CN120234592A 一种基于多模态深度学习与域适应的机床热误差预测方法 （浙江大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120234592A(43)申请公布日2025.07.01

(21)申请号202510720012.XGO6N

3/0442(2023.01)

(22)申请日2025.05.30

(71)申请人浙江大学

地址310058浙江省杭州市西湖区余杭塘

路866号

(72)发明人傅建中俞丰文彭业振周文泓康为民姚鑫骅栾丛丛

(74)专利代理机构杭州天勤知识产权代理有限公司33224

专利代理师彭剑

(51)Int.CI.

GO6F18/213(2023.01)

GO6F18/25(2023.01)

GO6N3/0464(2023.01)

GO6N3/049(2023.01)

权利要求书2页

说明书8页附图4页

(54)发明名称

一种基于多模态深度学习与域适应的机床热误差预测方法

(57)摘要

CN120234592A本发明公开了一种基于多模态深度学习与域适应的机床热误差预测方法，包括：构建红外图像特征提取模块，提取红外图像数据的低维热特征；构建时空特征提取模块，提取电流、功率数据中的时空特征；构建多模态特征融合模块，将低维热特征和时空特征融合得到融合特征；构建热误差预测器，根据融合特征进行热误差预测并计算预测损失；采集不同工况的机床运行数据作为源域和目标域；经过上述步骤处理，得到源域和目标域的融合特征以及源域的预测损失；将源域和目标域的融合特征输入深度迁移学习模块，计算域对齐损失，并结合源域的预测损失构建总损失函数，对模型进行联合优化；优化完成后预

CN120234592A

获取数控机床某一工况下的红外

获取数控机床某一工况下的红外

图像、电流、功率数据以及对应

的主轴热误差

构建时空特征提取模块，基于时间卷积网络和多头自注意力提取电流、功率数据中的时空特征

构建多模态特征融合模块，基于

交叉注意力和动态门控机制得到

融合特征

构建基于DT距离的迁移学习模块，

计算源域特征和目标域特征的域

对齐损失

综合域对齐损失和预测损失对模型进行联合优化

构建红外图像特征提取模块，基

力和下采样操作提取低维热特征

构建热误差预测器，基于GRU预测热误差，并计算预渊损失

CN120234592A权利要求书1/2页

2

1.一种基于多模态深度学习与域适应的机床热误差预测方法，其特征在于，包括以下步骤：

(1)构建红外图像特征提取模块，该模块基于预训练的ConvNeXt模型对输入的红外图像数据进行处理得到热特征图，对热特征图进行下采样操作后基于多头自注意力机制捕捉时序依赖，最后基于多层1D卷积得到低维热特征Fimg;

(2)构建时空特征提取模块，该模块基于时空卷积网络和多头自注意力机制提取电流、功率数据中的时空特征Fcp;

(3)构建多模态特征融合模块，该模块将低维热特征Fimg和时空特征Fcp映射到同一维度空间后进行深度特征融合，得到融合特征Ffused;

(4)构建热误差预测器，以融合特征Ffusea作为输入，进行热误差预测，并计算热误差的预测损失；

(5)采集来自不同工况的机床运行数据分别作为源域和目标域，机床运行数据包括机床主轴的红外图像数据以及机床的电流、功率、热误差数据；将源域和目标域的机床运行数据同时经过步骤(1)~步骤(4)的处理，得到源域的融合特征、目标域的融合特征以及源域的热误差预测损失；

(6)将源域和目标域的融合特征输入基于DTW距离构建的深度迁移学习模块，计算源域和目标域的域对齐损失；并综合源域的热误差预测损失和域对齐损失构建总损失函数，对各个模块和热误差预测器进行联合优化；

(7)优化完成后，将目标域的融合特征输入热误差预测器，得到机床热误差。

2.根据权利要求1所述的基于多模态深度学习与域适应的机床热误差预测方法，其特征在于，步骤(1)中，对热特征图进行下采样操作后基于多头自注意力机制捕捉时序依赖，具体包括：

利用全局平均池化对热特征图进行下采样操作，对得到的池化后特征添加位置编码和层归一化，得到归一化后池化特征Xnormimg;

再利用多头自注意力机制捕捉归一化后池化特征Xnormimg中的时序依赖关系，并构建残差连接，