CN108608016A - 一种电主轴快速温升的辨识方法及其系统 - Google Patents

一种电主轴快速温升的辨识方法及其系统 Download PDF

Info

Publication number
CN108608016A
CN108608016A CN201810391539.2A CN201810391539A CN108608016A CN 108608016 A CN108608016 A CN 108608016A CN 201810391539 A CN201810391539 A CN 201810391539A CN 108608016 A CN108608016 A CN 108608016A
Authority
CN
China
Prior art keywords
temperature
root
mean
square error
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810391539.2A
Other languages
English (en)
Inventor
张涛
张卫冬
艾轶博
田锟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201810391539.2A priority Critical patent/CN108608016A/zh
Publication of CN108608016A publication Critical patent/CN108608016A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q1/00—Members which are comprised in the general build-up of a form of machine, particularly relatively large fixed members
    • B23Q1/70—Stationary or movable members for carrying working-spindles for attachment of tools or work
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0985—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明提供一种电主轴快速温升的辨识方法，包括：采集步骤：采集设置在电主轴上测温点的温度变化数据；计算步骤：根据温度变化数据计算粒子滤波的初值以及自适应性因子，并根据自适应因子计算均方根误差；输出步骤：根据均方根误差得到最短辨识时间，并在最短辨识时间下输出所确定的温升辨识曲线。本发明还提供一种电主轴快速温升的辨识系统。本发明提供的技术方案可实现高速电主轴快速温升曲线辨识的目的，具有使用方便、结果准确、操作简单、能够明显缩短辨识时间的优点。

Description

一种电主轴快速温升的辨识方法及其系统
技术领域
本发明涉及智能制造领域，特别是涉及了一种电主轴快速温升的辨识方法及其系统。
背景技术
近年来，随着中国制造2025的推进，具有深度感知、智慧决策、自动执行功能的智能装备得到快速发展，其中高速电主轴作为核心功能部件，已广泛应用于电子加工、高精密度机械加工、自动化生产线、航空航天、生物医疗等高科技行业。
电主轴是将电机转子直接固定装配于主轴，把传动链的长度缩短为零，即实现了“零传动”的高精度机电一体化产品。它主要包括主轴及轴承、电机、冷却装置、编码器等附件。它具有结构紧凑、质量轻、振动小、噪声低、响应快等优点，不但可以达到较高转速、实现大功率或大扭矩输出，同时还配有一系列调整、控制运行参数的功能，利于保障其高速运转时的精度和可靠性。
但是，电机内置导致主轴的温度不容易散去，同时，电主轴高速运转时，前后轴承摩擦发热加剧，导致温升加剧。随着智能制造的不断推进，机加工愈发向高速、高精度的方向发展，而热误差一直以来是影响加工精度的主要因素，据统计由于热误差所引起的加工误差占整个加工误差的75％左右。因此，如何有效的减少热误差是一个亟需解决的难题。而引起热误差直接原因是电主轴温度的变化，因此，研究电主轴温度的变化变得尤为重要。
目前，在电主轴的温升辨识方法上主要有几种形式。第一种是利用理论仿真——有限元分析的方法进行数值仿真，模拟出电主轴各点的温升曲线，同时计算热平衡时间及最终的稳态温度；第二种是通过对电主轴进行长时间实验，来测量出电主轴热态性能。
针对第一种方法，由于电主轴结构复杂，包含有冷却系统、润滑系统、动力系统等，此外，还有几十个零部件，致使在进行有限元仿真分析时，很多接触面的接触热阻不能确定，难以准确计算热边界条件，考虑有限元模型的复杂性、收敛性以及计算时间，需要进行模型简化，这样使得最终计算得到的电主轴热态性能不能完全符合其实际工况下的温度变化，这就使得第一种方法的可行性受到了限制。
针对第二种方法，一般情况下是通过电主轴跑合试验来测量其空转条件下达到热平衡状态，然后分析测量数据。这种方法比较费时费力，通常需要3至6个小时的跑合试验才能完成测量。对于不同转速下的每一个电主轴都要进行温升跑合试验，这样就需要消耗大量的人力物力。
因此，怎么减少测量时间，如何在较短时间内辨识出单个测量点的整个温升变化过程，提高测量的准确度以及测试效率一直是业界亟需改进的目标。
发明内容
本发明要解决的技术问题是怎么减少测量时间，如何在较短时间内辨识出单个测量点的整个温升变化过程，提高测量的准确度以及测试效率。
为解决上述技术问题，本发明的实施例提供一种电主轴快速温升的辨识方法，其中，所述方法包括：
采集步骤：采集设置在所述电主轴上测温点的温度变化数据；
计算步骤：根据所述温度变化数据计算粒子滤波的初值以及自适应性因子，并根据所述自适应因子计算均方根误差；
输出步骤：根据所述均方根误差得到最短辨识时间，并在所述最短辨识时间下输出所确定的温升辨识曲线。
优选的，所述采集步骤具体包括：
在所述电主轴的前端轴承外圈处设置一个或者多个测温点，每个测温点均安装温度传感器；
在采样间隔时间Δτ下得到n次采样数据作为采集温度变化序列，采样总时长为nΔτ，其中，
其中，1≤m≤n，r为采样点数，n为采样次数，矩阵(1)为个采集点的采样矩阵，矩阵(2)为某一采样点的温度数据。
优选的，所述计算步骤具体包括：
选择采集到的温度数据的前m次数据作为如下模型的a,b,c,d,e的初值
T＝a+b·exp(c·t)+d·exp(e·t)(3)
其中，1≤m≤n，t为时间，0≤t≤nΔτ，a,b,c,d,e为模型系数，c,e为热模态特征值)；
计算自适应因子为其中，Tr(t)m为温度测量值，为估计值；
计算采样点处的温度实测值与估计值的均方根误差σ，所述均方根误差σ的公式如下
其中，n为采样次数，Te(i)通过该测量点的温升曲线得到，Te(i)为在第i次采样时刻估计的温度值，To(i)为第i次采样时刻测量的温度值。
优选的，所述输出步骤具体包括：
在某一采样次数m下计算均方根误差σ的值，依次增加采样次数m＝m+1，并返回所述计算步骤以计算不同采样次数m下的均方根误差σ的值，直至均方根误差σ的变化趋势出现先递减后小幅度波动的情况，即均方根误差σ存在区间内的极小值(即为最小均方根误差)，所述极小值对应时间即为最短辨识时间mΔτ，并在所述最短辨识时间下输出所确定的温升辨识曲线。
另一方面，本发明的实施例还提供一种电主轴快速温升的辨识系统，其中，所述系统包括：
采集模块，用于采集设置在所述电主轴上测温点的温度变化数据；
计算模块，用于根据所述温度变化数据计算粒子滤波的初值以及自适应性因子，并根据所述自适应因子计算均方根误差；
输出模块，用于根据所述均方根误差得到最短辨识时间，并在所述最短辨识时间下输出所确定的温升辨识曲线。
优选的，所述采集模块具体用于：
在所述电主轴的前端轴承外圈处设置一个或者多个测温点，每个测温点均安装温度传感器；
在采样间隔时间Δτ下得到n次采样数据作为采集温度变化序列，采样总时长为nΔτ，其中，
其中，1≤m≤n，r为采样点数，n为采样次数，矩阵(1)为个采集点的采样矩阵，矩阵(2)为某一采样点的温度数据。
优选的，所述计算模块具体用于：
选择采集到的温度数据的前m次数据作为如下模型的a,b,c,d,e的初值
T＝a+b·exp(c·t)+d·exp(e·t)(3)
其中，1≤m≤n，t为时间，0≤t≤nΔτ，a,b,c,d,e为模型系数，c,e为热模态特征值)；
计算自适应因子为其中，Tr(t)m为温度测量值，为估计值；
计算采样点处的温度实测值与估计值的均方根误差σ，所述均方根误差σ的公式如下
其中，n为采样次数，Te(i)通过该测量点的温升曲线得到，Te(i)为在第i次采样时刻估计的温度值，To(i)为第i次采样时刻测量的温度值。
优选的，所述输出模块具体用于：
在某一采样次数m下计算均方根误差σ的值，依次增加采样次数m＝m+1，并返回所述计算模块以计算不同采样次数m下的均方根误差σ的值，直至均方根误差σ的变化趋势出现先递减后小幅度波动的情况，即均方根误差σ存在区间内的极小值(即为最小均方根误差)，所述极小值对应时间即为最短辨识时间mΔτ，并在所述最短辨识时间下输出所确定的温升辨识曲线。
本发明的上述技术方案的有益效果如下：
上述方案中，通过对采集到的电主轴上测温点的温度数据进行处理，获取测量点的温升变化曲线，减少辨识时间，获得最终稳态温度，不仅结果准确，而且操作方便简单。
附图说明
图1为本发明的实施例中一种电主轴快速温升的辨识方法流程示意图；
图2为本发明一种基于自适应粒子滤波的高速电主轴快速温升辨识的方法流程图；
图3为本发明涉及到的温度动态系统空间模型示意图；
图4为本发明中电主轴温度传感器布置的示意图；
图5为本发明辨识温升曲线与实测温升曲线对比图，仅仅利用粒子滤波得到的辨识曲线和实测曲线的对比图，其中，A1为辨识时间下的温升曲线，B1为该测温点的实测温升曲线；
图6为本发明辨识温升曲线与实测温升曲线对比图，利用自适应粒子滤波得到的辨识曲线和实测曲线的对比图，其中，A2为辨识时间下的温升曲线，B2为该测温点的实测温升曲线；
图7为本发明利用粒子滤波算法和自适应粒子滤波算法计算得到的均方根误差随辨识时间变化的曲线；
图8为本发明利用粒子滤波算法和自适应粒子滤波算法计算得到的稳态温度随辨识时间变化的曲线；
图9为PT100温度传感器采集到的各点温度变化的曲线，系列1、系列2、系列3、系列4、系列5、系列6分别代表1、2、3、4、5、6温度采集点的温度数据变化曲线。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的技术中怎么减少测量时间，如何在较短时间内辨识出单个测量点的整个温升变化过程，提高测量的准确度以及测试效率这一技术问题，提供一种一种电主轴快速温升的辨识方法及其系统。
如图1所示，本发明的实施例中一种电主轴快速温升的辨识方法流程示意图。
在步骤S1中，采集步骤：采集设置在所述电主轴上测温点的温度变化数据。
在本实施例中，所述采集步骤具体包括：
在所述电主轴的前端轴承外圈处设置一个或者多个测温点，每个测温点均安装温度传感器；
在采样间隔时间Δτ下得到n次采样数据作为采集温度变化序列，采样总时长为nΔτ，其中，
其中，1≤m≤n，r为采样点数，n为采样次数，矩阵(1)为个采集点的采样矩阵，矩阵(2)为某一采样点的温度数据，m为第m次采样，Δτ为采样间隔，n为总采样次数，TmΔτ为第m次采样时的温度值，在采样矩阵{T(t)}中，即矩阵(1)的每一列即为同一采样时间下的不同温度采样点的温度值，{T1(t)}为温度采样矩阵{T(t)}第1列的温度数据，也就是第1个温度采集点的温度数据；{Tr(t)}为温度采样矩阵{T(t)}第r列的温度数据，也就是第r个温度采集点的温度数据，即矩阵(2)；采样矩阵{T(t)}的每一行，代表在同一时刻下采集到的不同采集点处的温度数据；
如{T1(t)}为：
或者，如{T1(t)}为：
采样矩阵{T(t)}可以简化为{T(t)}＝[T1(t),T2(t),L,Tr(t)]；
以上对采集温度点的数据进行矩阵描述，主要为了下一步进行温升辨识的过程中方便数据的调用，以及为多组温度数据同时辨识做格式说明及要求。
在本实施例中，多个测温点中的多个温度传感器的安装位置可以根据工程师的经验进行选择，亦可根据电主轴出厂跑合试验采用的位置。而且所描述的采样周期Δτ尽量选择10s,20s,L 60s等方便换算(或者换算成min等单位)的采样周期。
在步骤S2中，计算步骤：根据所述温度变化数据计算粒子滤波的初值以及自适应性因子，并根据所述自适应因子计算均方根误差；
在本实施例中，所述计算步骤具体包括：
选择采集到的温度数据的前m次数据作为如下模型的a,b,c,d,e的初值
T＝a+b·exp(c·t)+d·exp(e·t)(3)
其中，1≤m≤n，t为时间，0≤t≤nΔτ，a,b,c,d,e为模型系数，c,e为热模态特征值)；
计算自适应因子为其中，Tr(t)m为温度测量值，为估计值(或者后验预测值)；
计算采样点处的温度实测值与估计值的均方根误差σ，所述均方根误差σ的公式如下
其中，n为采样次数，Te(i)通过该测量点的温升曲线得到，Te(i)为在第i次采样时刻估计的温度值，To(i)为第i次采样时刻测量的温度值。
在本实施例中，步骤S2中首先要计算粒子滤波a,b,c,d,e初值，是因为在应用粒子滤波算法之前，首先要建立温升辨识的经验模型；一般可以根据已知的系统物理知识来建立模型，也可以根据经验来建立模型。对于电主轴的温升模型可以采用系统物理知识建立温升模型，根据热模态理论推导出温升表达式T为：
式中为模型参数，bs(b1＜b2＜L＜bp)(s＝0,1,2,L,p)为热特征值；由于模型较为复杂，其内部状态参数很难测量，一般通过经验拟合的方式来建立模型参数及热特征值与温度变化间的数学模型来预测其变化趋势。
从温升表达式中可以看出，温升模型中包含的模型参数及热特征值比较多，而通过理论推理和实验发现，最终的温度极限值T∞只取决于而实验表明，从第三个特征值以后对整个温度变化的影响已经很小，为了降低模型的复杂度，减小模型参数的计算量，本发明选用三参数，两个热特征值的模型，进行预测整个温升变化过程。
根据马尔可夫氏链进行描述得出采集到的温度数据为马尔可夫序列，用某种适当的模型来描述一个实际问题，对分析研究解决该问题是非常重要的；状态空间模型就是这样一种非常重要的分析模型，在信号处理、统计学及通信雷达声呐等许多实际工程应用当中绝大多数问题都可以用动态系统状态空间模型来描述。其模型主要由一组不可观测的随时间变化的状态序列am(a,b,c,d,e模型参数和热特征值一直在更新)和一组观测序列Tr(t)构成，即运动方程和观测方程组成，其表示如下
状态转移方程：am＝f(am-1,vm)；
量测方程：Tr(t)m＝h(am,wm)；
其中：m＝1,2,3,L,n表示一个离散时间序列；
说明：由于书写复杂度的问题将am＝f(am-1,vm)代替了下式
am,bm,cm,dm,em表示mΔτ时刻系统的状态变量或者参数；
f表示系统的状态转移函数；
wm表示过程噪声序列；
Tr(t)m表示mΔτ时刻系统的量测值，即为温度测量值；
h表示系统的观测函数；
vm表示量测噪声序列，与wm互相独立不相关；
其中，上述的量测方程描述了与状态有关的噪声变量，状态转移方程可以根据马尔可夫氏链进行描述。其具体描述形式如下：
系统的状态转移概率密度函数相对于状态转移模型描述如下，
p(am|am-1)；
系统状态的观测似然概率密度相对于观测模型描述如下，
p(Tr(t)m|am)；
其温度动态系统空间模型示意图如图3。
通过观察，使用非线性最小二乘法对采集到的温升数据进行指数拟合；计算得到初值a,b,c,d,e，即粒子产生；粒子滤波算法流程可归纳为如下：
1、处置化m＝0，由先验概率密度p(a0)产生采样粒子集所有粒子的权值赋值为
2、更新权重：在m时刻更新粒子权重
3、归一化粒子权重
4、重采样
计算有效样本数目如果则根据重要性权值进行重新采样，得到新粒子集否则不进行重采样；
5、状态估计
6、判断自适应因子δm
经测量更新得到m时刻状态向量最有估计值的均值然后通过下是得到测量向量后验预测值
定义一个变量δm，表示测量值和后验预测值之间的后验残差，表达式如下：
定义一个正阈值λ。如果后验残差δm的绝对值不大于阈值λ，即|δm|≤λ，这就意味着残差是在可接受范围，后验预测值接近于测量值Tr(t)m，也就是说两个参数Q和R取值合适，不需要调整。如果δm＜-λ，意味着后验预测值大于测量值Tr(t)m，且偏差已经超过阈值λ，需要减小使其回到Tr(t)m附近。如果δm＞λ，意味着后验预测值Tr(t)m大于测量值且偏差已经超过阈值λ，需要增大使其回到Tr(t)m附近。经过这样的调整，使后验残差重新回到阈值内，即|δm_update|≤λ。
经过以上自适应因子的调节使整个温升的辨识的准确性和鲁棒性都能得到很好的提高。
7、时刻m＝m+1，转到第(2)步
根据上述描述编写程序在MATLAB建立New Script的.m文件即可得到模型参数和热特征值的变化过程，同时得到温升辨识曲线，亦可得到温升变化的模型参数和热特征值(整个模型参数和热特征值整个变化过程的平均值)；
在步骤S3中，输出步骤：根据所述均方根误差得到最短辨识时间，并在所述最短辨识时间下输出所确定的温升辨识曲线。
在本实施例中，所述输出步骤具体包括：
在某一采样次数m下计算均方根误差σ的值，依次增加采样次数m＝m+1，并返回所述计算步骤以计算不同采样次数m下的均方根误差σ的值，直至均方根误差σ的变化趋势出现先递减后小幅度波动的情况，即均方根误差σ存在区间内的极小值(即为最小均方根误差)，所述极小值对应时间即为最短辨识时间mΔτ，并在所述最短辨识时间下输出所确定的温升辨识曲线。
通过对上述方法步骤的介绍，计算得到的稳态温度时间一般在1h以内，24min左右，因此通过较短的辨识时间，就可以预判电主轴在某一工况下的整个温度变化过程，得到电主轴温度从环境温度值达到稳态之前的整个变化曲线，从而快速辨识电主轴温升特性。
在本实施例中，计算温度实测值与估计值的均方根误差σ，其中，均方根误差σ表达式为：
其中，n为采样次数，Te(i)通过该测量点的温升曲线得到，Te(i)为在第i次采样时刻估计的温度值，To(i)为第i次采样时刻测量的温度值；在步骤二中，已经阐述了计算初始状态a,b,c,d,e的值方法，该步骤主要是利用某一特定次数的采样数据计算所对应的均方根误差；
在本实施例中，主要是计算不同采样次数m下的均方根误差σ，得到均方根误差与采样时间变化关系，以及对应的模型参数及热特征值a,b,c,d,e，并且得到温升变化模型。
在某一确定采样次数m(采样时间为mΔτ)下，代入式(21)计算预测数据Te(i)与实际采集数据To(i)的均方根，改变采样次数m＝m+1，每次进行一次循环，返回到步骤二，经过步骤二、三计算得到对应的均方根误差，即随着采样次数m的增加，得到不同的采样次数m下对应的均方根误差，也就是不同采样时间mΔτ下对应的不同的均方根误差，均方根误差随着采样次数m(采样时间为mΔτ)的增加，呈现一定的变化，当采样次数m较小时，得到的温升曲线与实际的温度值拟合度较差，均方根误差也比较大，均方根误差σ会随着采样次数m的增加出现先递减后小幅度波动的趋势，即均方根误差σ存在极小值，极小值所对应的采样时间mΔτ即为最小辨识时间，该辨识时间下温升曲线即为能准确反映电主轴热态性能的曲线。此外也可以直观通过建立RSEM表格，以及绘制RSEM与时间或者采样次数的图形，来直观判断最小均方根误差时对应的最短辨识时间。
热平衡时间定义：当温度达到最大温升的95％处时，定义这一状态为热平衡状态，对应的时间为热平衡时间为稳态时间。
说明：在作均方根误差σ与采样时间或者采样次数的坐标图时，以辨识时间或者采样次数为横坐标，以均方根误差σ为纵坐标。
与现有技术相比，本发明具有如下优点：
本发明一种基于自适应粒子滤波的高速电主轴快速温升辨识的方法，通过对电主轴上采集到的温度数据进行处理，实现了快速辨识温升特性的目的，能够大幅度减少实际辨识采集温升数据的时间，缩短了在电主轴实际生产中跑和时间长的问题，此外，该发明方法只需采集温度数据，无需额外装置进行热激励即可达到辨识的目的，不仅操作简单，而且结果准确度很高。
采用上述发明方法，得到的温升辨识时间较短，一般情况下在40min以内，实验表明一般在24min左右即可达到辨识目的，从而提高电主轴在研发过程进行跑合试验的效率，节约成本。
如图4所示，对一水冷式高速电主轴做温升特性辨识，在沿电主轴的轴向分布PT100温度传感器1、2、3、4、5、6和7(测量环境温度)，安装在不同的温度测量点，8为电主轴中心主轴，其中温度传感器1、2位于主轴前轴承座9的外圆周表面，温度传感器3、4、5位于主轴箱10外表面，其中温度传感器5靠近冷却水出口，温度传感器6位于主轴后轴承座11的外圆周表面，温度传感器7采集环境温度的变化，主要为本文所提出的一种基于自适应粒子滤波的高速电主轴快速温升辨识的方法，做出恒温说明，如果环境温度不是恒温可能影响辨识效果，因为环境温度发生长时间剧烈变化相当于引入了别的热源，因此不符合辨识模型的条件。温度传感器2位于主轴前轴承座9外圆周面上，最靠近热源，温升快，且稳态温度最高，最能反映主轴热源处的温度变化，因此将温度传感器2所对应的温度测量点作为关键温升辨识点，从而用其来衡量电主轴的热态温升性能。
工况：电主轴空载，主轴转速10000r/min，环境温度24℃，采样间隔Δτ为10s，采用具体实施案例中的方法计算不同采样次数m(也就是不同采样时间mΔτ)下的均方根误差σ，其前40min结果(核心部分)如表1、2所示。其中，表1是直接采用粒子滤波的方法得到的随着采样时间的增大，均方根误差的变化值，表2是引入自适应因子δm，设定阈值，采用自适应粒子滤波算法得到的随着采样时间的增大，均方根误差的变化值。
表1粒子滤波算法计算结果
表2自适应粒子滤波算法计算结果
以下以采样时间20min，采样次数m＝120为例，计算均方根误差σ。
第一步，采集电主轴温度数据
如图4在电主轴上设置6个温度采集点(7号采集环境温度)，安装PT100温度传感器采集各点温度数据，在采样间隔为Δτ＝10s下得到各个时间下6个温度测量点的温度值，进行20min采样，采样次数m＝120，得到采样矩阵为[T1(t),T2(t),L,T6(t)]，具体为：
通过图7各个测温点温升曲线可以看出靠近电主轴热源的两个位置测量点1、2的稳态温度最高，而且温度变化幅度最大。对于测温点1、2而言，测温点2的变化相对更大，温升幅值更大，因此本发明专利以测温点2的温升数据为例，进行方法应用及说明；
对测温点2进行20min温升数据采样，采样次数m＝120，采样矩阵T2(t)为：
T2(t)＝[24.4224.41 24.4324.4224.43L 29.07 29.20]T
第二步，计算粒子滤波初值,
在本步骤中，首先利用MATLAB工具箱中的CFtool工具箱计算自适应粒子滤波算法的初值a,b,c,d,e，利用前40个采集数据进行两个指数项拟合，得a＝40.07,b＝-15.34,c＝-0.05192,d＝20.78,e＝-86.09；作为粒子滤波的初值。设定粒子数M＝400，进行实时更新a,b,c,d,e的值，即结合状态转移密度函数p(am|am-1)和观测似然概率密度p(Tr(t)m|am)，首先采用粒子滤波算法经过更新得到模型参数和热特性系数，由于粒子滤波算法本身是一种基于蒙特卡洛的算法，是一种概率估计参数算法，对于每一个参量的变化都是结合先验知识和观测结果进行不断调整，使参量达到符合一定概率区间的值，如果模型对参量较为敏感，很小的变化就会导致模型的准确度下降，而对于温度辨识模型对模型的参数较为敏感，因此引入的自适应因子δm可以很好的调节模型参数的变化幅度，引入的自适应因子是设定阈值λ＝0.05，这样以来很好的控制了变量的浮动，从图6中可以看出应用自适应粒子滤波算法的辨识曲线的波动幅度明显小于直接使用粒子滤波算法的辨识曲线的波动幅度，应用自适应粒子滤波算法最终计算得到模型参数和热特性系数。
第三步，计算均方根误差
在本步骤中，首先编写MATLAB程序将上一步中计算得到的模型参数以及热特性系数代入T＝a+b·exp(c·t)+d·exp(e·t)，将计算的结果与试验中采集到的同时刻的值相减算其均方根误差，在采样次数为m＝120时，应用得计算粒子滤波算法的均方根误差为σ＝0.81，应用自适应粒子滤波算法得均方根误差为σ＝0.477。
第四步，模型修正
本步骤中，首先计算粒子滤波算法和自适应粒子滤波算法下的不同采样时间mΔτ＝10,12,14,16,L,60(min)下的均方根误差σ，得到最小均方根误差，以及对应的a,b,c,d,e，并且得到温升变化模型；
在某一采样次数m下计算均方根误差σ的值，依次增加采样次数m＝m+12(此处采用12个数据间隔，也可以采用更小的间隔，此处目的是为了减少计算量)，返回第二步，计算不同采样次数m下的均方根误差σ的值，直至均方根误差σ的变化趋势出现先递减后小幅度波动的情况，即均方根误差σ存在区间内的极小值，从图7可以看出最小均方根误差σ＝0.415，其对应时间即为最短辨识时间mΔτ＝26min，该辨识时间下所确定的温升辨识曲线即为采集点的电主轴热态特性曲线，为：
T＝a+b·exp(c·t)+d·exp(e·t)
而在以上步骤计算中是以采样次数为变量的模型系数，又因为mΔτ＝t，时间单位s，即m＝t/10所以模型为：
T＝39.35-15.03·exp(-0.047·t)+20.12·exp(-85.2·t)。
此外，本发明的实施例还提供一种电主轴快速温升的辨识系统，其中，所述系统包括：
采集模块，用于采集设置在所述电主轴上测温点的温度变化数据；
计算模块，用于根据所述温度变化数据计算粒子滤波的初值以及自适应性因子，并根据所述自适应因子计算均方根误差；
输出模块，用于根据所述均方根误差得到最短辨识时间，并在所述最短辨识时间下输出所确定的温升辨识曲线。
优选的，所述采集模块具体用于：
在所述电主轴的前端轴承外圈处设置一个或者多个测温点，每个测温点均安装温度传感器；
在采样间隔时间Δτ下得到n次采样数据作为采集温度变化序列，采样总时长为nΔτ，其中，
其中，1≤m≤n，r为采样点数，n为采样次数，矩阵(1)为个采集点的采样矩阵，矩阵(2)为某一采样点的温度数据。
优选的，所述计算模块具体用于：
选择采集到的温度数据的前m次数据作为如下模型的a,b,c,d,e的初值
T＝a+b·exp(c·t)+d·exp(e·t)(3)
其中，1≤m≤n，t为时间，0≤t≤nΔτ，a,b,c,d,e为模型系数，c,e为热模态特征值)；
计算自适应因子为其中，Tr(t)m为温度测量值，为估计值；
计算采样点处的温度实测值与估计值的均方根误差σ，所述均方根误差σ的公式如下
其中，n为采样次数，Te(i)通过该测量点的温升曲线得到，Te(i)为在第i次采样时刻估计的温度值，To(i)为第i次采样时刻测量的温度值。
优选的，所述输出模块具体用于：
在某一采样次数m下计算均方根误差σ的值，依次增加采样次数m＝m+1，并返回所述计算模块以计算不同采样次数m下的均方根误差σ的值，直至均方根误差σ的变化趋势出现先递减后小幅度波动的情况，即均方根误差σ存在区间内的极小值(即为最小均方根误差)，所述极小值对应时间即为最短辨识时间mΔτ，并在所述最短辨识时间下输出所确定的温升辨识曲线。
本发明的上述技术方案的有益效果如下：
上述方案中，通过对采集到的电主轴上测温点的温度数据进行处理，获取测量点的温升变化曲线，减少辨识时间，获得最终稳态温度，不仅结果准确，而且操作方便简单。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种电主轴快速温升的辨识方法，其特征在于，所述方法包括：
采集步骤：采集设置在所述电主轴上测温点的温度变化数据；
计算步骤：根据所述温度变化数据计算粒子滤波的初值以及自适应性因子，并根据所述自适应因子计算均方根误差；
输出步骤：根据所述均方根误差得到最短辨识时间，并在所述最短辨识时间下输出所确定的温升辨识曲线。
2.如权利要求1所述的电主轴快速温升的辨识方法，其特征在于，所述采集步骤具体包括：
在所述电主轴的前端轴承外圈处设置一个或者多个测温点，每个测温点均安装温度传感器；
在采样间隔时间Δτ下得到n次采样数据作为采集温度变化序列，采样总时长为nΔτ，其中，
其中，1≤m≤n，r为采样点数，n为采样次数，矩阵(1)为个采集点的采样矩阵，矩阵(2)为某一采样点的温度数据。
3.如权利要求2所述的电主轴快速温升的辨识方法，其特征在于，所述计算步骤具体包括：
选择采集到的温度数据的前m次数据作为如下模型的a,b,c,d,e的初值
T＝a+b·exp(c·t)+d·exp(e·t) (3)
其中，1≤m≤n，t为时间，0≤t≤nΔτ，a,b,c,d,e为模型系数，c,e为热模态特征值)；
计算自适应因子为其中，Tr(t)m为温度测量值，为估计值；
计算采样点处的温度实测值与估计值的均方根误差σ，所述均方根误差σ的公式如下
其中，n为采样次数，Te(i)通过该测量点的温升曲线得到，Te(i)为在第i次采样时刻估计的温度值，To(i)为第i次采样时刻测量的温度值。
4.如权利要求3所述的电主轴快速温升的辨识方法，其特征在于，所述输出步骤具体包括：
在某一采样次数m下计算均方根误差σ的值，依次增加采样次数m＝m+1，并返回所述计算步骤以计算不同采样次数m下的均方根误差σ的值，直至均方根误差σ的变化趋势出现先递减后小幅度波动的情况，即均方根误差σ存在区间内的极小值(即为最小均方根误差)，所述极小值对应时间即为最短辨识时间mΔτ，并在所述最短辨识时间下输出所确定的温升辨识曲线。
5.一种电主轴快速温升的辨识系统，其特征在于，所述系统包括：
采集模块，用于采集设置在所述电主轴上测温点的温度变化数据；
计算模块，用于根据所述温度变化数据计算粒子滤波的初值以及自适应性因子，并根据所述自适应因子计算均方根误差；
输出模块，用于根据所述均方根误差得到最短辨识时间，并在所述最短辨识时间下输出所确定的温升辨识曲线。
6.如权利要求5所述的电主轴快速温升的辨识系统，其特征在于，所述采集模块具体用于：
在所述电主轴的前端轴承外圈处设置一个或者多个测温点，每个测温点均安装温度传感器；
在采样间隔时间Δτ下得到n次采样数据作为采集温度变化序列，采样总时长为nΔτ，其中，
其中，1≤m≤n，r为采样点数，n为采样次数，矩阵(1)为个采集点的采样矩阵，矩阵(2)为某一采样点的温度数据。
7.如权利要求6所述的电主轴快速温升的辨识系统，其特征在于，所述计算模块具体用于：
选择采集到的温度数据的前m次数据作为如下模型的a,b,c,d,e的初值
T＝a+b·exp(c·t)+d·exp(e·t) (3)
其中，1≤m≤n，t为时间，0≤t≤nΔτ，a,b,c,d,e为模型系数，c,e为热模态特征值)；
计算自适应因子为其中，Tr(t)m为温度测量值，为估计值；
计算采样点处的温度实测值与估计值的均方根误差σ，所述均方根误差σ的公式如下
其中，n为采样次数，Te(i)通过该测量点的温升曲线得到，Te(i)为在第i次采样时刻估计的温度值，To(i)为第i次采样时刻测量的温度值。
8.如权利要求7所述的电主轴快速温升的辨识系统，其特征在于，所述输出模块具体用于：
在某一采样次数m下计算均方根误差σ的值，依次增加采样次数m＝m+1，并返回所述计算模块以计算不同采样次数m下的均方根误差σ的值，直至均方根误差σ的变化趋势出现先递减后小幅度波动的情况，即均方根误差σ存在区间内的极小值(即为最小均方根误差)，所述极小值对应时间即为最短辨识时间mΔτ，并在所述最短辨识时间下输出所确定的温升辨识曲线。
CN201810391539.2A 2018-04-27 2018-04-27 一种电主轴快速温升的辨识方法及其系统 Pending CN108608016A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810391539.2A CN108608016A (zh) 2018-04-27 2018-04-27 一种电主轴快速温升的辨识方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810391539.2A CN108608016A (zh) 2018-04-27 2018-04-27 一种电主轴快速温升的辨识方法及其系统

Publications (1)

Publication Number Publication Date
CN108608016A true CN108608016A (zh) 2018-10-02

Family

ID=63661001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810391539.2A Pending CN108608016A (zh) 2018-04-27 2018-04-27 一种电主轴快速温升的辨识方法及其系统

Country Status (1)

Country Link
CN (1) CN108608016A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109781279A (zh) * 2019-02-28 2019-05-21 中车青岛四方机车车辆股份有限公司 列车轴箱温度监测方法及装置
CN112711832A (zh) * 2020-12-08 2021-04-27 重庆理工大学 同步发电机定子绕组温度预警与故障识别的方法与系统
CN114442557A (zh) * 2022-01-25 2022-05-06 西南交通大学 一种机床温度场快速辨识方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0078421A2 (en) * 1981-10-29 1983-05-11 KEARNEY & TRECKER CORPORATION Adaptive control system for machine tool or the like
CN101249615A (zh) * 2008-03-21 2008-08-27 江苏科技大学 一种切削温度的在线控制装置及控制方法
CN102179725A (zh) * 2011-03-17 2011-09-14 浙江大学 数控机床热特征监控测点的布置方法
CN103358180A (zh) * 2013-07-11 2013-10-23 浙江大学 一种快速辨识机床主轴热态特性的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0078421A2 (en) * 1981-10-29 1983-05-11 KEARNEY & TRECKER CORPORATION Adaptive control system for machine tool or the like
CN101249615A (zh) * 2008-03-21 2008-08-27 江苏科技大学 一种切削温度的在线控制装置及控制方法
CN102179725A (zh) * 2011-03-17 2011-09-14 浙江大学 数控机床热特征监控测点的布置方法
CN103358180A (zh) * 2013-07-11 2013-10-23 浙江大学 一种快速辨识机床主轴热态特性的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
夏晨晖: "数控机床主轴温升特性快速辨识方法及新型温控结构的研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109781279A (zh) * 2019-02-28 2019-05-21 中车青岛四方机车车辆股份有限公司 列车轴箱温度监测方法及装置
CN112711832A (zh) * 2020-12-08 2021-04-27 重庆理工大学 同步发电机定子绕组温度预警与故障识别的方法与系统
CN112711832B (zh) * 2020-12-08 2022-09-30 重庆理工大学 同步发电机定子绕组温度预警与故障识别的方法与系统
CN114442557A (zh) * 2022-01-25 2022-05-06 西南交通大学 一种机床温度场快速辨识方法及系统
CN114442557B (zh) * 2022-01-25 2023-05-12 西南交通大学 一种机床温度场快速辨识方法及系统

Similar Documents

Publication Publication Date Title
CN111414977B (zh) 机床主轴热误差建模的加权集成温度敏感点组合选取方法
CN108608016A (zh) 一种电主轴快速温升的辨识方法及其系统
CN110889091B (zh) 基于温度敏感区间分段的机床热误差预测方法与系统
CN109347405A (zh) 一种电机转子温度的估算方法及估算系统
CN108015797B (zh) 一种rv减速机传动误差在线监测方法
CN111505500B (zh) 一种工业领域基于滤波的电机智能故障检测方法
CN115033042B (zh) 基于多模态物联网的食品脱水机智能控制系统
CN109739182A (zh) 一种对冷却系统扰动不敏感的主轴热误差补偿方法
CN110472335B (zh) 基于粒子群优化算法的传感器故障诊断阈值确定方法
CN113093545B (zh) 基于能量平衡的直线伺服系统热误差建模方法及补偿系统
Dai et al. Thermal error prediction model of high-speed motorized spindle based on DELM network optimized by weighted mean of vectors algorithm
CN117313020B (zh) 一种承载式张力传感器数据处理方法
CN110686890B (zh) 在线柴油机气阀状态检测方法
CN109614722B (zh) 基于模糊逻辑的涡轴发动机全状态参数的建模方法
CN103940453A (zh) 一种提高传感器测量精度方法
CN115526424A (zh) 基于多源异类信息融合的机床主轴z向热变形预测方法
CN116400639A (zh) 一种plc采集数据智能清洗方法及系统
CN113553677B (zh) 一种含测量误差二维振动参数的燃气轮机寿命预测方法
CN112621381B (zh) 机床进给系统健康状态智能评估方法及装置
CN110686830B (zh) 在线柴油机活塞环状态检测方法
CN108646670B (zh) 一种数控机床部件温度实时预测方法
Chen et al. Spindle thermal error modeling method considering the operating condition based on Long Short-Term Memory
CN113987871A (zh) 一种航空发动机叶片损伤在线识别方法
CN106679738A (zh) 具有自诊断功能的低功耗气体流量测量电路
CN117848438B (zh) 一种气体流量高精度测量方法及热式气体质量流量计

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181002