为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism,AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维...为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism,AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。展开更多
基于卷积神经网络-长短时记忆(convolutional neural network and long short-term memory,CNN-LSTM)模型开展了曲线变量的假人伤害预测应用研究.分别使用标定后1D简化模型和约束系统CAE模型开展变量和响应采集,搭建训练和测试数据库,使...基于卷积神经网络-长短时记忆(convolutional neural network and long short-term memory,CNN-LSTM)模型开展了曲线变量的假人伤害预测应用研究.分别使用标定后1D简化模型和约束系统CAE模型开展变量和响应采集,搭建训练和测试数据库,使用Pytorch搭建假人头部加速度和胸部压缩量CNN-LSTM预测模型,研究了样本数量对训练后模型精度的影响.结果显示,当训练样本数量达到一定规模后,继续增加训练样本数量对模型泛化能力提升有限,然而,在本文应用场景中,当样本数量到50时,测试样本预测精度R均值超过0.85,满足工程开发的预测精度要求.展开更多
文摘准确预测台区的电力负荷,能够促使电力企业合理安排调度计划,保障台区电力安全和经济稳定运行。为了充分挖掘电力负荷数据的特征,提高预测的精度,提出一种基于自适应辛几何模态分解(adaptive symplectic geometry mode decomposition,ASGMD)、多元线性回归(multiple linear regression,MLR)和卷积长短时记忆(convolutional long short-term memory,CLSTM)网络的电力负荷预测方法。首先,应用ASGMD将台区负荷数据分解为弱相关和强相关两种分量;然后,利用MLR和CLSTM分别对上述两种分量分别进行预测;最后,组合各模型结果,得到最终负荷预测值。实例分析结果表明,所提模型较其他模型具有更高的预测准确度。
文摘为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism,AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。
文摘基于卷积神经网络-长短时记忆(convolutional neural network and long short-term memory,CNN-LSTM)模型开展了曲线变量的假人伤害预测应用研究.分别使用标定后1D简化模型和约束系统CAE模型开展变量和响应采集,搭建训练和测试数据库,使用Pytorch搭建假人头部加速度和胸部压缩量CNN-LSTM预测模型,研究了样本数量对训练后模型精度的影响.结果显示,当训练样本数量达到一定规模后,继续增加训练样本数量对模型泛化能力提升有限,然而,在本文应用场景中,当样本数量到50时,测试样本预测精度R均值超过0.85,满足工程开发的预测精度要求.
