基于数据增强的长期短期内存轮网格的准确性和错误补偿
Fucong Liu1, Luyang Zou2, Ze Cao2,3
1Tianjin High-end Intelligent Machine Tools Engineering Research Center, Tianjin University of Technology and Education, No 1310, Dagu South Road, Tianjin, 300222, People's Republic of China. 21202058@qq.com.
Scientific reports
|April 19, 2025
概括
本研究介绍了用于精密轮制造的数据增强长期短期记忆 (DA-LSTM) 模型. 该模型有效地弥补了复杂,不均的轮网格错误,以降低计算成本实现高精度.
科学领域:
- 机械工程 机械工程
- 制造业 制造技术 制造技术
- 人工智能的人工智能
背景情况:
- 传统的轮错误补偿方法与不均的网格和高计算成本相斗争.
- 现有的技术缺乏适应复杂轮成形过程的适应性.
研究的目的:
- 用先进的机器学习开发一种用于制造高精度轮的新方法.
- 解决非均网格场景中传统错误补偿的局限性.
主要方法:
- 实现一个数据增强长期短期记忆 (DA-LSTM) 模型.
- 集成自适应数据增强与LSTM架构用于错误预测.
- 优化工具轨迹和轮成形过程参数的优化.
主要成果:
- 实现了轮的GB5级加工精度 (GB/T 10095-2008 五级).
- 与基线方法相比,计算成本降低了40%.
- 在不同不均的网格条件下证明了卓越的预测准确性.
结论:
- DA-LSTM 模型为高精度轮制造提供了高效和适应性的解决方案.
- 这种方法克服了传统方法在复杂,非理想的网格环境中的局限性.
- 为先进的轮制造工艺提供了一条新的技术途径.
更多相关视频
08:17An Additive Manufacturing Technique for the Facile and Rapid Fabrication of Hydrogel-based Micromachines with Magnetically Responsive Components
Published on: July 18, 2018
7.1K
09:04A Modeling and Simulation Method for Preliminary Design of an Electro-Variable Displacement Pump
Published on: June 1, 2022
3.0K
