典型文献
基于混沌演化和CNN-GRU的机床热误差建模
文献摘要：
为充分利用温度数据中时空特征的联系,提高机床热误差的预测精度,提出了一种基于卷积神经网络(convolutional neural network,CNN)和门控循环单元(gated recurrent unit,GRU)的热误差预测方法.首先,采用混沌演化(chaotic evolution,CE)重构温度测量数据的相空间,以机床整体温度信息、气候环境和工件误差特征集作为模型输入,演化出机床更深层次的信息;其次,利用CNN提取热误差与温度信息在高维空间的联系,构造具有空间特征的时序向量;最后,通过GRU捕获其时序特征并输出热误差预测值.使用该方法对机床热误差进行预测实验,并与单纯型CNN-GRU模型、CNN模型相比,在预测精度与泛化性方面具有明显优势.
文献关键词：
热误差预测;数控机床;卷积神经网络;门控时序循环单元
中图分类号：
作者姓名：
杜柳青;胡杰;余永维
作者机构：
重庆理工大学机械工程学院,重庆 400054
文献出处：
引用格式：
[1]杜柳青;胡杰;余永维-.基于混沌演化和CNN-GRU的机床热误差建模)[J].组合机床与自动化加工技术,2022(08):18-20,25
A类：
门控时序循环单元
B类：
混沌演化,GRU,热误差建模,温度数据,中时,时空特征,convolutional,neural,network,门控循环单元,gated,recurrent,unit,热误差预测,chaotic,evolution,CE,温度测量,测量数据,相空间,气候环境,工件,征集,模型输入,演化出,高维空间,有空,空间特征,时序特征,单纯型,泛化性,数控机床
AB值：
0.338922
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
