基于自适应深度学习的数控机床运行状态预测方法

针对机床状态动态标签及差异化分布数据下的预测适应性差与准确度低问题,结合时序特征关系和模型融合方法,建立自适应混合深度学习模型进行机床状态预测。首先,通过融合最小近邻分类器,设计一种基于权值累积的自适应更新法则,建立具有数据自适应性的状态预测模型。在此基础上,提出一种基于中心损失函数的特征距离度量优化策略,构建综合决策损失函数,确保模型有效融合。在提出的一种组合收敛准则基础上,采用BBPT方法训练优化模型,对测试数据进行了验证。实验结果表明,该模型能够自适应动态标签及差异化分布数据,准确预测数控机床状态类别,抗干扰强,响应快。在GPU模式下预测时间最短仅需100 ms,较BP和LSTM分类网络,预测准确率和实时性均显著提高。     

基于注意力机制的时空卷积数控机床热误差模型研究

为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism, AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。     

基于时序深度学习的数控机床运动精度预测方法

由于数控机床精度演化规律难以通过数学建模分析,提出了一种基于时序深度学习网络的数控机床运动精度建模与预测方法。基于长短时记忆网络建立时序深度学习预测模型,利用相空间重构原理构建模型时序输入向量,采用多层网格搜索方法选择最优隐含层层数、隐含层节点数等模型参数,以BPTT方法训练模型;模型自动提取运动精度时间序列的时空特征,挖掘精度时间序列前后关联信息,对运动精度变化趋势进行预测。实验结果表明,基于时序深度学习网络的预测模型能够准确预测数控机床精度的衰退趋势,预测的最大相对误差不大于7. 96%,优于传统方法。     

基于混沌相空间重构的数控机床运动精度预测

针对难以通过数学建模方法分析数控机床运动精度演化规律的问题,提出了基于混沌相空间重构理论的数控机床运动精度非线性演化预测方法。采用平均互信息法计算延迟时间,以虚假最近邻点法计算最小嵌入维数,对数控机床运动精度的一维时间序列进行相空间重构,获得与原系统拓扑同构的状态空间。基于混沌系统内在的规律性和有序性,用相点轨迹描述运动精度在相空间中的演化规律,以相点的多维分量构成输入向量,以运动精度预测值为输出向量,构造了基于RBF神经网络的非线性预测模型。引入了量子粒子群方法对预测模型参数进行优化,得到RBF预测网络的中心点、宽度及连接权值的全局最优值,采用优化后的模型对数控机床运动精度演化趋势进行了预测。实验结果表明,基于混沌相空间重构的预测模型,可以很好地追踪数控机床运动精度的演变趋势和规律,有较高的预测精度。     

基于并联深度信念网络的数控机床热误差预测方法

针对基于传统浅层网络理论的热误差数学模型存在适应性、鲁棒性差的问题,提出一种基于并联深度信念网络的数控机床热误差预测与补偿方法。建立一种基于3个子深度信念网络并联的深度学习预测模型,各子深度信念网络具有相同的网络结构、不同的权值参数,并共享输入层的限制玻尔兹曼机;构建基于预测误差的并联深度网络结构,确定每个RBM隐含层的神经元数量;提出初始权值共享的并联深度网络训练方法,采用对数散度无监督学习方法预训练模型中的1个深度信念网络,其他深度信念网络共享该初始权值,并用反向传播算法分别微调生成各子深度信念网络的最优权值。实验结果表明,预测的主轴热误差均方根误差为2.2μm,在提高预测准确性的同时,显著提高了热误差补偿的适应性和鲁棒性。     

基于深度学习特征的铸件缺陷射线图像动态检测方法

针对X射线检测中铸件微弱缺陷误检率和漏检率高的问题,提出一种基于选择性注意机制和深度学习特征匹配的缺陷动态跟踪检测方法。基于射线图像序列,采取帧内注意区域检测消除漏检、帧间深度学习特征匹配跟踪排除误检的策略。在帧内检测阶段,提出通过中央-周边梯度搜索方法模拟生物视觉的中央-周边差运算,根据梯度阈值直接检测各可疑缺陷区域,无需分割出缺陷本身。在帧间跟踪阶段,借鉴人类大脑视觉感知系统的深度学习层次结构,建立基于卷积神经的深度学习网络,可疑缺陷区域灰度信号直接作为输入,自动抽取表征可疑缺陷区域的本质特征信息,组成深度学习特征矢量。定义基于欧氏距离的特征矢量相似度,通过连续图像中可疑缺陷区域的相似度匹配实现缺陷跟踪,以消除噪声等伪缺陷。实验结果表明,基于深度学习特征匹配方法的铸件缺陷图像动态检测,误检率和漏检率均低于3%,缺陷检测准确率超过97%,证明了所提方法的有效性。     

基于深度自编码器的大型龙门加工中心热误差建模方法

为提高热误差模型的预测能力,提出一种基于深度学习方法的数控机床热误差建模方法。利用模糊聚类法和灰色关联度分析法选取温度变量的热敏感点,采用深度自编码器（Stacked automatic encoder, SAE）网络从选出的输入样本中提取特征,构建特征集,然后使用遗传优化算法（Genetic optimization algorithm, GA）对BP神经网络参数进行寻优,从而提出一种基于SAE-GA-BP的数控机床热误差建模方法。以某大型龙门五面加工中心为实验对象,研究并选择了加工中心加工过程中的主要误差源——主轴热误差进行补偿,对主轴热误差深度学习模型和多元回归模型进行了分析对比。结果表明,在预测精度方面所提出的建模方法优于传统多元回归模型,从而验证了该建模方法的可行性和有效性。     

基于视觉显著度的射线图像微小缺陷提取方法

为实现射线图像复杂大背景下微小目标检测,研究强噪声、大灰度梯度下微小缺陷的分割方法。提出面向射线图像的视觉显著度模型,模拟人眼视觉注意机制,采用线扫描及自适应中央-周边差策略,以视觉显著度为尺度,通过特征图计算与融合、显著图获取等算法,从射线图像复杂背景中分割出注意区域;进一步通过显著度竞争标记排序各注意区域,并根据显著度阈值识别可疑缺陷区域,由此减少图像数据处理量,排除射线图像其他部分的干扰。提出以显著图上可疑区域的注意焦点为种子点,基于各点显著度的区域生长分割方法,实现了可疑区域图像中微小缺陷目标的准确提取。在复杂大背景X射线图像的实验中,准确提取出含有未知缺陷目标的区域,对微小目标的分割取得了较好效果,准确率达到96.1%,比传统方法高8%以上,证明了所提方法的有效性和适应性。     

深度学习框架下融合注意机制的机床运动精度劣化预示

数控机床运动精度衰退是一个动态的演化过程。为尽早发现数控机床潜在的失效风险，挖掘蕴含在各类监测数据序列中的运动精度演化特征，在深度门控循环网络（Gated recurrent unit，GRU）框架下，提出了一种融合注意机制的数控机床运动精度劣化预示方法。为了克服传统深度卷积神经网络不能学习时序特征的缺陷，采用深度编码器-解码器框架，提出基于深度GRU的运动精度深度学习建模方法，以数据驱动，自动挖掘运动精度与振动、温度、电流等状态信号时间序列的时空特征，预测运动精度，根据预测曲线对机床劣化趋势进行预示。为了增强主要状态信号和关键时间点的信息表达，提高精度劣化预测的准确性，提出一种在深度学习框架中融合注意机制的方法，建立状态参量的注意网络，计算振动、温度等状态信号与机床精度间关联程度，自动调整各信号的权值；进一步，建立时序注意网络自主选取精度劣化历史信息关键时间点，以提升较长时间段预示的准确性。实验结果表明，基于深度学习网络与注意机制的预示模型可以很好地追踪数控机床运动精度的劣化趋势和规律，有较高的预测精度，优于传统方法。     

基于多元混沌时间序列的数控机床运动精度预测

为了解决有限长度且含有噪声时的单元精度时间序列相空间重构中的信息丢失问题,提出了基于多元混沌时间序列的数控机床运动精度预测方法。首先,引入多元相空间技术,将多个精度特征量时间序列映射到高维相空间,建立多元精度状态空间。然后采用主成分分析法,对高维相空间实现降维,去除冗余。最后,构建一种小波神经网络模型,将重构信息输入到预测模型中训练,实现对数控机床运动精度的预测。实验表明,该方法能够很好地分析数控机床运动精度变化规律,比单元混沌时间序列方法有更好的预测效果,且适应性和实用性更强。