科研之友
微信
新浪微博
Facebook
分享链接
摘要
数控机床运动精度衰退是一个动态的演化过程。为尽早发现数控机床潜在的失效风险，挖掘蕴含在各类监测数据序列中的运动精度演化特征，在深度门控循环网络(Gated recurrent unit, GRU)框架下，提出了一种融合注意机制的数控机床运动精度劣化预示方法。为了克服传统深度卷积神经网络不能学习时序特征的缺陷，采用深度编码器-解码器框架，提出基于深度GRU的运动精度深度学习建模方法，以数据驱动，自动挖掘运动精度与振动、温度、电流等状态信号时间序列的时空特征，预测运动精度，根据预测曲线对机床劣化趋势进行预示。为了增强主要状态信号和关键时间点的信息表达，提高精度劣化预测的准确性，提出一种在深度学习框架中融合注意机制的方法，建立状态参量的注意网络，计算振动、温度等状态信号与机床精度间关联程度，自动调整各信号的权值；进一步，建立时序注意网络自主选取精度劣化历史信息关键时间点，以提升较长时间段预示的准确性。实验结果表明，基于深度学习网络与注意机制的预示模型可以很好地追踪数控机床运动精度的劣化趋势和规律，有较高的预测精度，优于传统方法。
- 单位
