买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆大学

摘要：本发明公开了一种基于时空特征交互融合网络的高速精密机床小样本热误差预测方法，并构建时空特征交互融合网络模型，该模型包括时空特征交互块、时空特征门控融合层和残差结构。门控时间卷积与多头自注意相结合，以捕捉时间信息并整合时间特征，捕捉短期和长期关系。对于空间信息，它使用图卷积网络和多头自注意，通过空间特征融合进行集成。这种方法便于同时利用时空特征。然后，通过时空特征门控融合层处理热信息数据，使用门控机制混合信息。结果表明，所提出的时空特征交互融合网络在小样本热信息预测和热误差补偿方面显著优于其他模型。

主权项：1.一种基于时空特征交互融合网络的高速精密机床小样本热误差预测方法，其特征在于：包括如下步骤：步骤一：采用多个温度传感器采集高速精密机床的热信息数据X；将热信息数据X划分训练集Dtrain←Xtrain,Ytrain和测试集Dtest←Xtest,Ytest；步骤二：构建时空特征交互融合网络模型，所述时空特征交互融合网络模型包括1×1CNN层、串联设置的L个STFI块和时空特征融合层；所述STFI块包括并联设置的时间特征融合层和空间特征融合层，所述时间特征融合层和空间特征融合层均连接时空特征交互层；所述时间特征融合层采用GTC和TMHSA机制提取热信息数据中的时间特征并进行特征融合，所述空间特征融合层采用GCN和SMHSA机制提取热信息数据中的空间特征并进行特征融合；所述时空特征交互层进行时间特征和空间特征交互以动态调整时间特征和空间特征的重要性，并得到交互后的时间特征输出和空间特征输出；相邻两个STFI块中，上一个STFI块的时间特征输出作为下一个STFI块的空间特征融合层的输入，上一个STFI块的空间特征输出作为下一个STFI块的时间特征融合层的输入；步骤三：初始化时空特征交互融合网络模型的参数，计算空间位置邻接矩阵Asp、时间相似性邻接矩阵Ase和混合邻接矩阵Ah；i＝1；步骤四：采用1×1CNN层提取时间特征Xt和空间特征Xs；l＝1步骤五：采用GTC和TMHSA机制分别提取特征，分别得到GTC和TMHSA机制的输出和采用GCN和SMHSA机制分别提取特征，分别得到GCN和SMHSA机制的输出和步骤六：将和输入时间特征融合层，得到融合后的时间特征将和输入空间特征融合层，得到融合后的空间特征步骤七：将时间特征和空间特征输入到时空特征交互层，得到时间特征输出Tt′k和空间特征输出Ss′l；步骤八：判断当前STFI块的层数l是否等于STFI块的最大层数L：若是，则执行步骤九；若否，则将上一个STFI块的时间特征输出作为下一个STFI块的空间特征融合层的输入，将上一个STFI块的空间特征输出作为下一个STFI块的时间特征融合层的输入；令l＝l+1，执行步骤五；步骤九：将第K层STFI块输出的时间特征输出和空间特征输出，输入到时空特征融合层，得到特征融合后的时空特征步骤十：计算融合得到的时空特征与训练集中真实的时空特征Ytrain之间的损失函数；步骤十一：根据损失函数更新时空特征交互融合网络模型；步骤十二：判断当前迭代次数i是否等于预设的最大迭代次数I：若是，则执行步骤十三；若否，则令i＝i+1，执行步骤四；步骤十三：采用测试集对训练得到的时空特征交互融合网络模型的预测性能进行测试；步骤十四：采用时空特征交互融合网络模型进行热误差预测。

全文数据：

权利要求：

百度查询： 重庆大学 基于时空特征交互融合网络的高速精密机床小样本热误差预测方法与补偿系统