深度学习利用回归算法进行数据预测

机床加工过程中，因热变形产生的热误差占机床加工总误差的40%-70%。热误差值补偿是解决热误差的主流技术，如何将神经网络建模与热误差值预测结合起来，是今天介绍的重点。
本项目研究对象为立式数控加工中心，“立式”指的是主轴竖直放置，那么主轴旋转产生的热量加上主轴自身重力的影响，热形变主要集中在Z向，也就是垂直方向。

目标值：热误差值如何测量？
Z向的位移如何测量呢？项目通过采用主轴分析仪测量，主轴分析仪是一款根据电涡流原理测量位移的精密仪器，放置在主轴端面正下方，无限接近主轴的地方。测量值和热误差有什么关系呢？通过这张图很好地反映了。

那么任意时刻i的测量值Li，和主轴停机初始状态下的测量值L1的差值，极为热误差值，

在明确我们的目标值如何测量的情况下，我们接着介绍“多源异构数据”是哪些物理量。
“多源异构数据”如何测量？
本项目的数据，还有8温度数据，主轴功率、电流数据。
研究热误差补偿，必不可少的就是温度了，温度如何测量呢？采用磁吸式或者贴片式温度传感器，安装在主轴及主轴外壳8各不同的位置，具体如下：
温度传感器布置完后，再由数据采集卡，将数据汇总至上位机PC端，由PC端二次开发，读取8个温度数据。
至于主轴功率、电流，熟悉机床的应该知道，可以通过数控系统二次开发实时读取数据，这两个数据容易获得。采集到的数据都是“野生数据”，要对数据预处理才能使用。

3.数据预处理
3.1 统一采集频率
项目中各数据的采集频率都不一样，例如，温度的采集频率为：0.01s/次，功率和电流的读取频率为：0.001s/次，Z向热形变量60s/次，因此，要统一各数据的采集频率。项目设计频率为：60s/次。

3.2 明确自变量和因变量，并对自变量归一化和标准化
回归问题的实质是寻求自变量x到因变量y的映射关系，

由于多源异构数据量纲不一致，有的数据10000，有的数据0.001，如果不做预处理直接输入模型，很容易导致模型训练过久，以及难以收敛。因此，归一化和标准化十分重要。归一化和标准化代码如下：

    #将数据标准化，自变量需做预处理，标签项不需要#减去特征平均值，再除以标准差，得到特征平均值为0，标准差为1mean=train_data.mean(axis=0)train_data-=meanstd=train_data.std(axis=0)train_data/=std#测试数据必须以训练数据的均值和标准差进行变换，这样两者的变换才一致test_data-=meantest_data/=std

4.ANN模型搭建
由于本项目数据集较少，一共1905组数据。数据维度（1905，11），划分输入值后的数据维度：（1905，10），输出数据维度：（1905，1）。
训练集：[ ：1600]，测试集：[1600：]
那么为什么没有验证集呢？
小数据集在建模时，要采用交叉验证的方式进行。
项目采用K折交叉验证，其中k取4。一般情况下k为4或5。
K折交叉验证代码如下：

for i in range(k):print('第几折：'+str(i))#验证集val_data=train_data[i*num_val_samples:(i+1)*num_val_samples]val_targets=train_targets[i*num_val_samples:(i+1)*num_val_samples]#训练集x_train_data=np.concatenate([train_data[:i*num_val_samples],train_data[(i+1)*num_val_samples:]],axis=0)y_train_targers=np.concatenate([train_targets[:i*num_val_samples],train_targets[(i+1)*num_val_samples:]],axis=0)model=build_model()#verbose=0代表训练时用的是静默模式history=model.fit(x=x_train_data,y=y_train_targers,validation_data=(val_data,val_targets),epochs=num_epochs,batch_size=1,verbose=1)#保存验证的平均绝对误差val_mae_history=history.history['val_mae']all_val_mae_histories.append(val_mae_history)#计算所有轮次中K折验证分数的平均值average_mae_history=[np.mean([x[i] for x in all_val_mae_histories]) for i in range(num_epochs)]

采用keras深度学习框架搭建3层ANN网络模型，模型层数如下：

代码如下：

def build_model():model=models.Sequential()model.add(layers.Dense(units=64,activation='relu',input_shape=(10,)))model.add(layers.Dense(units=64,activation='relu'))#回归问题的输出问题不需要激活函数，默认就为恒等函数model.add(layers.Dense(units=1))#损失函数使用均方误差 监控指标使用平均绝对误差model.compile(optimizer='rmsprop',loss='mse',metrics=['mae'])return model

接着就是训练模型，评估模型了，模型评估指标如下：

在迭代100次后，发现验证集在第57次具有最小mae，

取epoch=57，训练模型，验证集的表现为：

我们发现，test_ mae_score = 0.002059，这是什么意思呢？
要注意，本文热形变测量值单位是毫米（mm），这是什么意思呢？比如真实值是100mm，回归的预测误差为0.0025mm，这个效果就很好了。
因此，通过本项目可以发现，深度学习对于热误差预测、补偿都具有很高的精度。
当然在本文最后，要感谢深度学习大师，本文不少代码都是借鉴他的这篇“Keras深度学习（4）-回归问题之预测房价”

深度学习利用回归算法进行数据预测相关推荐

AI公开课：19.05.29 浣军-百度大数据实验室主任《AutoDL 自动化深度学习建模的算法和应用》课堂笔记以及个人感悟
AI公开课:19.05.29 浣军百度大数据实验室主任<AutoDL 自动化深度学习建模的算法和应用>课堂笔记以及个人感悟导读浣军博士,汉族,1975年出生于江苏苏州, ...
深度学习中的算法学习与记忆，利用故事联想帮助大家记忆，每个人都会
大家好,我是微学AI,大家看过我的文章,想必是对深度学习有了一定的了解了,但是对于初学者来说,深度学习中有很多名词和数学知识.原理还是不太清楚,记忆的不牢固,用起来不熟练,今天就给大家讲一个故事,让大 ...
基于深度学习的多目标跟踪算法（上）：端到端的数据关联
©PaperWeekly 原创 · 作者|黄飘学校|华中科技大学硕士生研究方向|多目标跟踪最近基于深度学习的多目标跟踪算法越来越多,有用于特征提取的,有改进单目标跟踪器的,也有提升数据关联的.如 ...
“交通·未来”第10期：基于深度学习的动态系统复杂数据建模方法：以铁路列车晚点预测为例...
前一阵公众号正式推出了"交通·未来"系列线上公益学术活动等你来~, 9月21日晚19:00,我们将迎来活动的第10期. 1.讲座主题基于深度学习的动态系统复杂数据建模方法:以铁路 ...
基于机器学习与深度学习的金融风控贷款违约预测
基于机器学习与深度学习的金融风控贷款违约预测目录一.赛题分析 1. 任务分析 2. 数据属性 3. 评价指标 4. 问题归类 5. 整体思路二.数据可视化分析 1. 总体数据分析 2. 数值型数 ...
三维图形几何变换算法实验_基于深度学习的三维重建算法综述
点击上方"计算机视觉life",选择"星标" 快速获得最新干货 00 前言目前,三维重建技术已在游戏.电影.测绘.定位.导航.自动驾驶.VR/AR.工业制造以 ...
三维重建几何方法深度学习_三维重建算法综述|传统+深度学习方式
作者:CJB Date:2020-2-21 来源:基于深度学习的三维重建算法综述欢迎加入国内最大的3D视觉交流社区,1700+的领域从业者正在共同进步~ 00 前言 01 基于传统多视图几何的三维重 ...
视觉感知——深度学习之YOLOv3算法
视觉感知--深度学习之YOLOv3算法 1. 传感器融合 2. 深度学习算法 2.1 卷积神经网络CNN 2.2 YOLO算法 3. YOLO v3算法实践 3.1 官方数据集参考 3.2 环境配置 ...
基于深度学习技术的电表大数据检测系统
基于深度学习技术的电表大数据检测系统人工智能技术与咨询来源:< 人工智能与机器人研究> ,作者方向关键词: 智能电表:数据分析:深度学习时序模型: 摘要: 随着我国电厂不断发展,我国 ...

深度学习利用回归算法进行数据预测

深度学习利用回归算法进行数据预测相关推荐

最新文章

热门文章