基于注意力机制的数控机床热误差深度学习预测方法

摘要

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点人为选取的弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化,以提高热误差模型的精度与泛化能力。该方法在对G460L型数控车床的热误差验证中表现出较高的预测精度。与基于BP神经网络、多元回归、CNN网络等热误差模型比较,本文方法在泛化性性能上表现更优。