一种高速电主轴小样本热误差建模的弱监督域对抗网络制造技术

本发明专利技术公开了一种高速电主轴小样本热误差建模的弱监督域对抗网络，包括多源异构数据模块

【技术实现步骤摘要】
一种高速电主轴小样本热误差建模的弱监督域对抗网络


[0001]本专利技术涉及高速电主轴误差控制
，尤其涉及一种高速电主轴小样本热误差建模的弱监督域对抗网络
。

技术介绍

[0002]高速电主轴能够实现高精度和高效率加工，被广泛应用在航空航天
、
汽车零部件
、
电子芯片等精密加工场合
。
由于高速电主轴结构紧凑，缺乏水冷装置，导致其散热性能较差，加工过程中产生的热量会造成不同位置的温升变化，引起内部部件的热变形，并最终导致主轴前端的定位误差，从而降低加工精度
。
[0003]由热变形引起的热误差是影响加工精度的主要因素
。
相关研究表明：在精密加工过程中，热误差占总加工精度误差的
60
％
‑
80
％
。
为了减轻热误差的影响，热误差解决方案已经成为高速电主轴领域的一个重要研究方向
。
[0004]热误差解决方案主要有两种：主动抑制法和误差补偿法
。
主动抑制法是指通过恒温车间
、
冷却装置和油耗概念设计等减少热量，从根本上抑制热变形
。
误差补偿法使用数学模型来预测和补偿主轴运行过程中出现的热误差
。
主动抑制法技术壁垒和成本较高，该方法的应用受到限制，而误差补偿法由于其经济性和实用性受到了广泛推广
。
[0005]目前，随着数据和计算能力的不断提高，基于数据驱动的技术已经成为高速主轴复杂
、
非线性热行为建模的一种有效方法
。
在这种背景下，基于深度学习方法的预测性能甚至超过了传统建模方法，为此，专家学者开展了一系列研究
。
然而，基于深度学习的热误差模型存在几个缺陷：
(1)
数据可用性：深度学习方法需要大量的数据来训练有效的模型，然而，从高速电主轴中获得大量的热误差数据是具有挑战性的，特别是在现实环境中，通常只能采集到小样本的热误差数据；
(2)
缺乏泛化性：深度学习模型通常要求输入数据服从独立同分布假设，然而，变工况环境下，收集的训练和测试数据之间通常存在很大的分布差异
。
因此，训练好的模型容易出现过拟合，不能很好地适配到变工况下的热误差预测任务中；
(3)
单维度传感器信息：热误差具有耦合性，受温度
、
功率和电流等多个因素的共同影响
。
目前，大多数研究只使用温度特征来建立模型，难以全面描述热误差耦合特性
。
为了准确建立电主轴热误差模型，必须考虑所有相关因素的影响及其相互作用
。

技术实现思路

[0006]本专利技术的目的在于提出一种高速电主轴小样本热误差建模的弱监督域对抗网络，能够有效解决变工况下的域迁移和小样本建模问题，具有技术路线逻辑清晰，通用性强，易于推广等优点
。
[0007]为达此目的，本专利技术采用以下技术方案：一种高速电主轴小样本热误差建模的弱监督域对抗网络，包括多源异构数据模块
、
输入模块
、
域对抗模块和弱监督模块；
[0008]所述多源异构数据模块用于采集电主轴在不同工况下的多个关键位置的温度数据
、
功率和电流数据以及热误差数据；
[0009]所述输入模块用于根据不同工况划分源域和目标域，并在分源域和目标域两域的数据集内，分别划分训练集和测试集；
[0010]所述域对抗模块包括特征提取器
G
f
，用于提取源域和目标域的自变量的输入特征；域判别器
G
d
，用于根据提取的源域和目标域特征，采用
min
‑
max
规则和梯度反转层，混淆源域和目标域特征；热误差预测器
G
p
，用于输出源域热误差预测值；
[0011]所述弱监督模块包括目标域热误差预测器用于输出目标域热误差预测值目标域的小样本热误差数据以及计算弱监督损失函数
Loss
weakly
，并加入到总的损失函数中，进行反向传播
。
[0012]优选的，所述目标域热误差预测器的定义为：
[0013][0014]其中
g
(i)
为第
i
层的权重，
h
(i)
为第
i
层的偏置，
x
(i)
为第
i
个样本；
[0015]目标域热误差预测器的误差的定义为：
[0016][0017][0018]其中是目标域小样本实际热误差数据，是目标域小样本预测热误差数据，为目标域热误差预测器的数学表达式，为目标域热误差预测器的误差的数学定义
。
[0019]优选的，所述计算弱监督损失函数
Loss
weakly
的计算公式为：
[0020][0021]其中
MAE
为损失函数平均绝对误差，
N
为样本总数；是目标域小样本实际热误差数据，是目标域小样本预测热误差数据
。
[0022]优选的，所述多源异构数据模块采集电主轴的步骤中，选取高速电主轴多个关键位置，采用磁吸或贴片式温度传感器采集温度数据；电主轴工作时的电流和功率数据由数控系统实时记录，通过对数控系统二次开发采集电流和功率数据；电主轴工作时的热误差数据通过高精度位移传感器测量
。
[0023]优选的，所述输入模块用于根据不同工况划分源域和目标域，用作源域的数据集
包含完备的自变量数据和因变量数据；用作目标域的数据集包含完备的自变量数据，以及小样本因变量数据；输入模块用于划分训练集和测试集
。
[0024]优选的，所述特征提取器
G
f
采用多尺度卷积神经网络，特征提取器
G
f
定义为：
[0025]其中
x
(i)
为第
i
个样本，
w
(i)
为第
i
层的权重，
b
(i)
为第
i
层的偏置
。
[0026]优选的，所述域判别器
G
d
采用
min
‑
max
规则，给来自源域的数据集打上标签“0”，目标域数据集打上标签“1”，采用二分类交叉熵损失函数计算域对抗分类误差损失函数
Loss
Domain
，引入梯度反转层，在反向传播过程中对梯度自动取反，当域判别器
G
d
误差最大时，无法区分源域和目标域，成功欺骗域判别器
G
d
，使源域和目标域混淆；...

【技术保护点】

【技术特征摘要】
1.
一种高速电主轴小样本热误差建模的弱监督域对抗网络，其特征在于，包括多源异构数据模块
、
输入模块
、
域对抗模块和弱监督模块；所述多源异构数据模块用于采集电主轴在不同工况下的多个关键位置的温度数据
、
功率和电流数据以及热误差数据；所述输入模块用于根据不同工况划分源域和目标域，并在分源域和目标域两域的数据集内，分别划分训练集和测试集；所述域对抗模块包括特征提取器
G
f
，用于提取源域和目标域的自变量的输入特征；域判别器
G
d
，用于根据提取的源域和目标域特征，采用
min
‑
max
规则和梯度反转层，混淆源域和目标域特征；热误差预测器
G
p
，用于输出源域热误差预测值；所述弱监督模块包括目标域热误差预测器用于输出目标域热误差预测值目标域的小样本热误差数据以及计算弱监督损失函数
Loss
weakly
，并加入到总的损失函数中，进行反向传播
。2.
根据权利要求1所述的一种高速电主轴小样本热误差建模的弱监督域对抗网络，其特征在于，所述目标域热误差预测器的定义为：其中
g
(i)
为第
i
层的权重，
h
(i)
为第
i
层的偏置，
x
(i)
为第
i
个样本；目标域热误差预测器的误差的定义为：的定义为：其中是目标域小样本实际热误差数据，是目标域小样本预测热误差数据，为目标域热误差预测器的数学表达式，为目标域热误差预测器的误差的数学定义
。3.
根据权利要求1所述的一种高速电主轴小样本热误差建模的弱监督域对抗网络，其特征在于，所述计算弱监督损失函数
Loss
weakly
的计算公式为：其中
MAE
为损失函数平均绝对误差，
N
为样本总数；是目标域小样本实际热误差数据，是目标域小样本预测热误差数据
。
4.
根据权利要求1所述的一种高速电主轴小样本热误差建模的弱监督域对抗网络，其特征在于，所述多源异构数据模块采集电主轴的步骤中，选取高速电主轴多个关键位置，采用磁吸或贴片式温度传感器采集温度数据；电主轴工作时的电流和功率数据由数控系统实时记录，通过对数控系统二次开发采集电流和功率数据；电主轴工作时的热误差数据通过高精度位移传感器测量
。5.
根据权利要求1所述的一种高速电主轴小样本热误差建模的弱监督域对抗网络，其特征在于，所述输入模块用于根据不同工况划分源域和目标域，用作源域的数据集包含完备的自变量数据和因变量数据；用作目标域的数据集包含完备的自变量数据，以及小样本因变量数据；输入模块用于划分训练集和测试集
。6.
根据权利要求1所述的一种高速电主轴小样本热误差建模的弱监督域对抗网络，其特征在于，所述特征提取器
G
f
采用多尺度卷积神经网络，特征提取器...

【专利技术属性】
技术研发人员：刘强，马帅，陈祝云，冷杰武，张定，赵荣丽，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：