基于动态距离语义超图卷积网络的时空误差预测模型.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116009396A(43)申请公布日2023.04.25(21)申请号202211630038.8(22)申请日2022.12.19(71)申请人重庆大学地址400044重庆市沙坪坝区沙坪坝正街174号(72)发明人马驰桂洪泉刘佳兰王时龙(74)专利代理机构重庆航图知识产权代理事务所(普通合伙)50247专利代理师胡小龙(51)Int.Cl.G05B13/04(2006.01)权利要求书1页说明书9页附图6页(54)发明名称基于动态距离语义超图卷积网络的时空误差预测模型(57)摘要本发明公开了一种基于动态距离语义超图卷积网络的时空误差预测模型，针对空间信息包含的基于距离的信息和基于语义的信息的两种依赖关系，通过区分距离图和语义图，全面捕获空间行为，包括基于距离和基于语义的热误差信息；另外，采用语义超图卷积可以表征多个传感器节点间的依赖关系，通过构建语义超图捕捉高阶空间行为；采用动态距离图卷积表征传感器网络中传感器节点的位置随时间变化，通过构建动态距离图捕捉动态空间行为；最后，利用最小门控单元结合动态距离图和语义超图，通过动态时空超图卷积捕获热误差的动态高阶时空行为，挖掘热误差的动态时空特征，能够有效提高误差预测精度和鲁棒性。CN116009396ACN116009396A权利要求书1/1页1.一种基于动态距离语义超图卷积网络的时空误差预测模型，其特征在于：模型原理为：其中，ft表示遗忘门；Wf和Wh表示权重矩阵；σ表示Sigmoid激活函数；bf和bh表示偏置矩阵；和ht分别表示t时刻候选存储器和最终存储器的输出；ht‑1表示t‑1时刻的输出；Relu表示Relu激活函数；⊙表示两个向量的元素乘积；表示动态时空超图卷积，且：HG其中，Cov表示语义超图卷积；Cov表示动态距离图卷积；Xt表示时序数据；表示语义超图邻接矩阵；表示归一化后的自环邻接矩阵，表示自环邻接矩阵；At表示时变邻接矩阵，表示自环邻接矩阵里的元素；FC(·)表示全连接层的连接运算。2.根据权利要求1所述基于动态距离语义超图卷积网络的时空误差预测模型，其特征在于：语义超图卷积表示为：其中，WH表示语义超图的权重参数。3.根据权利要求2所述基于动态距离语义超图卷积网络的时空误差预测模型，其特征在于：语义超图邻接矩阵表示为：M×M其中，H表示关联矩阵；Dv表示顶点度矩阵；W表示对角矩阵，且W＝R，M表示超边的数量；且：Dv＝∑e∈εW(e)H(v,e)其中，v表示顶点；ε表示超边；W(e)表示对角矩阵；H(v,e)表示关联矩阵；H定义超图为G＝(V,E)，V表示顶点集，E表示超边集，每个超边ε∈E被分配权重Wεε，所有权重被存储在对角矩阵W中。4.根据权利要求1所述基于动态距离语义超图卷积网络的时空误差预测模型，其特征在于：动态距离图卷积表示为：其中，Ws表示动态距离图的权重系数。2CN116009396A说明书1/9页基于动态距离语义超图卷积网络的时空误差预测模型技术领域[0001]本发明属于机械误差控制技术领域，具体的为一种基于动态距离语义超图卷积网络的时空误差预测模型。背景技术[0002]加工过程中存在各种误差，导致加工精度降低，热误差是最重要的误差之一。为了减少热误差对加工精度的影响，现有技术中一般采用基于数据和基于仿真两种方法。基于仿真的方法包括有限元法和有限差分法，并在基于模拟的模型中引入了热接触停留时间和对流系数，以提高建模精度，但基于仿真的方法仍存在耗时且应用范围狭窄的不足。基于数据的方法是当前的技术热点，传统的数据驱动方法包括稳健岭回归、自适应回归、主成分回归和多元线性回归(MLR)等。传统的基于数据的方法分析不同传感器数据之间的相关性，但没有分析热误差的产生机理，导致预测精度较低。LSTM可以有效地捕捉热误差的时间行为，并具有良好的预测性能，但由于没有全面分析热误差的产生机理，忽略了热误差的空间行为。基于LSTM的热误差建模方法仅挖掘了测量数据的时间行为，但热误差具有时空特性。因此，还应考虑热误差的空间行为，如果不考虑误差数据的空间行为，则误差数据不受传感器网络的限制。[0003]在现有技术中，由收集的数据获得的语义图和由传感器点之间的距离获得的距离图之间没有区别，但语义图和距离图是空间行为的一部分，应该综合考虑。传统的语义图只能挖掘两个节点之间的成对空间依赖，而不能挖掘多个节点之间高阶空间依赖。此外，传统时空建模中的测量点和对象是固定的，因此生成的距离图是静态的。然而，机床的滚珠丝杠螺母在加工过程中是移动的，导致测量点随之移动，传统的静态距离图无法适用。发明内容[0004]有鉴于此，本发明的目的在于提供一种基于动态距离语义超图卷积网络的时空误差预测模型，通过构建语义超图捕捉高阶空