文献类型：期刊文章

作　　者：谭峰[1] 李成南[1] 萧红[1] 苏祖强[1] 郑凯[1]

Tan Feng;Li Chengnan;Xiao Hong;Su Zuqiang;Zheng Kai(School of Advanced Manufacturing Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China)

机构地区：[1]重庆邮电大学先进制造工程学院,重庆400065

出　　处：《仪器仪表学报》

基　　金：重庆市基础研究与前沿探索项目(cstc2019jcyj-msxmX0540);重庆市教委科学技术研究项目(KJQN202000614);国家自然科学基金(51905065,51705060);国家留学基金管理委员会项目(201907845005)资助

年　　份：2020

卷　　号：41

期　　号：9

起止页码：79-87

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对传统热误差预测中忽略了机床历史累积温度状态与机床热误差之间的关联关系,提出一种基于长短期记忆(LSTM)循环神经网络的数控机床热误差预测方法。LSTM循环神经网络可以有效利用机床当前时刻和历史时刻的温升数据来表征更加符合机床热变形机制的热误差。以一台精密卧式加工中心为例,首先进行热误差实验,然后利用模糊c均值(FCM)聚类算法从20个温度点中筛选出4个关键温度点,再以其温升数据为输入热误差数据为输出建立LSTM循环神经网络热误差预测模型。最后,在不同工况下与传统热误差预测模型进行预测性能对比分析,结果表明所提热误差预测方法预测精度最高提高约52%,具有更加优越的预测精度和泛化性能。

关 键 词：数控机床 热误差预测  关键温度点筛选  LSTM循环神经网络  模糊C均值聚类

分 类 号：TG659] TP183]