基于ONT-GCN时空模型的热误差预测模型及建模方法和霾-边-雾-云误差补偿系统技术方案

本发明专利技术公开了一种基于ONT

【技术实现步骤摘要】
基于ONT
‑
GCN时空模型的热误差预测模型及建模方法和霾
‑
边
‑
雾
‑
云误差补偿系统


[0001]本专利技术属于机械误差分析
，具体的为一种基于ONT
‑
GCN时空模型的热误差预测模型及霾
‑
边
‑
雾
‑
云误差补偿系统。

技术介绍

[0002]机械传动是装备制造业的基础，蜗轮是机械传动中最常见和最基本的零件之一。蜗轮的几何精度受加工系统多源误差的影响。几何误差和热误差是两个最重要的误差。对于蜗轮加工机床来说，影响热误差的热源很多，包括电机、轴承、滚动导轨、滚珠丝杠等。主轴是对热误差影响显着的关键部件。减少热误差的方法主要有以下三种：(1)温度控制方法；(2)热误差预防方法；(3)热误差补偿方法。温度控制方法通过控制热误差来减少热误差，但实施成本高，技术实施难度也高；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。热误差预防方法在设计和制造阶段选择合理的材料和机床结构设计，从而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ONT
‑
GCN时空模型的热误差预测模型，其特征在于：所述ONT
‑
GCN神经网络的表达式为：f
t
＝δ(W
f
[h
t
‑1,f(A,X
t
)]+b
f
)i
t
＝δ(W
i
[h
t
‑1,f(A,X
t
)]+b
i
)o
t
＝δ(W
o
[h
t
‑1,f(A,X
t
)]+b
o
))cumax(
·
)＝cumsum(softmax(
·
))))))))h
t
＝o
t
*tanh(c
t
)其中，f
t
表示遗忘门；i
t
表示输入门；o
t
表示输出门；表示主遗忘门；表示主输入门；h
t
‑1表示前一个单元的输出值，与f(A,X
t
)结合增加三个门的权重，X
t
表示特征序列，A表示邻接矩阵，f(A,X
t
)表示X
t
经过图卷积之后的序列；表示
t
时刻临时单元的内存状态；c
t
‑1表示t
‑
1时刻临时单元的内存状态；c
t
表示内存在
t
时刻的单元状态；W
f
、W
i
、W
c
和W
o
表示权重矩阵；b
f
、b
i
、b
c
和b
o
表示偏置向量；
σ
表示激活函数；h
t
表示
t
时刻的隐藏状态；和分别表示和的权重矩阵；和分别表示和的偏置向量；comsum表示求和的函数；w
t1
、w
t2
和w
t3
分别表示高等级、中等级和低等级，其中，w
t1
*c
t
‑1存储低等级信息，受当前输入信息的影响；存储高等级信息，受历史信息影响；存储中等级信息，受当前输入信息和历史信息影响；f(A,X
t
)表示X
t
经过图卷积之后的序列，并作为ON
‑
LSTMN模型的输入向量，且：其中，I表示单位矩阵；A表示邻接矩阵；X表示特征序列；W0表示第一层的权重参数；σ表示激活函数；热误差预测模型需要时空特性，因此，热误差的时空预测可以表示为传感器网络G与特征序列X
t
之间映射关系f的学习，下一时刻T的热误差序列可以表示为：[X
t+1
,,X
t+T
]＝f(G；(X
t
‑
n
,,X
t
‑1,X
t
))其中，n表示历史时间序列的长度。2.一种基于ONT
‑
GCN时空模型的热误差预测模型的建模方法，其特征在于：包括如下步骤：11)构建传感器网络：在机床上布置温度传感器和位移传感器，并将各个传感器分别标
记在机床的三维模型上；12)生成时空图数据集：需要两个条件来预测当前节点的热误差信号，分别为：
①
位移测量点的历史热误差信号；
②
相邻传感器的位置和历史信号；传感器网络的空间特征由邻接矩阵表征，邻接矩阵为：其中，w
i,j
表示边权重，与节点i和节点j的位置有关；δ表示控制w
i,j
分布的阈值；d
i,j
为节点i和节点j之间的距离，是机床三维模型上测量得到的；13)构建如权利要求1所述基于ONT
‑
GCN时空模型的热误差预测模型；14)以邻接矩阵和传感器的时间数据作为热误差预测模型的输入，预测热误差。3.一种霾
‑
边
‑
雾
‑
云误差补偿系统，其特征在于：包括霾计算层、边缘计算层、雾计算层和云计算层；所述霾计算层包括：温度传感器：用于测量温度；位移传感器：用于测量位移；采集卡：用于采集所述温度传感器和位移传感器测量得到的温度信号和位移信号；树莓派：所述树莓派上连接有用于将温度...

【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：