[發明專利]基于雙向LSTM網絡的磨齒機熱誤差模型建模方法

有效

• 申請號: 202110860342.0
• 申請日: 2021-07-27
• 公開（公告）號: CN113591240B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 馬馳;劉佳蘭;桂洪泉;王時龍
• 申請（專利權）人: 重慶大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06N3/126;G06N3/06;G06N3/0442;G06N3/08;G06N7/08
• 代理公司: 重慶航圖知識產權代理事務所(普通合伙) 50247
• 代理人: 胡小龍

一種基于雙向LSTM網絡的磨齒機熱誤差模型建模方法，包括如下步驟：1)對原始熱誤差數據進行預處理；2)隨機生成鯨魚種群，判斷鯨魚種群的初始位置是否超出預設范圍；若是，則將鯨魚種群的初始位置更改為邊界；若否，則保持鯨魚種群的位置；3)建立Bi?LSTM神經網絡；4)將鯨魚種群的位置映射為Bi?LSTM神經網絡的批量大小和隱藏層神經元數量；5)將預處理后的原始熱誤差數據輸入Bi?LSTM神經網絡中，以MAE作為鯨魚優化算法的適應度；6)判斷MAE是否滿足預設要求，若否，則更新鯨魚種群的位置，若更新后的適應度小于更新前的最優適應度，則更新前的最優的位置Xsupgt;*/supgt;；7)判斷迭代次數是否達到最大值，若是，則終止迭代；若否，則令t＝t+1，循環步驟4)和步驟7)；8)輸出MAE。

技術領域

本發明屬于機械誤差分析技術領域，具體的為一種基于雙向LSTM網絡的磨齒機熱誤差模型建模方法。

背景技術

齒形磨齒機為經濟發展和國防安全做出了巨大貢獻，是實現高性能齒輪高效、高精度磨削的關鍵設備。一方面，齒輪成型磨齒機的磨削精度亟待提高，以提高高性能齒輪的幾何精度。但在磨削過程中不可避免地會產生熱誤差，阻礙了高性能齒輪的精度提高。另一方面，隨著對生產效率要求的提高，齒輪齒形磨齒機的磨削效率也越來越高。根據客戶的不同需求，齒輪成型磨齒機采用不同的工況。當工作條件發生變化時，熱行為也會發生變化。即，熱誤差對工作條件敏感。然后幾何精度的降低被進一步放大。因此應有效地減少和控制熱誤差。

熱誤差的有效控制極其困難，因為熱行為具有時變和非線性特征。目前已提出的預測和控制熱誤差的方法主要有三個發展方向，包括基于物理的方法、基于數據的方法和混合方法。基于物理的方法用于模擬機床的熱行為，確保機床具有足夠的抗熱變形能力。基于物理方法的結果雖然是準確的，但是網格劃分和有限元計算是耗時且計算量大的過程，并且特定的物理模型只能用于指定的對象。此外，由于難以獲得準確的熱源和邊界條件，導致仿真結果不準確。因此基于物理的方法不能適應復雜多變的工業場景，其應用范圍受到限制。

基于數據的方法不受專業知識的限制，易于適應工業現場應用，應用范圍廣。學者們利用統計方法建立了熱誤差與溫度的映射關系。隨著計算機計算能力的提高，統計方法正逐漸過渡到基于機器學習的方法。基于數據的方法主要依賴于魯棒性強、預測準確率高的機器學習模型，由于傳統的前饋神經網絡(FFNN)模型無法保存先前的信息，也無法很好地處理時間序列數據。在眾多神經網絡模型中，循環神經網絡(RNN)因其獨特的存儲性能而被廣泛用于處理時間序列數據。隨著不斷深入的研究，提出了長短期記憶(LSTM)神經網絡來克服RNN中梯度爆炸的缺點。隨后，雙向LSTM(Bi-LSTM)網絡因其檢測未來信息的能力而被廣泛使用，Bi-LSTM網絡可以長期存儲來自前向和后向的輸入信息。使用混合方法建立動態誤差模型，雖然可以提高其應用范圍，但仍受大規模計算的限制，無法避免實驗數據的采集。

近年來，學者們發現注意力機制可以提高LSTM網絡的預測精度，越來越多的學者熱衷于將注意力機制與LSTM網絡相結合。注意力機制是在人類視覺注意力機制的基礎上形成的，能夠獲取盡可能多的關注目標的詳細信息，并抑制無關信息。自注意力機制可以有效識別數據之間的相關性，可以突出關鍵信息，可以優化特征向量的特征。

此外，超參數始終是決定LSTM網絡模型預測性能和收斂效率的關鍵。鯨魚優化算法(WOA)以其獨特的計算穩定性、參數簡單、收斂速度快等特點，被廣泛應用于計算機、工程、經濟學等領域的非線性優化問題。然而，WOA在處理復雜優化問題時存在優化效果差、收斂速度差等缺點。而且，與其他群智能算法一樣，WOA也容易陷入局部最優。

發明內容

有鑒于此，本發明的目的在于提供一種基于雙向LSTM網絡的磨齒機熱誤差模型建模方法，以建立基于數據的齒形磨齒機熱誤差模型，并提高齒形磨齒機熱誤差的預測精度和魯棒性。

為達到上述目的，本發明提供如下技術方案：

一種基于雙向LSTM網絡的磨齒機熱誤差模型建模方法，包括如下步驟：