文献

J-GLOBAL ID：202202213318170307   整理番号：22A0439719

深層残差LSTMネットワークによる移動学習ベース熱誤差予測と制御【JST・京大機械翻訳】

Transfer learning-based thermal error prediction and control with deep residual LSTM network

著者 (8件)： Liu Jialan (College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400044, China) ,  Liu Jialan (State Key Laboratory of Mechanical Transmission, Chongqing University, Chongqing 400044, China) ,  Ma Chi (College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400044, China) ,  Ma Chi (State Key Laboratory of Mechanical Transmission, Chongqing University, Chongqing 400044, China) ,  Gui Hongquan (College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400044, China) ,  Gui Hongquan (State Key Laboratory of Mechanical Transmission, Chongqing University, Chongqing 400044, China) ,  Wang Shilong (College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400044, China) ,  Wang Shilong (State Key Laboratory of Mechanical Transmission, Chongqing University, Chongqing 400044, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 237  ページ： Null  発行年： 2022年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 熱的誤差は複雑な部品の高精度加工を深刻に妨げる支配的な因子である。弱いロバスト性と低い予測精度は,常に,データベースのモデルの幅広い利用に対する障壁であった。ロバスト性を改善するために,転送学習ベースの誤差制御法を本研究で提案する。誤差メカニズムモデリングを行い,熱誤差のメモリ挙動を実証し,誤差予測のための長い短期メモリネットワーク(LSTMN)の適用性を証明した。次に,改良最小二乗法(ILMS)を提案して,高周波ノイズをフィルターにかけ,特異値を除去した。事前活性化残留ブロックを設計し,深い残留LSTMN(DRLSTMN)に埋め込んだ。DRLSTMNのハイパーパラメータを最適化するため,カオス初期化戦略,微分突然変異オペレータ,および非線形制御因子に基づいて,差分スポットハイエナ最適化アルゴリズム(DSHOA)を提案した。次に,ILMS-DSHOA-DRLSTMN誤差予測モデルを工作機械#1のために提案した。移動学習モデルを,ロバスト性を強化するためにILMS-DSHOA-DRLSTMNに基づく工作機械#2のために確立した。ILMS-DSHOA-DRLSTMN,ILMS-DSHOA-LSTMN,ILMS-back伝播ネットワーク(ILMS-BP),ILMS-多重線形回帰分析(ILMS-MLRA),ILMS-最小二乗サポートベクトルマシン(ILMS-LSSVM),ILMS-CNNs-LSTM(ILMS-CL),ILMS-ディープキャリブレーション(ILMS-DC)の伝達学習モデルの予測能力は,それぞれ98.37%,97.95%,97.60%,94.51%,95.41%,96.02%,96.43%,96.06%であった。ILMS-LCNs-LSTM(ILMS-CL),ILMS-CNNs-LSTM(ILMS-CL),ILMS-DCNs-DC(ILMS-DC)は,それぞれ98.37%,97.95%,97.60%,94.51%,95.41%,96.02%,96.43%,96.06%であった。最後に,実際の加工実験を行った。熱誤差が移動学習モデルで制御されるとき,D1とD2の幾何学的誤差に対する変動範囲は,それぞれ[-4μm,4μm]と[-3μm,3μm]である。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  最小二乗法 ,  最適化 ,  *学習 ,  学習モデル ,  工作機械 ,  データベース ,  オペレータ ,  *ネットワーク ,  最適化手法 ,  *残差 ,  突然変異 ,  カオス ,  ロバスト性 ,  予測モデル

著者キーワード (5件)： 工作機械 ,  熱誤差 ,  エラー補償 ,  温度上昇 ,  スピンドルシステム

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： 深層 ,  残差 ,  LSTMネットワーク ,  学習 ,  熱誤差 ,  予測