Conv1D-MGU热误差预测模型及基于物理-数据-边缘-云构架的热误差控制系统技术方案

本发明专利技术公开了一种Conv1D

【技术实现步骤摘要】
Conv1D
‑
MGU热误差预测模型及基于物理
‑
数据
‑
边缘
‑
云构架的热误差控制系统


[0001]本专利技术属于机械误差分析
，具体的为一种Conv1D
‑
MGU热误差预测模型及基于物理
‑
数据
‑
边缘
‑
云构架的热误差控制系统。

技术介绍

[0002]极端的使用条件对加工零件的几何精度提出了极高的要求，热误差是精密机床中影响最大的误差来源。精密主轴是机床的关键部件，精密主轴发热严重，散热条件差，因此温度场分布不均衡。精密机械存在显著的热误差，迫切需要消除或实时控制热误差，以确保整机的加工精度。然而，热误差也具有复杂度高、非线性度高、耦合度高等特点。误差控制时，大量数据上传到控制平台，由于网络带宽不足，数据传输受阻，控制平台上的实时数据分析难以实现。因此，建立一个预测精度高、鲁棒性好、收敛性好的热误差模型至关重要。此外，低延迟和实时热误差控制也至关重要。
[0003]近年来，理论热误差模型(THEM)和数据驱动热误差模型(DTEM)被用于控制热误差。THEM主要基于有限元法(FEM)，FEM在设计阶段进行热特性分析和优化，以实现热平衡设计，减少热误差。THEM有效地反映了热量的产生和散发的机制，但是，THEM存在通用性差、计算效率低、收敛性差等局限性。THEM的建立非常耗时，并且需要传热和力学方面的专业知识。
[0004]为了弥补THEM的不足，DTEM成为一种很有前途的方法来减少热误差，并揭示热变形与温度之间的关系。通过应用反向传播(BP)神经网络、最小二乘支持向量机(LSSVM)、时间序列模型、长短期记忆网络 (LSTMN)和门控循环单元(GRU)，上述THEM取得了优异的成绩。然而，现有的DTEM模型并没有考虑到预测准确性、鲁棒性和收敛性之间的矛盾。因此，迫切需要设计一种预测精度高、鲁棒性强、收敛性好的预测模型。
[0005]THEM和DTEM需要大量的计算资源。云计算已被证明适合处理需要大量计算资源的问题。但是云计算决策终端距离设备终端太远，存在网络带宽不足导致系统执行效率低的问题。边缘计算的提出是为了缓解网络带宽不足造成的时间延迟，消除大容量数据传输带来的网络拥塞问题，因此，边缘计算有望提高系统效率。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种Conv1D
‑
MGU热误差预测模型及基于物理
‑
数据
‑
边缘
‑
云构架的热误差控制系统，所述的热误差预测模型能够提高热误差预测的精度，能同时提高鲁棒性和收敛性；所述的热误差控制系统能够结合边缘计算的实时性和云计算处理复杂问题的能力，进而实现数据协同和信息协同，大大提高系统效率。
[0007]为达到上述目的，本专利技术提供如下技术方案：
[0008]本专利技术首先提出了一种Conv1D
‑
MGU热误差预测模型，包括依次设置的输入层、MGU层、全连接层和输出层；
[0009]所述输入层与所述MGU层之间设有残差块，所述残差块包括主路和捷径支路，所述主路和捷径支路的一端分别与所述输入层相连、另一端与累加层相连；所述主路上设有位于所述输入层与所述累加层之间的一维卷积池化单元和一维卷积层II，所述一维卷积池化单元串联设为至少一个，所述一维卷积池化单元包括依次设置的一维卷积层Ⅰ、一维池化层和激活函数层Ⅰ；所述累加层与所述MGU层之间设有激活函数层 II，所述激活函数层II与所述MGU层之间设有展平层；
[0010]所述捷径支路上设有下采样。
[0011]进一步，所述一维卷积层Ⅰ和一维卷积层II用于提取时间序列热误差数据的特征，其卷积运算为：
[0012][0013]其中，X＝[x1,x2,
…
,x
n
]T
∈R
m
×
n
，表示热误差数据矩阵；m为误差数据的特征数；n是热误差的长度； W
c
∈R
j
×
m
表示卷积核的权重向量；j表示卷积核的长度；b
c
表示卷积层的偏差；表示两个向量之间的卷积运算；f
c
(
·
)表示卷积的激活函数；o
cm
表示第m次卷积后的输出结果。
[0014]进一步，所述一维池化层采用最大池化方法并用于压缩时间序列热误差数据的特征，其表达式为：
[0015]maxdown(o
cm
,λ)＝max(o
cm
,m≤m≤mλ)
[0016]其中，o
cm
表示一维卷积层Ⅰ的输出向量；λ表示池化步长，向量的维度通过池化层的处理被压缩到原来的1/λ。
[0017]进一步，所述MGU层的运算规则为：
[0018]u
t
＝σ(W
r
·
x
t
)
[0019][0020][0021]其中，W
r
表示可学习的权重；σ表示逻辑激活函数；x
t
表示此时节点的输入；tanh表示激活函数；
⊙
表示逐点乘法运算；表示候选隐藏层状态；h
t
表示当前时刻隐藏层输出；h
t
‑1表示上一时刻隐藏层输出； u
t
表示当前时刻遗忘门的输出。
[0022]本专利技术还提出了一种基于物理
‑
数据
‑
边缘
‑
云构架的热误差控制系统，包括物理终端、数据终端、边缘终端和云终端；
[0023]所述物理终端包括：
[0024]数据采集系统，用于采集机床设备的温度、位移、进给速度的模拟信号；
[0025]路由器，用于将所述数据采集系统采集的数据传输至所述数据终端；
[0026]所述数据终端包括数据分类管理模块、数据在线管理模块和第一数据库；
[0027]所述数据分类模块集成有：Hadoop，为数据提供有效的存储；Spark，支持重复迭代计算或多次计算，减少数据读取的IO开销，提高数据传输效率；YARN，实现数据的分类和计算资源的管理；
[0028]所述数据在线管理模块将数据分为静态数据和动态数据；
[0029]所述第一数据库用于存储数据并便于所述边缘终端和云终端调用；
[0030]所述边缘终端包括边缘工作站和第二数据库，所述边缘工作站内设有数据处理模
块和如上所述 Conv1D
‑
MGU热误差预测模型；
[0031]所述数据处理模块包括：
[0032]数据预处理模块，用于对所述数据终端输入的数据进行清洗、填充缺失数据并剔除变异数据；
[0033]A/D转换模块，用于将模拟信号转换本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种Conv1D
‑
MGU热误差预测模型，其特征在于：包括依次设置的输入层、MGU层、全连接层和输出层；所述输入层与所述MGU层之间设有残差块，所述残差块包括主路和捷径支路，所述主路和捷径支路的一端分别与所述输入层相连、另一端与累加层相连；所述主路上设有位于所述输入层与所述累加层之间的一维卷积池化单元和一维卷积层II，所述一维卷积池化单元串联设为至少一个，所述一维卷积池化单元包括依次设置的一维卷积层Ⅰ、一维池化层和激活函数层Ⅰ；所述累加层与所述MGU层之间设有激活函数层II，所述激活函数层II与所述MGU层之间设有展平层；所述捷径支路上设有下采样。2.根据权利要求1所述Conv1D
‑
MGU热误差预测模型，其特征在于：所述一维卷积层Ⅰ和一维卷积层II用于提取时间序列热误差数据的特征，其卷积运算为：其中，X＝[x1,x2,
…
,x
n
]
T
∈R
m
×
n
，表示热误差数据矩阵；m为误差数据的特征数；n是热误差的长度；W
c
∈R
j
×
m
表示卷积核的权重向量；j表示卷积核的长度；b
c
表示卷积层的偏差；表示两个向量之间的卷积运算；f
c
(
·
)表示卷积的激活函数；o
cm
表示第m次卷积后的输出结果。3.根据权利要求1所述Conv1D
‑
MGU热误差预测模型，其特征在于：所述一维池化层采用最大池化方法并用于压缩时间序列热误差数据的特征，其表达式为：maxdown(o
cm
,λ)＝max(o
cm
,m≤m≤mλ)其中，o
cm
表示一维卷积层Ⅰ的输出向量；λ表示池化步长，向量的维度通过池化层的处理被压缩到原来的1/λ。4.根据权利要求1所述Conv1D
‑
MGU热误差预测模型，其特征在于：所述MGU层的运算规则为：u
t
＝σ(W
r
·
x
t
))其中，W
r
表示可学习的权重；σ表示逻辑激活函数；x
t
表示此时节点的输入；tanh表示激活函数；
⊙
表示逐点乘法运算；表示候选隐藏层状态；h
t
表示当前时刻隐藏层输出；h
...

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