仪器仪表学报

作者：杜柳青，崔楷华，余永维，徐凯

单位：杜柳青,重庆理工大学机械工程学院重庆400054,lqdu@cqut.edu.cn,崔楷华,重庆理工大学机械工程学院重庆400054,,余永维,重庆理工大学机械工程学院重庆400054,,徐凯,重庆理工大学机械工程学院重庆400054,

关键词：运动误差;混沌吸引子;迁移学习;深度学习;溯因

基金：国家自然科学基金(52375083)项目、重庆市教育委员会科学技术研究重大项目(KJZD-M202501102)资助

数控机床运动误差信号呈现强非线性、非平稳特性，且标记数据稀缺。传统研究难以有效分离和准确识别误差源，为此提出一种基于混沌吸引子与迁移学习的数控机床运动误差溯因模型。首先，基于相空间重构将数控机床圆运动误差的一维时序信号映射至混沌相空间，恢复运动误差的混沌吸引子相图，提取表征不同误差源内在动力学机制的混沌吸引子结构特征，利用其与潜在误差源的强关联性为误差源辨识提供基础。然后，针对不同运动误差混沌吸引子相互重叠、尺度特征相差大导致溯因精度不高的问题，提出基于改进FasterR-CNN的误差源深度学习溯因模型，引入ResNet50和特征金字塔网络，提升对混沌吸引子的识别能力。最后，为了解决数控机床标记样本稀缺的难题，引入迁移学习，基于模型迁移策略，在COCO2017源域上充分训练模型，冻结浅层网络结构，将知识有效迁移至运动误差混沌吸引子相图分类数据目标域，显著提升模型在数据匮乏下的溯因能力。设置交并比为0.5时，所提模型对4类典型运动误差：伺服不匹配、反向越冲、反向间隙和周期误差的平均精度值分别达到98.80%、99.64%、97.58%和99.97%。实验分析表明：数控机床的运动误差能被混沌吸引子有效表征；本模型在各种误差因素条件下均表现出良好的误差源辨识精度，并具有很强的鲁棒性。

来源：2025年第12期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第12期