基于LSTM-GRU神经网络的机床主轴回转误差分离降噪研究

来源：计量学报杂志2024年第11期北京时间：

作者：迟玉伦,李希铭,朱文博,余建华

单位：上海理工大学机械工程学院,上海200093

摘要：频域三点法是分离主轴回转误差的常用方法,其误差分离精度受被测信号中噪声的影响较大,不适当的降噪方法会使测试结果失真。为此,提出了基于LSTM-GRU神经网络的机床主轴回转误差分离降噪方法。首先,使用经遗传算法优化的传感器夹角搭建测试系统并对主轴回转误差进行数据信号采集。然后,配置卡尔曼滤波器对3个传感器信号进行降噪,通过三点法分离出同步误差和异步误差。最后,使用LSTM-GRU模型分别对同步误差和异步误差降噪,并将该模型降噪结果与LSTM-LSTM双层神经网络降噪、卡尔曼滤波和小波阈值降噪和结果对比,分别计算其Allan方差来评价不同方法的降噪效果。实验结果显示,使用该LSTM-GRU模型降噪后的同步误差Allan方差为2.014×10-8mm2,异步误差Allan方差为3.967×10-8mm2,均小于卡尔曼滤波、小波阈值降噪和LSTM-LSTM双层神经网络降噪结果。LSTM-GRU模型的降噪效果最优,被测主轴在转速为6000r/min时的同步误差为2.42μm,异步误差为3.21μm,符合实际情况。

关键词：几何量计量;主轴回转误差;频域三点法;LSTM-GRU;传感器夹角优化

基金资助：国家自然科学基金(51605294)