[发明专利]一种基于深度神经网络和蒙特卡洛法的机床热误差模型可靠度计算方法

摘要

本发明提供了一种基于深度神经网络和蒙特卡洛法的机床热误差模型可靠度计算方法，属于数控机床热误差补偿领域。该方法首先根据机床热特性参数的概率分布和热误差模型，生成一组用于训练深度神经网络的数据；然后基于深度置信网络构建深度神经网络，并应用训练数据对其进行训练；接着根据机床热特性参数的概率分布得出一组随机抽样数据，并以该组随机抽样作为输入，应用训练好的深度神经网络得出输出；最后基于蒙特卡洛法计算机床热误差模型的可靠度。对于既没有明确的解析表达式，也很难得出代替多项式的机床热误差模型，通过本方法，可定量分析热特性参数变化对机床热误差模型预测效果的影响，对热误差模型的长期预测效果做出预估。

主权项

1.一种基于深度神经网络和蒙特卡洛法的机床热误差模型可靠度计算方法，其特征在于：首先，根据机床热特性参数的概率分布和热误差模型，生成一组用于训练深度神经网络的数据；然后，基于深度置信网络构建深度神经网络，并应用训练数据对其进行训练；接着，根据机床热特性参数的概率分布得出一组随机抽样数据，并以该组随机抽样作为输入，应用训练好的深度神经网络得出输出；最后，基于蒙特卡洛法计算机床热误差模型的可靠度；具体步骤如下：第一步，生成用于训练深度神经网络的数据(1)生成训练用的输入数据基于机床热特性参数的均值和异变系数C，按照式(1)计算其标准差S：根据机床热特性参数的概率分布形式，以及均值和标准差S，选取一组热特性参数的随机抽样x(i)，i＝1,2,...,n；该随机抽样即为训练用的输入数据；(2)生成训练用的输出数据根据式(2)计算机床热特性参数取均值时，机床热误差模型的平均预测残差为：式中，P为机床热误差测试的总次数，J为对机床进给轴每次测试的点数，E_c(n,m)为热特性参数取均值时第n次热误差测试时第m个测试点的预测残差值；根据式(3)计算热特性参数取值x(i)时，机床进给轴热误差模型的平均预测残差为：式中，E_Res(n，m，i)为热特性参数取值x(i)时第n次热误差测试时第m个测试点的预测残差值；设功能函数Z(i)为：式中，N为容忍度系数，当时判定机床进给轴热误差模型为“可靠”，当时判定进给轴热误差模型为“失效”；该功能函数的指示函数为：Z^I(i)＝I[Z(i)]，i＝1,2,…,n (5)式中，Z^I(i)，i＝1,2,...,n即为训练用的输出数据；第二步，深度神经网络构建和训练基于深度置信网络构建深度神经网络，该深度神经网络由M层受限玻尔兹曼机和一个BP网络构成；基于数据{x(i),Z^I(i)}，i＝1,2,...,n对构建好的深度神经网络进行训练；首先采用梯度下降法对各层受限玻尔兹曼机进行无监督训练；之后将最后一层的受限玻尔兹曼机的特征向量作为输入向量来对BP网络进行有监督训练；第三步，对机床热特性参数进行随机抽样，并计算对应的网络输出根据机床热特性参数的概率分布形式、均值和标准差S，对该参数进行随机抽样x_s(i)，i＝1,2,...,m，m的取值不小于10⁷；以x_s(i)为输入，应用训练好的深度神经网络计算对应的输出第四步，基于蒙特卡洛法计算热误差模型的可靠度基于数据按照式(6)计算机床热误差模型的失效概率为：