861793B (zh) | 一种鹈鹕算法优化长短期记忆网络主轴热误差建模方法 | |
Kusumoputro et al. | System identification and control of pressure process rig system using Backpropagation Neural Networks | |
CN114065649A (zh) | 一种配电变压器顶层油温短期预测方法及预测系统 | |
CN115587433A (zh) | 一种基于状态工况的机组耗差分析优化方法及系统 | |
CN110928341B (zh) | 温度控制方法、装置、设备及存储介质 | |
CN114492198A (zh) | 一种基于改进pso算法辅助svm算法的切削力预测方法 | |
CN117435873B (zh) | 一种基于智能喷雾降尘的数据管理方法 | |
CN112733301A (zh) | 一种基于神经网络的六维力矩传感器重力补偿方法及系统 | |
CN109683558A (zh) | 基于粒子群优化的生产过程系统多目标优化模型控制方法 |
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 |