申请/专利权人：重庆大学

申请日：2022-10-20

公开（公告）日：2024-06-28

公开（公告）号：CN115616978B

主分类号：G05B19/408

分类号：G05B19/408;G06N3/0442;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2023.02.10#实质审查的生效;2023.01.17#公开

摘要：本发明公开了一种基于SQ‑LSTMA的热误差预测模型，包括编码器和解码器；所述编码器内设有第一LSTM网络，所述第一LSTM网络包括串联连接并用于输入误差序列数据的LSTM单元；所述解码器包括串联连接的至少一个第二LSTM网络，且所述编码器和解码器之间设有注意力单元。本发明还提出了一种基于SQ‑LSTMA的热误差预测方法和热误差控制系统。本发明基于SQ‑LSTMA的热误差预测模型、预测方法和控制系统，能够反应当前热误差对历史热误差的依赖性，并应具有利用LT和ST记忆信息的能力，其鲁棒性和预测精度优于传统的时间序列模型。

主权项：1.一种基于SQ-LSTMA的热误差预测方法，其特征在于：包括如下步骤：步骤一：采集热误差数据，将采集得到的热误差数据处理为热误差序列数据；所述热误差数据是时间序列和非线性数据，传热方程为： 其中，k表示流过面积元件的热量与温度变化率之间的比例因子；Tx,t表示随位置和时间变化的温度；x和t分别表示主轴的轴向位置和工作时间；c表示材料的比热容；ρ表示材料的密度；自由端设置为坐标原点，主轴的自由端处于自由散热状态；边界条件表示为： 其中，T0表示环境温度；A表示横截面面积；q表示热通量；h表示对流系数；传热方程的解满足可伸缩性，即：vx,t＝Tλx,λ2t其中，vx,t表示温度；λ是非零常数；温度响应解为： 热误差为： 其中，α表示热伸长系数；τ表示积分算子；L表示主轴长度；0时刻的热误差为：ΔL0＝0Δt时刻的热误差为： 2Δt时刻的热误差为： kΔt时刻的热误差为： kΔt时刻的热误差表示为时间k-1Δt时刻的历史热误差函数和以运行时间t为自变量的固定函数的累积；热误差ΔLkΔt与ΔLk-1Δt、ΔL2Δt、ΔLΔt和ΔL0的历史热误差密切相关；步骤二：对热误差序列数据进行归一化处理，将热误差数据压缩到[0，1]范围内；步骤三：将热误差序列数据处理成数据矩阵，并将热误差序列数据输入经过训练后的基于SQ-LSTMA的热误差预测模型中进行热误差预测；步骤四：对预测结果进行反归一化处理并输出预测结果；所述基于SQ-LSTMA的热误差预测模型包括编码器和解码器；所述编码器内设有第一LSTM网络，所述第一LSTM网络包括串联连接并用于输入误差序列数据的LSTM单元，且：encoderoutput,h0,C0＝encoderx1,x2,…,xn其中，encoderoutput表示编码器输出；encoderg表示编码器运算函数；x1,x2,…,xn表示误差序列数据；h0表示第一LSTM网络的隐藏层输出向量；C0表示第一LSTM网络的记忆单元的输出向量；所述解码器包括串联连接的至少一个第二LSTM网络，且所述编码器和解码器之间设有注意力单元，且：decoderinputi＝attentiondecoderouputi-1,C0hi＝attentionh0,decoderinputi-1Ci＝C0decoderouputi＝decoderdecoderinputi-1,hi,Cidecoderinput0＝encoderoutput其中，decoderinputi表示第i个第二LSTM网络的输入向量；decoderouputi表示第i个第二LSTM网络的输出向量；decoderinputi-1表示第i-1个第二LSTM网络的输入向量；decoderouputi-1表示第i-1个第二LSTM网络的输出向量；attentiong表示注意力单元的运算函数；hi表示从编码器中输出带有短期记忆的隐藏层序列，并且经过注意力处理后输入解码器中LSTM网络中；Ci表示从编码器中输出带有长期记忆的单元状态序列；i为大于等于1的正整数。

全文数据：

权利要求：

百度查询： 重庆大学 基于SQ-LSTMA的热误差预测模型、预测方法和控制系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD