基于混沌演化和CNN-GRU的机床热误差建模

为充分利用温度数据中时空特征的联系,提高机床热误差的预测精度,提出了一种基于卷积神经网络(convolutional neural network,CNN)和门控循环单元(gated recurrent unit,GRU)的热误差预测方法。首先,采用混沌演化(chaotic evolution,CE)重构温度测量数据的相空间,以机床整体温度信息、气候环境和工件误差特征集作为模型输入,演化出机床更深层次的信息;其次,利用CNN提取热误差与温度信息在高维空间的联系,构造具有空间特征的时序向量;最后,通过GRU捕获其时序特征并输出热误差预测值。使用该方法对机床热误差进行预测实验,并与单纯型CNN-GRU模型、CNN模型相比,在预测精度与泛化性方面具有明显优势。