大型龙门五轴机床的热变形是影响加工精度的重要因素之一。文章探讨了环境温度变化对机床热变形的影响规律。为提升大型龙门数控机床环境综合热误差预测精度,设计了一种基于带卷积的灰色长短期记忆神经网络(grey long short-term memory...大型龙门五轴机床的热变形是影响加工精度的重要因素之一。文章探讨了环境温度变化对机床热变形的影响规律。为提升大型龙门数控机床环境综合热误差预测精度,设计了一种基于带卷积的灰色长短期记忆神经网络(grey long short-term memory neural network, CNN-GreyLSTM)的热误差预测模型。以某大型龙门机床为研究对象,使用有限元仿真与试验相结合的方式分析了环境温度变化引起的刀尖点热漂移误差。分别采用CNN-Grey-LSTM、CNNLSTM和带卷积积分的灰色神经网络模型(GNNMCI(1,N))建立热误差模型并进行对比分析。结果表明,与常见的神经网络相比,CNN-Grey-LSTM模型能更好适应复杂多变的数据特征和时间序列预测问题,体现出更好的预测精度与鲁棒性。展开更多
热误差是影响高精密数控机床加工精度的重要因素。为了提高机床加工精度和性能,减少机床运行中产生的热误差,文章提出一种基于热图像的灰狼优化算法(grey wolf optimization algorithm,GWOA)和双向长短期记忆神经网络(bidirectional lon...热误差是影响高精密数控机床加工精度的重要因素。为了提高机床加工精度和性能,减少机床运行中产生的热误差,文章提出一种基于热图像的灰狼优化算法(grey wolf optimization algorithm,GWOA)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)混合的热误差预测模型。首先,采用热成像仪获取机床主轴区域的温度场信息;其次,利用DBSCAN聚类(density-based spatial clustering of applications with noise)算法和相关系数法筛选出温度敏感点;然后,通过模拟灰狼群体捕食行为,在参数空间中进行搜索以找到BiLSTM所需的最优参数;最后,使用获得的机床温度敏感点和热位移数据进行热误差预测,并在试验机床上进行验证。实验结果表明,使用GWOA优化BiLSTM神经网络的预测模型相比BiLSTM神经网络预测模型的均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)分别减小了约0.5180、0.3823μm,决定系数R^(2)提升了0.0578。与BiLSTM神经网络模型相比,利用GWOA优化后的模型具有更加优良的预测性能。展开更多
文摘热误差是影响高精密数控机床加工精度的重要因素。为了提高机床加工精度和性能,减少机床运行中产生的热误差,文章提出一种基于热图像的灰狼优化算法(grey wolf optimization algorithm,GWOA)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)混合的热误差预测模型。首先,采用热成像仪获取机床主轴区域的温度场信息;其次,利用DBSCAN聚类(density-based spatial clustering of applications with noise)算法和相关系数法筛选出温度敏感点;然后,通过模拟灰狼群体捕食行为,在参数空间中进行搜索以找到BiLSTM所需的最优参数;最后,使用获得的机床温度敏感点和热位移数据进行热误差预测,并在试验机床上进行验证。实验结果表明,使用GWOA优化BiLSTM神经网络的预测模型相比BiLSTM神经网络预测模型的均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)分别减小了约0.5180、0.3823μm,决定系数R^(2)提升了0.0578。与BiLSTM神经网络模型相比,利用GWOA优化后的模型具有更加优良的预测性能。
