基于元学习的少样本多机床热误差时空预测新方法

《Engineered Regeneration》：A novel meta-learning-based spatio-temporal modeling approach for thermal error prediction of multiple machine tools with few labeled data

本文提出一种基于元学习（MAML）的SGAT-Transformer时空模型，通过堆叠图注意力网络（SGAT）提取热误差空间特征，结合Transformer捕获时序依赖性，有效解决了多机床在少标注数据场景下的热误差预测难题。该模型显著提升了在变工况条件下的鲁棒性和跨设备泛化能力，为精密加工领域提供了创新解决方案。

　　

亮点

本研究提出了一种结合元学习的创新时空建模框架SGAT-Transformer-MAML，用于少样本条件下的多机床热误差预测。该模型通过堆叠图注意力网络（SGAT）捕捉温度传感器网络的空间拓扑特征，利用Transformer解码器挖掘热误差的时序动态交互行为，并引入模型无关元学习（MAML）机制实现对新机床工况的快速自适应。实验表明，该方法在有限标注数据下仍能保持高预测精度与强泛化能力。

Section snippets

少样本学习（Few-shot Learning）

随着人工智能技术的迅猛发展，深度学习在多领域取得显著成就。然而，深度网络的优化依赖大量标注数据的多轮迭代，这种优化方式限制了模型在少标注数据场景下的快速泛化能力。以工业环境为例，实际数据分布往往…

SGAT-Transformer的引入

为有效表征热误差的非线性、时滞特性及空间依赖性，本研究提出名为SGAT-Transformer的新型预测模型，如图3所示。具体地，SGAT负责提取热误差的空间特征，Transformer则处理SGAT提取的空间信息并挖掘高维数据中隐藏的时序模式。该模型…

实验平台搭建

为研究立式加工中心在工况下温度场与热变形的变化规律，使用Ansys 18.2对泰德T5立式加工中心进行仿真分析。热特性分析图如图9所示。由图可知，主轴产生大量热量，导致主轴电机和内部轴承温度升高。此外，丝杠的往复运动…

模型评估指标与对比方法

采用两个指标评估模型性能：均方根误差（RMSE）和拟合优度（R²）。RMSE用于衡量预测值与真实值的偏差，R²则反映模型对观测热误差的拟合程度。公式（28）和（29）分别为两个评估指标的数学表达式：

RMSE = √[∑(y_i – ?_i)²/n]

R² = [1 – ∑(y_i – ?_i)² / ∑(y_i – ?_i)²] × 100%

选取8种对比模型进行鲁棒性与泛化能力验证…

结论

本文提出了一种基于元学习的时空模型SGAT-Transformer-MAML，用于少样本条件下的多机床热误差预测。热误差不仅呈现热滞后现象，还表现出强烈的空间依赖性。为有效捕捉热误差的空间依赖关系，提出了SGAT图神经网络；同时，利用Transformer网络捕获时序依赖性并处理时空交互效应。结合MAML元学习策略，模型在少量目标领域样本下展现出优异的自适应能力。实验证明，该方法在提升预测精度、增强模型鲁棒性和跨设备泛化性能方面均显著优于传统深度学习和迁移学习模型。