29、利用前馈神经网络预测机床热特性的研究

利用前馈神经网络预测机床热特性的研究

1. 引言

如今，人工智能的应用理念已渗透到经济的各个领域。在机床加工领域，基于人工神经网络的机床温度误差补偿系统对于实现数控机床的加工精度至关重要。据估计，使用这类系统可将机床的温度误差降低多达 80%，在某些情况下效率更高。

然而，人工神经网络也存在三个基本问题：用于网络训练的实验数据库、寻找神经元权重的优化程序以及人工神经网络架构的多样性。这些问题引发了对人工智能方法与传统方法有效性的质疑。因此，有必要研究基于神经网络模型构建数控机床热特性的稳定性。

2. 问题解决方法

尽管人工神经网络架构多样，但实践表明，具有一个隐藏层神经元的前馈网络在解决逼近和预测问题时相当有效。

• 神经网络架构 ：采用的多层前馈网络由三层组成：输入层、一个隐藏层和一个输出层。输入信号仅向前传播，使用反向传播算法训练网络，隐藏层中的每个神经元都具有 S 形激活函数。
• 机床热模型特征 ：机床的热稳定性问题可通过其热特性来解决。不考虑滞后时，机床轴承系统特定点的温度位移热特性可表示为：
  [
  \delta_n(t_j) = \sum_{k = 1,4,\cdots,3m - 2} x_{k,n}(1 - e^{-t_j/x_{k + 1,n}}) + \sum_{k = 1,4,\cdots,3m - 2} x_{k + 2,n}e^{-t_j/x_{k + 1,n}}, n \to X, Y, Z, j = 1, \cdots, L
  ]
  其中，(x_{k,i})、(x_{k