科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对基于传统浅层网络理论的热误差数学模型存在适应性、鲁棒性差的问题,提出一种基于并联深度信念网络的数控机床热误差预测与补偿方法。建立一种基于3个子深度信念网络并联的深度学习预测模型,各子深度信念网络具有相同的网络结构、不同的权值参数,并共享输入层的限制玻尔兹曼机;构建基于预测误差的并联深度网络结构,确定每个RBM隐含层的神经元数量;提出初始权值共享的并联深度网络训练方法,采用对数散度无监督学习方法预训练模型中的1个深度信念网络,其他深度信念网络共享该初始权值,并用反向传播算法分别微调生成各子深度信念网络的最优权值。实验结果表明,预测的主轴热误差均方根误差为2.2μm,在提高预测准确性的同时,显著提高了热误差补偿的适应性和鲁棒性。
- 单位
