摘 要:由于使用現(xiàn)有預(yù)測(cè)方法進(jìn)行預(yù)測(cè)的預(yù)測(cè)結(jié)果與溫度實(shí)際值的殘差最大值>0.03 μm,預(yù)測(cè)效果差,因此本文研究立式高速數(shù)控機(jī)床熱變形誤差超前預(yù)測(cè)方法。利用卷積神經(jīng)網(wǎng)絡(luò)將溫度場(chǎng)映射至熱誤差的預(yù)測(cè)空間中,使熱變形數(shù)據(jù)作為熱誤差預(yù)測(cè)模型的輸入,還原溫度場(chǎng)。建立數(shù)控機(jī)床熱誤差預(yù)測(cè)模型,將測(cè)溫點(diǎn)的溫度數(shù)據(jù)代入模型中,可以預(yù)測(cè)熱誤差。設(shè)計(jì)分布差異的更新方法,將閾值設(shè)為作用范圍有限圓半徑的值,當(dāng)預(yù)測(cè)樣本點(diǎn)至預(yù)測(cè)結(jié)果的距離等于該閾值時(shí),系統(tǒng)輸出相應(yīng)的預(yù)測(cè)結(jié)果。試驗(yàn)結(jié)果表明,試驗(yàn)組的關(guān)鍵測(cè)溫點(diǎn)的溫度預(yù)測(cè)曲線與溫度實(shí)際值比較一致,在8個(gè)測(cè)溫點(diǎn)中計(jì)算得到的殘差最大值均為0.01 μm~0.03 μm,結(jié)果符合預(yù)期。本文方法能夠保證預(yù)測(cè)值與實(shí)際值之間偏差較小,提升預(yù)測(cè)模型的穩(wěn)定性。
關(guān)鍵詞:高速;數(shù)控機(jī)床;熱變形;誤差;超前預(yù)測(cè)
中圖分類號(hào):TP 273" " " " 文獻(xiàn)標(biāo)志碼:A
在機(jī)床高速運(yùn)轉(zhuǎn)過程中,由于內(nèi)部熱源和外部環(huán)境溫度的影響,機(jī)床結(jié)構(gòu)會(huì)產(chǎn)生熱變形,因此產(chǎn)生加工誤差。為滿足現(xiàn)代制造業(yè)的需求,須實(shí)時(shí)監(jiān)測(cè)機(jī)床關(guān)鍵部位的溫度變化,結(jié)合歷史數(shù)據(jù)和機(jī)器學(xué)習(xí)算法構(gòu)建準(zhǔn)確的預(yù)測(cè)模型。該模型不僅能夠?qū)崟r(shí)反應(yīng)機(jī)床的熱變形狀態(tài),還能夠基于當(dāng)前狀態(tài)和歷史趨勢(shì)對(duì)未來的誤差變化進(jìn)行超前預(yù)測(cè)。使用該模型可以提前了解機(jī)床熱變形誤差的變化趨勢(shì),為機(jī)床的調(diào)整和維護(hù)提供科學(xué)依據(jù)。布置足夠的測(cè)量點(diǎn),全面反映機(jī)床的熱變形情況,提高機(jī)床的加工速率和生產(chǎn)效率。由于文獻(xiàn)[1]接觸式測(cè)量技術(shù)需要在機(jī)床的關(guān)鍵部位安裝傳感器來獲取熱變形數(shù)據(jù),因此可能出現(xiàn)測(cè)量誤差,對(duì)機(jī)床的正常工作產(chǎn)生干擾,損壞測(cè)量裝置。文獻(xiàn)[2]在機(jī)床的關(guān)鍵部位安裝千分表,通過接觸來檢測(cè)機(jī)床的熱變形情況。由于需要直接與被測(cè)物體接觸,因此可能會(huì)對(duì)機(jī)床的正常工作造成干擾,甚至可能損壞測(cè)量工具或機(jī)床表面。機(jī)械式測(cè)量工具的讀數(shù)容易受到人為因素影響,可能導(dǎo)致測(cè)量誤差。綜上所述,現(xiàn)階段采用立式高速數(shù)控機(jī)床熱變形誤差超前預(yù)測(cè)方法作為研究對(duì)象,結(jié)合實(shí)際情況進(jìn)行試驗(yàn)和分析。
1 熱變形誤差超前預(yù)測(cè)
1.1 卷積神經(jīng)網(wǎng)絡(luò)輸入處理
在對(duì)立式高速數(shù)控機(jī)床進(jìn)行熱誤差實(shí)時(shí)預(yù)測(cè)的過程中,需要利用卷積神經(jīng)網(wǎng)絡(luò)將溫度場(chǎng)映射至熱誤差的預(yù)測(cè)空間中[3]。在該過程中,需要將溫度場(chǎng)作為模型的輸入,將熱誤差作為模型的輸出,得到預(yù)測(cè)結(jié)果。
因此,在建模前必須對(duì)輸入的溫度數(shù)據(jù)進(jìn)行適當(dāng)處理。運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)的輸入層進(jìn)行數(shù)控機(jī)床熱變形數(shù)據(jù)處理,將溫度數(shù)據(jù)按照通道節(jié)點(diǎn)的順序排列為一維向量,將其轉(zhuǎn)換為矩陣形式,作為熱變形圖像數(shù)據(jù)輸入。在轉(zhuǎn)換過程中,無法填充的部分會(huì)用0進(jìn)行填充。將所有溫度信息輸入模型,獲得溫度測(cè)點(diǎn)中全部機(jī)床結(jié)構(gòu)信息,提升預(yù)測(cè)模型的精度,。在實(shí)際過程中,根據(jù)測(cè)溫點(diǎn)布置,構(gòu)造1個(gè)單通道二維矩陣圖像,用于存儲(chǔ)溫度信息以及機(jī)床結(jié)構(gòu)信息。構(gòu)建1個(gè)M×N的溫度圖像,將測(cè)溫點(diǎn)的機(jī)床結(jié)構(gòu)區(qū)域映射至該圖像中。設(shè)定區(qū)域內(nèi)的像素點(diǎn)集合為k,存在的像素點(diǎn)為1,不存在的像素點(diǎn)為0。圖像中的每個(gè)像素值都反映機(jī)床的特定溫度信息[4]。在輸入過程中,設(shè)置任意時(shí)刻的溫度場(chǎng)矩陣Aij來反映任意時(shí)刻的溫度值,如公式(1)所示。
Aij={(aijcij)t} " " " " (1)
式中:aij為矩陣中的元素值;cij為元素對(duì)應(yīng)的溫度值;t為溫度場(chǎng)矩陣中的某個(gè)時(shí)刻。利用熱成像圖像獲取熱變形數(shù)據(jù),將熱變形數(shù)據(jù)用于熱誤差預(yù)測(cè)模型的輸入,使用熱成像圖像等轉(zhuǎn)換數(shù)據(jù)來還原溫度場(chǎng),保存整個(gè)溫度場(chǎng)信息。將溫度場(chǎng)中的數(shù)據(jù)映射至熱誤差的預(yù)測(cè)空間中,完成模型的輸入。
1.2 BP神經(jīng)網(wǎng)絡(luò)熱誤差超前預(yù)測(cè)建模
1.2.1 數(shù)據(jù)標(biāo)準(zhǔn)化處理
在加工過程中,數(shù)控機(jī)床需要對(duì)熱誤差進(jìn)行實(shí)時(shí)測(cè)量,基于數(shù)控機(jī)床在加工過程中溫度數(shù)據(jù)與熱誤差之間的映射關(guān)系,利用溫度數(shù)據(jù)預(yù)測(cè)熱誤差。對(duì)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,建立數(shù)控機(jī)床熱誤差預(yù)測(cè)模型[5]。利用溫度和熱誤差數(shù)據(jù)樣本對(duì)網(wǎng)絡(luò)進(jìn)行迭代學(xué)習(xí),在模型中建立非線性連接,將加工數(shù)據(jù)作為訓(xùn)練樣本集,采用歸一化方法對(duì)溫度與熱誤差數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,還原熱誤差值。其計(jì)算過程如公式(2)所示。
(2)
式中:i為元素?cái)?shù)量;max(x)、min(x)為矩陣中的最值。
1.2.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)在構(gòu)建預(yù)測(cè)模型中作用十分重要。1個(gè)精心設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠提取數(shù)據(jù)中的特征,準(zhǔn)確地映射輸入與輸出之間的關(guān)系。
輸入層是神經(jīng)網(wǎng)絡(luò)的第一層,其負(fù)責(zé)接收原始數(shù)據(jù)。在熱誤差預(yù)測(cè)模型中,輸入層節(jié)點(diǎn)數(shù)與溫度數(shù)據(jù)的維度相同。說明每個(gè)測(cè)溫點(diǎn)都將對(duì)應(yīng)1個(gè)輸入節(jié)點(diǎn),保證神經(jīng)網(wǎng)絡(luò)能夠全面捕捉溫度數(shù)據(jù)的變化。
隱藏層是神經(jīng)網(wǎng)絡(luò)的核心部分,其利用多層非線性變換來提取數(shù)據(jù)的復(fù)雜特征。隱藏層的層數(shù)和節(jié)點(diǎn)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)的性能有重要影響。隱藏層和節(jié)點(diǎn)數(shù)過多可能導(dǎo)致網(wǎng)絡(luò)過于復(fù)雜,容易出現(xiàn)過擬合現(xiàn)象;層數(shù)和節(jié)點(diǎn)數(shù)過少可能無法充分捕捉數(shù)據(jù)的非線性關(guān)系,導(dǎo)致預(yù)測(cè)精度下降。
因此,當(dāng)設(shè)計(jì)隱藏層時(shí),需要根據(jù)具體任務(wù)和數(shù)據(jù)集的特點(diǎn)進(jìn)行權(quán)衡。一種常用的方法是利用試驗(yàn)來逐步增加隱藏層的層數(shù)和節(jié)點(diǎn)數(shù),觀察網(wǎng)絡(luò)在驗(yàn)證集中的性能變化。當(dāng)性能開始下降或出現(xiàn)過擬合現(xiàn)象時(shí),可以認(rèn)為當(dāng)前的網(wǎng)絡(luò)結(jié)構(gòu)已經(jīng)足夠復(fù)雜,無須再增加隱藏層和節(jié)點(diǎn)數(shù)。
輸出層是神經(jīng)網(wǎng)絡(luò)的最后一層,其作用為輸出預(yù)測(cè)結(jié)果。在熱誤差預(yù)測(cè)模型中,輸出層只有1個(gè)節(jié)點(diǎn),即預(yù)測(cè)的熱誤差值。這個(gè)節(jié)點(diǎn)將接收來自隱藏層的輸出,并運(yùn)用線性變換和激活函數(shù)得到最終的預(yù)測(cè)結(jié)果。
激活函數(shù)是神經(jīng)網(wǎng)絡(luò)中的非線性元素,其作用是使神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)復(fù)雜的非線性關(guān)系。在BP神經(jīng)網(wǎng)絡(luò)中,常用的激活函數(shù)包括Sigmoid函數(shù)、ReLU函數(shù)等。
損失函數(shù)的作用是衡量預(yù)測(cè)值與真實(shí)值之間的差距,是神經(jīng)網(wǎng)絡(luò)的優(yōu)化目標(biāo)。在熱誤差預(yù)測(cè)模型中,常用的損失函數(shù)包括均方誤差(Mean-Square Error,MSE)和交叉熵等。這些函數(shù)能夠反映預(yù)測(cè)誤差的大小,指導(dǎo)神經(jīng)網(wǎng)絡(luò)的優(yōu)化方向。
1.2.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練與優(yōu)化輸出
對(duì)處理后的數(shù)據(jù)進(jìn)行樣本輸入,運(yùn)用BP神經(jīng)對(duì)目標(biāo)進(jìn)行訓(xùn)練,計(jì)算輸出值與預(yù)期值之間的方差。設(shè)定訓(xùn)練次數(shù)為300,將數(shù)據(jù)個(gè)體代入BP神經(jīng)網(wǎng)絡(luò)的每層節(jié)點(diǎn)中,優(yōu)化權(quán)值與參數(shù)設(shè)定,進(jìn)行反復(fù)迭代訓(xùn)練,直至訓(xùn)練結(jié)束。
在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,采用梯度下降算法進(jìn)行權(quán)重更新,如公式(3)所示。
(3)
式中:wijk為第k層第i個(gè)節(jié)點(diǎn)與第k+1層第j個(gè)節(jié)點(diǎn)之間的連接權(quán)重;λ為學(xué)習(xí)率,其作用是控制權(quán)重更新的步長(zhǎng);E為損失函數(shù),其作用是衡量預(yù)測(cè)值與真實(shí)值之間的差距;為損失函數(shù)對(duì)權(quán)重wk ij的偏導(dǎo)數(shù),衡量權(quán)重對(duì)損失函數(shù)的影響程度。
λ是1個(gè)重要的超參數(shù),其大小直接影響模型的訓(xùn)練速度和效果。學(xué)習(xí)率過大可能導(dǎo)致訓(xùn)練過程不穩(wěn)定,甚至無法收斂;學(xué)習(xí)率過小可能導(dǎo)致訓(xùn)練過程過于緩慢。因此,需要根據(jù)需求具體設(shè)置合適的學(xué)習(xí)率。
經(jīng)過訓(xùn)練后保存網(wǎng)絡(luò)權(quán)值,得到BP神經(jīng)網(wǎng)絡(luò)熱誤差預(yù)測(cè)模型,如公式(4)所示[6]。
Y=∑w[sig(wx-b)]-b' " (4)
式中:Y為熱誤差預(yù)測(cè)結(jié)果;w為不同層節(jié)點(diǎn)之間的連接權(quán)重;b為輸入節(jié)點(diǎn)的閾值;b'為輸出節(jié)點(diǎn)的閾值。將測(cè)溫點(diǎn)的溫度數(shù)據(jù)代入模型中,可以對(duì)熱誤差進(jìn)行預(yù)測(cè)。
1.3 熱誤差預(yù)測(cè)輸出
在預(yù)測(cè)過程中,樣本數(shù)據(jù)在模型中存在分布差異,導(dǎo)致數(shù)據(jù)偏差,不同類別數(shù)據(jù)在局部區(qū)域雜亂分布,發(fā)生預(yù)測(cè)錯(cuò)誤等問題。為解決這個(gè)問題,本文設(shè)計(jì)分布差異的更新方法。對(duì)更新的權(quán)值樣本進(jìn)行不斷迭代,使數(shù)據(jù)分布自適應(yīng)[7]。設(shè)定一個(gè)閾值K,在每輪預(yù)測(cè)過程中不斷迭代預(yù)測(cè)樣本的作用值。當(dāng)某個(gè)樣本的作用值低于該閾值K時(shí),該樣本將被刪除。其預(yù)測(cè)結(jié)果如公式(5)所示。
(5)
式中:S為預(yù)測(cè)結(jié)果;sj-1 xi為在j-1訓(xùn)練次數(shù)條件下點(diǎn)xi的預(yù)測(cè)結(jié)果;j為訓(xùn)練次數(shù);dist(x,xi)為點(diǎn)與之間的距離;Rmin為預(yù)測(cè)樣本距離預(yù)測(cè)結(jié)果的最小距離。
在預(yù)測(cè)過程中,以預(yù)測(cè)樣本點(diǎn)為中心界定1個(gè)區(qū)域,其是由多個(gè)預(yù)測(cè)樣本點(diǎn)組成的,以展示最有效的作用范圍。在計(jì)算過程中,只有與預(yù)測(cè)樣本點(diǎn)屬于同一個(gè)類別的數(shù)據(jù)才會(huì)判定為作用值并進(jìn)行計(jì)算[8]。將閾值設(shè)為作用范圍有限圓半徑,作用域內(nèi)的同類別樣本的作用值會(huì)保存,作用域外的會(huì)消除。因此,當(dāng)某個(gè)預(yù)測(cè)特征在空間中的某個(gè)位置重復(fù)出現(xiàn)時(shí),該位置的樣本點(diǎn)會(huì)偏離真實(shí)預(yù)測(cè)結(jié)果的數(shù)據(jù);當(dāng)預(yù)測(cè)樣本點(diǎn)的距離小于Rmin時(shí),刪除預(yù)測(cè)結(jié)果;當(dāng)預(yù)測(cè)樣本點(diǎn)的距離等于Rmin時(shí),說明該位置樣本點(diǎn)與真實(shí)預(yù)測(cè)結(jié)果相等,能夠準(zhǔn)確輸出預(yù)測(cè)結(jié)果,有效地消除偏差數(shù)據(jù)的干擾。在實(shí)際應(yīng)用中,熱誤差預(yù)測(cè)輸出可以應(yīng)用于各種加工場(chǎng)景,最大程度地減少預(yù)測(cè)偏差,使模型穩(wěn)定性更強(qiáng)。預(yù)測(cè)輸出能夠幫助工作人員提前了解預(yù)期誤差,優(yōu)化機(jī)床布局,減少熱誤差對(duì)加工的影響,進(jìn)行超前預(yù)測(cè)。
2 試驗(yàn)測(cè)試與分析
2.1 搭建試驗(yàn)環(huán)境
在試驗(yàn)準(zhǔn)備階段,根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置參數(shù),對(duì)不同測(cè)溫點(diǎn)中的數(shù)據(jù)進(jìn)行處理,使其能夠滿足在網(wǎng)絡(luò)訓(xùn)練過程中輸入樣本與預(yù)期輸出樣本需求。預(yù)測(cè)模型的參數(shù)設(shè)置見表1。
設(shè)定適當(dāng)?shù)木W(wǎng)絡(luò)層數(shù),考慮溫度數(shù)據(jù)的時(shí)間序列特性,選擇一定的網(wǎng)絡(luò)層數(shù)來獲得數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系。為保證網(wǎng)絡(luò)的訓(xùn)練效率,設(shè)置網(wǎng)絡(luò)同步時(shí)間為50步,使用歷史溫度數(shù)據(jù)來預(yù)測(cè)未來機(jī)床溫度數(shù)據(jù)變化。根據(jù)試驗(yàn)數(shù)據(jù)調(diào)整學(xué)習(xí)率,避免產(chǎn)生過擬合問題。將測(cè)溫點(diǎn)的溫度數(shù)據(jù)作為訓(xùn)練樣本,構(gòu)建溫度超前預(yù)測(cè)模型。將預(yù)測(cè)得到的溫度數(shù)據(jù)作為輸入變量,輸入至模型中進(jìn)行熱誤差的超前預(yù)測(cè)。
2.2 結(jié)果與分析
運(yùn)用立式高速數(shù)控拋光機(jī)床進(jìn)行試驗(yàn),按照模擬過程布置測(cè)溫點(diǎn)。選擇測(cè)溫點(diǎn)A1,使用不同方法進(jìn)行溫度超前預(yù)測(cè)。根據(jù)實(shí)際溫度值與預(yù)測(cè)值的曲線趨勢(shì)變化情況分析不同預(yù)測(cè)方法的具體效果。測(cè)溫點(diǎn)A1超前預(yù)測(cè)結(jié)果曲線如圖1所示。
由圖1可知,經(jīng)過測(cè)溫點(diǎn)A1溫度超前預(yù)測(cè),將不同測(cè)溫點(diǎn)中的溫度數(shù)據(jù)輸入至模型中,對(duì)比3個(gè)小組的預(yù)測(cè)結(jié)果與溫度實(shí)際值,試驗(yàn)組的關(guān)鍵測(cè)溫點(diǎn)的溫度預(yù)測(cè)曲線與溫度實(shí)際值比較一致,說明本文預(yù)測(cè)方法對(duì)溫度變化的捕捉能力準(zhǔn)確。本文方法在處理時(shí)間序列數(shù)據(jù)方面性能出色,能夠有效地利用歷史溫度信息來預(yù)測(cè)未來溫度變化趨勢(shì)。
采用立式高速數(shù)控機(jī)床在加工過程中得到的熱誤差數(shù)據(jù)樣本作為訓(xùn)練。每次機(jī)床模擬加工持續(xù)一段時(shí)間,需要對(duì)機(jī)床的熱誤差進(jìn)行同步采樣,累計(jì)時(shí)間為200 min,即樣本集的總采樣點(diǎn)數(shù)為1 800個(gè)。針對(duì)各個(gè)測(cè)溫點(diǎn)A1~A8進(jìn)行殘差值計(jì)算,統(tǒng)計(jì)殘差最大值,統(tǒng)計(jì)結(jié)果見表2。
由表2可知,運(yùn)用本文預(yù)測(cè)方法在8個(gè)測(cè)溫點(diǎn)中計(jì)算得到的殘差最大值均為0.01 μm~0.03 μm,結(jié)果符合預(yù)期要求。說明運(yùn)用本文方法進(jìn)行預(yù)測(cè)后,能夠保證預(yù)測(cè)值與實(shí)際值之間的偏差較小,提升預(yù)測(cè)模型的穩(wěn)定性。
綜上所述,本文預(yù)測(cè)模型能夠根據(jù)歷史溫度數(shù)據(jù)對(duì)溫度進(jìn)行精準(zhǔn)預(yù)測(cè),為立式高速數(shù)控機(jī)床的熱變形誤差控制提供了有力支持。本文優(yōu)化模型結(jié)構(gòu),提高預(yù)測(cè)精度,能夠滿足更多復(fù)雜場(chǎng)景中的溫度預(yù)測(cè)需求。針對(duì)各個(gè)測(cè)溫點(diǎn)進(jìn)行殘差值計(jì)算,使各個(gè)測(cè)溫點(diǎn)的殘差最大值均保持在較低水平,提升了熱誤差預(yù)測(cè)模型的有效性,立式高速數(shù)控機(jī)床熱變形誤差超前預(yù)測(cè)方法應(yīng)用良好。
3 結(jié)語
本文從誤差預(yù)測(cè)入手,深入分析立式高速數(shù)控機(jī)床熱變形等相關(guān)問題,研究立式高速數(shù)控機(jī)床熱變形誤差超前預(yù)測(cè)方法。本文構(gòu)建精準(zhǔn)的預(yù)測(cè)模型,結(jié)合實(shí)時(shí)溫度監(jiān)測(cè)數(shù)據(jù),對(duì)機(jī)床熱變形誤差進(jìn)行超前預(yù)測(cè),采取相應(yīng)的補(bǔ)償措施保證機(jī)床的加工精度。本文方法存在一些不足,例如產(chǎn)品質(zhì)量問題、訓(xùn)練樣本數(shù)量問題和機(jī)床精度問題等。未來會(huì)優(yōu)化計(jì)算過程,引入先進(jìn)的傳感器技術(shù),基于歷史數(shù)據(jù)和實(shí)時(shí)狀態(tài)對(duì)誤差趨勢(shì)進(jìn)行超前預(yù)測(cè)。本研究為機(jī)床精確加工提供支持,能夠適應(yīng)更加復(fù)雜、多變的機(jī)床運(yùn)行環(huán)境。
參考文獻(xiàn)
[1]于博,王利濤,陳志紅,等.數(shù)控機(jī)床熱變形誤差超前預(yù)測(cè)研究[J].機(jī)床與液壓,2023,51(4):75-79.
[2]楊秀芝,查吉利,徐紹勇,等.BF-850B立式高速數(shù)控機(jī)床精度檢測(cè)及誤差補(bǔ)償研究[J].機(jī)床與液壓,2022,50(22):80-83.
[3]陶浩浩,陳豐,李同杰,等.一種基于新靈敏度指標(biāo)的五軸數(shù)控機(jī)床關(guān)鍵幾何誤差辨識(shí)方法[J].儀器儀表學(xué)報(bào),2022,43(12):120-128.
[4]李淋,蔡站文,楊勇,等.數(shù)控插齒機(jī)熱誤差模塊化穩(wěn)健性預(yù)測(cè)模型建立[J].機(jī)床與液壓,2022,50(8):26-30.
[5]盧成偉,錢博增,王慧敏,等.工件分特征下的五軸數(shù)控機(jī)床關(guān)鍵幾何誤差分析與補(bǔ)償方法[J].中國(guó)機(jī)械工程,2022,33(14):1646-1653.
[6]劉闊,宋磊,陳虎,等.機(jī)理驅(qū)動(dòng)的數(shù)控機(jī)床進(jìn)給軸時(shí)變誤差建模和補(bǔ)償方法[J].機(jī)械工程學(xué)報(bào),2022,58(3):251-258.
[7]曹利,彭驥,殷鳴,等.基于MEA-BP算法的臥式加工中心主軸熱誤差建模[J].組合機(jī)床與自動(dòng)化加工技術(shù),2022(7):30-33,37.
[8]杜柳青,李祥,余永維.基于自適應(yīng)深度學(xué)習(xí)的數(shù)控機(jī)床運(yùn)行狀態(tài)預(yù)測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2022,53(1):451-458.