[发明专利]基于LSTM神经网络的轴系统热误差建模方法和热误差补偿系统

说明书

本发明公开了一种基于LSTM神经网络的轴系统热误差建模方法，包括以下步骤：1)输入轴系统随时间变化的热误差数据；2)利用VMD算法将所述热误差数据分解为K个固有模态分量及对应的中心频率；3)编码每个固有模态分量的初始时间窗口大小、批处理大小和单元数量，得到原始狼群；4)采用GWO算法优化狼群，得到具有不同时间窗口大小，不同批处理大小和不同数量单位的LSTM神经网络；5)训练LSTM神经网络以确定超参数，用最优超参数构造SLSTM网络模型，然后重构预测组件，以获得预测结果的输出，即：其中，P_i为每个预测的固有模态分量，P_r为参与成分数据，P为最终的预测结果。本发明还公开了一种基于LSTM神经网络的轴系统热误差补偿系统。

技术领域

本发明属于机械误差分析技术领域，具体的为一种基于LSTM神经网络的轴系统热误差建模方法和热误差补偿系统。

背景技术

轴系统的热膨胀具有迟滞效应，且迟滞效应对于轴系统是明显的。迟滞效应对于热误差的鲁棒建模非常重要，它会导致热膨胀温度行为的时变、非线性和非稳态特性。迟滞效应意味着当前的热致误差不仅取决于当前的输入，且对历史热效应具有记忆特性，且受历史热效应的显著影响。因此，应在轴系统的热致误差建模中考虑历史热信息对当前热误差的影响。传统的热误差模型无法应用过去的热信息，从而导致不良的预测性能和较差的鲁棒性。

长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。

发明内容

有鉴于此，本发明的目的在于提供一种基于LSTM神经网络的轴系统热误差建模方法和热误差补偿系统，利用LSTM神经网络的记忆特性来利用轴系统的先前热信息，建立考虑轴系统热膨胀迟滞效应的热误差模型。

为达到上述目的，本发明提供如下技术方案：

本发明首先提出了一种基于LSTM神经网络的轴系统热误差建模方法，包括以下步骤：

1)输入轴系统随时间变化的热误差数据；

2)利用VMD算法将所述热误差数据分解为K个固有模态分量及对应的中心频率；

3)对每个固有模态分量的初始时间窗口大小、批处理大小和单元数量进行编码，得到原始狼群；

4)采用GWO算法初始化原始狼群，得到具有不同时间窗口大小，不同批处理大小和不同数量单位的LSTM神经网络；

5)利用轴系统的热误差数据训练LSTM神经网络以确定超参数，用最优超参数构造SLSTM网络模型，然后重构预测组件，以获得预测结果的输出，即：

其中，P_i为每个预测的固有模态分量，P_r为参与成分数据，P为最终的预测结果。

进一步，所述热误差数据包括热伸长、热偏摆角和热俯仰角。

进一步，轴系统随时间变化的热伸长为：

E(x,t,T)＝(A_tt³+B_tt+C_t)·(a_xx³+b_xx+c_x)