基于混沌演化和CNN-GRU的机床热误差建模

作者：杜柳青; 胡杰; 余永维

来源：组合机床与自动化加工技术, 2022, (08): 18-25.

DOI：10.13462/j.cnki.mmtamt.2022.08.005

• 热误差预测
• 数控机床
• 卷积神经网络
• 门控时序循环单元

为充分利用温度数据中时空特征的联系，提高机床热误差的预测精度，提出了一种基于卷积神经网络(convolutional neural network, CNN)和门控循环单元(gated recurrent unit, GRU)的热误差预测方法。首先，采用混沌演化(chaotic evolution, CE)重构温度测量数据的相空间，以机床整体温度信息、气候环境和工件误差特征集作为模型输入，演化出机床更深层次的信息；其次，利用CNN提取热误差与温度信息在高维空间的联系，构造具有空间特征的时序向量；最后，通过GRU捕获其时序特征并输出热误差预测值。使用该方法对机床热误差进行预测实验，并与单纯型CNN-GRU模型、CNN模型相比，在预测精度与泛化性方面具有明显优势。

• 单位
  重庆理工大学