仪器仪表学报

作者：杜柳青，王煜晓，余永维

单位：杜柳青,重庆理工大学机械工程学院重庆400054,lqdu@cqut.edu.cn,王煜晓,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,weiyy@cqut.edu.cn,

关键词：运动精度;灾难性遗忘;混沌自演化;长短期记忆神经网络;增量学习

基金：国家自然科学基金（52375083）、重庆英才计划（CQYC20220207232/cstc2024ycjh-bgzxm0052）、重庆市技术创新与应用重点课题（CSTB2022TIAD-CUX0017）项目资助

基于深度学习的精度预测模型会因不能自适应新的劣化数据而产生“灾难性遗忘”现象以致逐渐失效，这是人工智能领域当前研究的热点和难点，也是制约智能装备发展的难点之一。数控机床的运动精度演化过程具有混沌特性，为此，提出一种基于混沌理论与增量学习的数控机床运动精度混沌自演化预测方法。首先，证明了数控机床运动精度的动态变化是一个复杂非线动力学系统的混沌演化过程，提出通过相空间重构恢复运动精度系统在混沌相空间中的演化轨迹。然后，建立基于深度长短时记忆网络的运动精度混沌演化模型，利用LSTM对时间序列长期依赖关系的出色捕捉能力，在混沌相空间中追踪数控机床运动精度演化轨迹的内在规律。最后，提出在混沌演化模型中引入无遗忘增量学习方法，建立运动精度混沌自演化预测模型。该模型采用联合优化方法和知识蒸馏方法来更新参数，使模型在适应新劣化数据的同时也传递旧任务的软目标，在训练新数据时解决数据集更新时的“灾难性遗忘”问题，提升长时间预测的准确性和鲁棒性。实验表明，利用提出方法进行预测的评价指标MSE、MAE和MAPE相较未加入无遗忘模块其波动幅度分别下降了70.56%、33.31%和35.77%，证明了模型预测的准确性，进一步的模块消融实验也验证了该方法在预测准确度和鲁棒性上均优于传统方法。

来源：2025年第4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4期