相关实验视频
Updated: Jul 9, 2026
10:09
Operation of the Collaborative Composite Manufacturing CCM System
Published on: October 1, 2019
7.0K
概括
这项研究引入了一种双混合神经网络,用于预测数控机床的环境参数,从而提高激光干扰度的准确性. 这种新的方法通过在动态环境中克服过时的数据来提高补偿.
科学领域:
- 计量学 计量学 计量学
- 机床工具计量学 机床工具计量学
- 人工智能在制造业中的应用
背景情况:
- 激光干扰测量对于CNC机床定位误差测量至关重要.
- 埃德伦公式使用来自环境参数的空气折射率来纠正测量.
- 当前的环境传感系统有很长的数据更新间隔,导致补偿不准确.
研究的目的:
- 开发一种用于CNC机床高时间分辨率测量补偿的新方法.
- 为了解决由于传感器更新间隔长而过时的环境补偿参数的局限性.
- 提高激光干扰度测量对环境变化的动态响应能力.
主要方法:
- 建议采用双混合神经网络方法.
- 生成对抗网络 (GAN) 剩余训练与线性插值相结合,用于快速生成数据集.
- 一种混合模型,集成长期短期记忆 (LSTM),线性回归和支持向量回归 (SVR) 来进行环境参数预测.
主要成果:
- 该方法可以快速生成高时间分辨率数据集,缩短训练时间并提高预测准确性.
- 混合模型准确地预测环境参数,填补数据缺口.
- 温度预测实现了根平均平方误差 (RMSE),低至0.011°C.
- 与传统方法相比,对1米位移的补偿精度提高了多达128nm.
结论:
- 拟议的双混合神经网络方法有效地提高了CNC机床中激光干扰度测量的动态响应和准确性.
- 这种方法克服了传统环境补偿方法的局限性,通过提供高时间分辨率的数据.
- 这些发现表明,在实现动态制造环境的精确计量学方面取得了重大进展.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
2.1K
05:47Simulation of a Scaled Assembly Process with Collaboration of a Robotic Arm and Monitoring through a Vision System for Quality Control
Published on: August 29, 2025
407
