STO-TCN热误差预测模型建模方法及其迁移学习方法技术

本发明专利技术公开了一种STO

【技术实现步骤摘要】
STO
‑
TCN热误差预测模型建模方法及其迁移学习方法


[0001]本专利技术属于机械误差分析
，具体的为一种STO
‑
TCN热误差预测模型建模方法及其迁移学习方法。

技术介绍

[0002]机床的结构变形会影响零件的加工精度。需要在需要一些苛刻的条件下在短时间内完成误差预测和补偿：例如，当转速从6000m/min提高到23000m/min时，要求机床主轴精度小于3μm。而且，在影响机床加工精度的所有误差项中，热误差是主要误差项。误差控制对于提高加工零件的几何精度至关重要。对于机床来说，影响机床热误差的热源有很多，包括电机、轴承、滚动导轨、滚珠丝杠和环境温度等，其中，主轴是对热误差有重大影响的关键部件。减少热误差的方法很多，主要分为以下三类：温度控制法、误差预防法和误差补偿法。温控方法把温升作为导致热误差的直接原因，该方法通过控制温升来减少热误差，实施成本高，技术实施难度大；同时，温度传递的滞后导致温度控制的滞后，所以它不是减少热误差的最佳选择。误差预防法通过在设计和制造阶段选择合理的机床材料和设计，降低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种STO
‑
TCN热误差预测模型建模方法，其特征在于：包括如下步骤：1)初始化燕鸥优化算法(STO)的参数，随机生成燕鸥的初始位置；判断燕鸥的初始位置是否超出预设范围，若是，则将燕鸥的初始位置改为边界；若否，则保持燕鸥的初始位置不变；2)创建TCN神经网络，将燕鸥的初始位置映射为TCN神经网络的批处理大小和滤波器数量；3)以热误差数据训练TCN神经网络后、利用TCN神经网络预测热误差，以热误差数据的热误差实际值和由TCN神经网络预测得到的热误差预测值之间的平均绝对误差(MAE)视为适应度函数；4)判断平均绝对误差(MAE)是否小于设定阈值；若是，则以当前燕鸥位置映射得到的批处理大小和滤波器数量作为TCN神经网络的最佳超参数；若否，则更新燕鸥优化算法(STO)的参数，并将更新参数后的燕鸥优化算法(STO)的搜索结果与之前的最优解进行比较，若更新参数后的搜索结果的适应度小于之前的最优解的适应度，则以更新参数后搜索到的位置P
st
(z+1)替换之前最优解的位置P
best
(z)；5)判断迭代次数是否达到最大值，若是，则终止迭代，以平均绝对误差(MAE)最小时的燕鸥位置映射得到的批处理大小和滤波器数量作为TCN神经网络的最佳超参数；若否，则迭代次数加1，并将更新后的燕鸥位置映射为TCN神经网络的批处理大小和滤波器数量后，循环执行步骤3)；6)以燕鸥优化算法(STO)得到的批处理大小和滤波器数量作为TCN神经网络的最佳超参数，构建得到STO
‑
TCN热误差预测模型。2.根据权利要求1所述的STO
‑
TCN热误差预测模型建模方法，其特征在于：所述步骤3)中，将热误差数据以监督学习算法处理后，再作为TCN神经网络的训练集和测试集。3.根据权利要求1所述的STO
‑
TCN热误差预测模型建模方法，其特征在于：所述步骤4)中，燕鸥优化算法(STO)参数的更新方法如下：C
st
＝S
A
*P
st
(z)M
st
＝C
B
*(P
best
(z)
‑
P
st
(z))C
B
＝0.5*R
and
D
st
＝C
st
+M
st
其中，P
st
(z)是燕鸥的当前位置；z是迭代时间；C
st
是燕鸥在不相互碰撞的情况下的位置；C
B
是一个随机变量；M
st
是当前位置向最优位置移动的过...

【专利技术属性】
技术研发人员：马驰，刘佳兰，桂洪泉，王时龙，
申请(专利权)人：重庆大学，
类型：发明
国别省市：