CN112528551A - 一种双伺服刀架的频率可靠性评估方法 - Google Patents
一种双伺服刀架的频率可靠性评估方法 Download PDFInfo
- Publication number
- CN112528551A CN112528551A CN202011134356.6A CN202011134356A CN112528551A CN 112528551 A CN112528551 A CN 112528551A CN 202011134356 A CN202011134356 A CN 202011134356A CN 112528551 A CN112528551 A CN 112528551A
- Authority
- CN
- China
- Prior art keywords
- double
- reliability
- tool rest
- servo tool
- formula
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000035945 sensitivity Effects 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000010998 test method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000009977 dual effect Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 238000013016 damping Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000010206 sensitivity analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种双伺服刀架的频率可靠性评估方法,采用有限元法对双伺服刀架建立了参数化模型并进行模态分析,利用改进的拉丁超立方试验方法随机抽取大量试验样本,并采用BP神经网络对试验样本进行函数关系的拟合,最后分别采用随机摄动法求解双伺服刀架整机频率可靠度与随机变量的可靠性灵敏度,通过对各随机变量的可靠性灵敏度分析可知刀盘密度、弹性模量和刀盘内座内径对刀架整机频率可靠度的影响较大,可以通过优化这些参数的方法来提高双伺服刀架频率可靠性。
Description
技术领域
本发明涉及可靠性评估领域,特别是一种双伺服刀架的频率可靠性评估方法。
背景技术
目前国内外众多学者在对可靠性设计与评估方法、频率可靠性以及数控机床及其零部件的可靠性设计方面取得了较多成果。在可靠性设计与评估方法方面,Huang XZ提出了一种用截断随机变量评价齿轮机构运动精度可靠性的新方法,建立了齿轮机构可靠性分析的数学模型。对实际应用进行了讨论,并详细分析了该方法的有效性。随后,针对二次多项式曲面的失效概率无法求解的问题,一种利用鞍点近似进行可靠性分析的二阶可靠性方法被提出了,并通过三个数值算例,比较了所提出的二阶可靠性方法与一阶可靠性方法、常规二阶可靠性方法和蒙特卡罗模拟方法的性能。Nguyen N提出一种既考虑间歇性影响,又考虑低惯性影响的高贯穿风力发电系统可靠性评估新方法,此方法是利用离散卷积方法开发的,在IEEERTS-79系统上进行了实现,并做了适当的修正。XuJ提出了一种新的二元降维方法(BDRM),用于统计力矩评估和结构可靠性分析,还利用已有的一些方法证明了该方法的优越性。结果表明,所提出的方法可以保持结构可靠性分析的精度和效率。在频率可靠性分析方面,ZhangYM根据频率可靠性理论,提出了一种计算机械结构在动态激励下的可靠度的方法,并通过数值实例验证了该方法的有效性和准确性。LeiM采用随机因子法研究了材料参数不确定性对自然频率随机性的影响。此外,还基于频率可靠性理论,提出了一种计算机械结构在动态激励下的可靠性灵敏度的方法。LuCM研究了实际工程随机动力结构系统中任意分布参数的频率可靠性及其相关理论,并利用机械动力学、随机有限元法和可靠性理论,提出了避免共振的频率可靠性方法。在数控机床及其零部件的可靠性设计方面,ZhangXF采用乘法降维法(M-DRM)对机床进行了系统可靠性和全局灵敏度分析,并用蒙特卡罗模拟方法验证了计算结果。刘晨曦采用多态故障树对伺服刀架进行了系统可靠性分析,并得出电气子系统和密封子系统为伺服刀架的薄弱环节。LiCY基于测量不确定性理论分析了动力伺服刀架的分度精度可靠性及其灵敏度,并用试验数据进行了验证。随后,针对数控机床可靠性低的问题,LiCY提出了计算机数控车床主轴过大静态变形失效的可靠性优化设计。王新刚等建立了端齿盘的分度误差模型,将可靠性理论与灵敏度分析方法相结合,给出了动力伺服刀架端齿盘分度精度可靠性灵敏度设计的分析方法。杨周等研究了结构参数变化对数控机床中的电主轴抗共振性能的影响,并通过频率可靠性及灵敏度分析给出了改善电主轴性能的方法。
双伺服刀架作为数控机床的关键功能部件,数控机床的加工精度、被加工件质量和稳定性很大程度取决于刀架的动态特性。当刀架工作时的激振频率接近其固有频率时会发生共振,极大程度地影响数控机床的加工精度,严重时甚至会导致刀架发生破坏。目前对于双伺服刀架频率可靠性的研究还比较少,因此,亟待提出一种双伺服刀架的频率可靠性评估方法。
发明内容
本发明的目的是要解决现有技术中存在的不足,提供一种双伺服刀架的频率可靠性评估方法,对双伺服刀架各设计参数的可靠性灵敏度分析有较高的精度,进而能够为提高双伺服刀架的可靠性提供建议。
为达到上述目的,本发明是按照以下技术方案实施的:
一种双伺服刀架的频率可靠性评估方法,包括以下步骤:
S1、建立了双伺服刀架的有限元模型并对其进行模态分析;
S2、对双伺服刀架的参数进行筛选,筛选出对双伺服刀架的第一阶固有频率影响较大的参数并抽取出样本数据用于函数拟合;
S3、采用BP神经网络拟合样本数据中双伺服刀架的整机的固有频率与筛选后的参数的函数关系;
S4、采用随机摄动法求解双伺服刀架的整机的频率可靠度与随机变量的可靠性灵敏度。
进一步,所述S1中,对双伺服刀架的有限元模型的模态分析具体为:
双伺服刀架的n自由度的线性系统的运动微分方程为:
由于双伺服刀架结构的阻尼较小,将其阻尼忽略不计,进而得到双伺服刀架系统的无阻尼自由运动微分方程:
设解为:
{u}={A}isin(ωit+θ) (3)
式中:{A}i为振幅列矩阵,ωi为系统的固有频率,θ为初相位;
将式(3)带入式(2),有
([K]-ωi 2[M]){A}i=0 (4)
双伺服刀架系统的固有频率和振型即为式(4)的特征值和特征向量;
采用Workbench求解出双伺服刀架的整机的前六阶固有频率与固有振型;
双伺服刀架的第一阶振型为动力刀座的X方向摆动;第二阶振型为动力刀座的Z方向摆动;第三阶振型为箱体尾部Z方向摆动;第四阶振型为从动锥齿轮的Y方向摆动;第五阶振型为转位电机的Z方向摆动;第六阶振型为从动锥齿轮的Z方向摆动。
进一步,所述S2具体包括:
S21、利用isight集成Workbench进行试验设计,通过改变输入参数的取值来获得对应的输出参数,极为高效地得到所需样本数据,为了保证双伺服刀架的安全性,刀架工作时的最高转速应小于其最低临界转速,因此只考虑双伺服刀架的第一阶固有频率;
S22、将23个结构参数和21个材料参数作为输入参数,每一次输入参数的变化都会获得对应的第一阶固有频率数值;
S23、首先对结构参数和材料参数进行正交试验设计,得到Pareto贡献图,由于贡献度排序中从第10个及之后参数贡献度较小,所以取前10个参数作为随机变量,所有随机变量参数均服从正态分布,标准差取均值的0.05倍;
S24、对筛选后的10个随机变量进行试验设计,采用最优的拉丁超立方试验方法生成1000组试验样本,获得10个随机变量对第一阶固有频率的Pareto贡献图。
进一步,所述S3具体包括:
S31、利用BP神经网络拟合双伺服刀架的第一阶固有频率与随机变量之间的函数关系:其中,输入层参数为上述10个随机变量,输出层参数为双伺服刀架的第一阶固有频率,即输入层节点数为10,输出层节点数为1,采用一个隐含层,隐含层传递函数为Log-Sigmoid,输出层传递函数为Purelin,确定隐含层节点数的经验公式为:
式中:M为隐含层节点数,m和n分别为输入层和输出层节点数,a为[0,10]之间的常数;
S32、在BP神经网络训练之前对输入和输出数据进行归一化处理:
式中:x为样本数据中参数的初始值,x*为对样本数据归一化后的值,xmax为数据中参数最大值,xmin为数据中参数最小值;
BP神经网络训练误差的目标设定为10-6,将1000组数据随机划分成800组训练样本和200组测试样本,对BP神经网络进行训练;
S33、BP神经网络进行训练完成后,将双伺服刀架的第一阶固有频率Y和随机变量X之间的函数关系拟合为:
式中:F(X)为通过BP神经网络拟合得到的网络输出值,wij、wjk分别为输入层-隐含层和隐含-输出层的连接权值;bj、bk分别为隐含层和输出层的阈值;为隐含层的传递函数;ψ(·)为输出层的传递函数。
进一步,所述S4具体包括:
S41、构建功能函数:根据可靠性干涉理论,功能函数表示为
s(X)=|F(X)-f|≤γ (8)
其中,f为双伺服刀架的最高转速对应的频率,X=(Edp,ρdp,Ecp,ρcp,ρz,dn,dz2,d22,d41,d43)T为基本随机变量向量,γ=0.15F(X);
S42、采用随机摄动法计算双伺服刀架的频率可靠度,其中Monte-Carlo法抽样105次;随机摄动法的可靠度计算公式为:
R=∫g(X)>0fX(X)dX (9)
式中:fX(X)为基本随机变量向量的联合概率密度函数,g(X)为功能函数;
随机变量X和功能函数g(X)与其对应的数学期望、方差为:
X=Xd+εXp (11)
g(X)=gd(X)+εgp(X) (12)
μg(X)=E[gd(X)]+εE[gp(X)]=gd(X) (14)
Var(X)=E{[X-E(X)[2]]}=ε2[XP [2]] (15)
Var[g(X)]=E{[g(X)-E(g(X))][2]}=ε2E{[gp(X)][2]} (16)
将gp(X)在E(X)=Xd附近Taylor展开到一阶为止,有:
把式(17)代入式(16)中得:
式中:Var(X)为随机变量的方差;σg(X) 2为状态函数的方差;
可靠性指标β定义为:
可靠度为:
R=Φ(β) (20)
式中:Φ(·)为标准正态分布函数;
进一步,求解可靠度关于基本随机变量均值和方差的可靠性灵敏度,其表达式分别为:
式中:
式(28)中In为n×n单位矩阵,Un×n为n2×n2矩阵;
对双伺服刀架的有限元模型中的各个随机变量进行无量纲化,转化矩阵分别为T1,T2,且为对角矩阵:
其中,σi为随机变量的标准差,R2为刀架整机频率可靠度,无量纲化后的均值和方差的可靠性灵敏度矩阵为:
无量纲化后的可靠性灵敏度计算结果为:
评估结果:从无量纲化后的随机变量均值的可靠性灵敏度计算结果知:随着Edp、Ecp、dn、dz2、d41、d43参数均值数值的增加,双伺服刀架系统频率的可靠性更高,结构更趋于稳定;参数ρdp、ρcp、ρz、d22均值的增加会导致双伺服刀架系统频率可靠度变低,其中ρdp对刀架整机的频率可靠性最为敏感;
从无量纲化后的随机变量方差的可靠性灵敏度计算结果知:所有随机变量方差降低可以导致双伺服刀架系统频率可靠性变高,抵抗共振的能力更强。
与现有技术相比,本发明采用有限元法对双伺服刀架建立了参数化模型并进行模态分析,利用改进的拉丁超立方试验方法随机抽取大量试验样本,并采用BP神经网络对试验样本进行函数关系的拟合,最后分别采用随机摄动法求解双伺服刀架整机频率可靠度与随机变量的可靠性灵敏度,通过对各随机变量的可靠性灵敏度分析可知刀盘密度、弹性模量和刀盘内座内径对刀架整机频率可靠度的影响较大,可以通过优化这些参数的方法来提高双伺服刀架的频率可靠性。
附图说明
图1为本发明的双伺服刀架结构图。
图2为本发明的双伺服刀架有限元模型。
图3为本发明的双伺服刀架前6阶振型图。
图4为本发明的随机变量对第一阶固有频率的影响图。
图5为本发明的BP神经网络训练过程误差变化图。
图6为本发明的BP神经网络训练阶段期望值与实际值对比图。
图7为本发明的BP神经网络测试阶段期望值与实际值对比图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明,并不用于限定发明。
如图1所示为双伺服刀架的结构图,包括刀盘端盖1;刀盘2、刀盘内座3;第Ⅰ传动轴4、动力刀座5、锁紧齿盘6、动齿盘7、定齿盘8、转位齿轮9、传位轴10、联轴器11、刀盘驱动伺服电机12、从动锥齿轮13、主动锥齿轮14、第Ⅲ传动轴15、联轴器16、动力刀驱动伺服电机17、水平锥齿轮18、竖直锥齿轮19、第Ⅱ传动轴20。
在双伺服刀架中,各零件结构参数和材料参数的变化会影响伺服刀架整机的固有频率,进而影响其可靠度,故将重要零件的结构特征与材料特性作为随机参数。
使用实体单元对双伺服刀架的整机模型进行网格划分,由于双伺服刀架内部零件较多而且结构复杂,所以采用四面体网格,并做合理简化。网格划分结果为13621个单元,343910个节点,双伺服刀架的有限元模型如图2所示。
本实施例以最高转速为12000r/min的双伺服刀架系统为例,对应频率为200Hz。
对双伺服刀架的有限元模型的模态分析具体为:
双伺服刀架的n自由度的线性系统的运动微分方程为:
由于双伺服刀架结构的阻尼较小,将其阻尼忽略不计,进而得到双伺服刀架系统的无阻尼自由运动微分方程:
设解为:
{u}={A}isin(ωit+θ) (3)
式中:{A}i为振幅列矩阵,ωi为系统的固有频率,θ为初相位;
将式(3)带入式(2),有
([K]-ωi 2[M]){A}i=0 (4)
双伺服刀架系统的固有频率和振型即为式(4)的特征值和特征向量;
采用Workbench求解出双伺服刀架的整机的前六阶固有频率与固有振型,各阶固有频率数值见表1所示,对应固有振型如图3所示,其中最低阶固有频率为456.35Hz,远大于双伺服刀架最高转速12000r/min所对应的频率200Hz,表明刀架安全性较高;
表1双伺服刀架前6阶固有频率
阶次 | 固有频率/Hz |
1 | 456.35 |
2 | 647.26 |
3 | 830.70 |
4 | 1006.80 |
5 | 1045.80 |
6 | 1319.80 |
如图3所示,双伺服刀架的第一阶振型为动力刀座的X方向摆动;第二阶振型为动力刀座的Z方向摆动;第三阶振型为箱体尾部Z方向摆动;第四阶振型为从动锥齿轮的Y方向摆动;第五阶振型为转位电机的Z方向摆动;第六阶振型为从动锥齿轮的Z方向摆动。
对双伺服刀架的参数进行筛选,筛选出对双伺服刀架的第一阶固有频率影响较大的参数并抽取出样本数据用于函数拟合:
利用isight集成Workbench进行试验设计,通过改变输入参数的取值来获得对应的输出参数,极为高效地得到所需样本数据,为了保证双伺服刀架的安全性,刀架工作时的最高转速应小于其最低临界转速,因此只考虑双伺服刀架的第一阶固有频率;
将23个结构参数和21个材料参数作为输入参数,每一次输入参数的变化都会获得对应的第一阶固有频率数值;由于双伺服刀架系统的参数数目较多,而部分参数的变化对刀架的固有频率影响并不明显,所以在进行可靠性分析时可以忽略这些参数。
首先对结构参数和材料参数进行正交试验设计,得到Pareto贡献图,由于贡献度排序中从第10个及之后参数贡献度较小,所以取前10个参数作为随机变量,所有随机变量参数均服从正态分布,标准差取均值的0.05倍;各随机变量的均值和标准差如表2所示。
表2各随机变量的均值和标准差
对筛选后的10个随机变量进行试验设计,采用最优的拉丁超立方试验方法生成1000组试验样本,获得10个随机变量对第一阶固有频率的Pareto贡献图,如图4所示。其中,dn、Edp、Ecp、dz2、d41和d43对第一阶固有频率是正影响,ρdp、ρcp、ρz和d22对第一阶固有频率是负影响。
采用BP神经网络拟合样本数据中双伺服刀架的整机的固有频率与筛选后的参数的函数关系:
利用BP神经网络拟合双伺服刀架的第一阶固有频率与随机变量之间的函数关系:其中,输入层参数为上述10个随机变量,输出层参数为双伺服刀架的第一阶固有频率,即输入层节点数为10,输出层节点数为1,采用一个隐含层,隐含层传递函数为Log-Sigmoid,输出层传递函数为Purelin,确定隐含层节点数的经验公式为:
式中:M为隐含层节点数,m和n分别为输入层和输出层节点数,a为[0,10]之间的常数;
由于输入的数据波动性较大,为了提高训练速度与精度,在BP神经网络训练之前对输入和输出数据进行归一化处理:
式中:x为样本数据中参数的初始值,x*为对样本数据归一化后的值,xmax为数据中参数最大值,xmin为数据中参数最小值;
BP神经网络训练误差的目标设定为10-6,将1000组数据随机划分成800组训练样本和200组测试样本,先对BP神经网络进行训练进行训练,完成函数的拟合,再进行测试。训练过程中均方误差的变化曲线如图5所示,经过4067次训练,样本的均方误差达到了9.9997×10-7;从图6可以看出,训练后网络实际输出接近期望输出,神经网络拟合效果比较理想;由图7可知,测试阶段数据拟合较准确,因此神经网络拟合出的函数可以用于构建功能函数。
S33、BP神经网络进行训练完成后,将双伺服刀架的第一阶固有频率Y和随机变量X之间的函数关系拟合为:
式中:F(X)为通过BP神经网络拟合得到的网络输出值,wij、wjk分别为输入层-隐含层和隐含-输出层的连接权值;bj、bk分别为隐含层和输出层的阈值;为隐含层的传递函数;ψ(·)为输出层的传递函数。
采用随机摄动法求解双伺服刀架的整机的频率可靠度与随机变量的可靠性灵敏度:
构建功能函数:本实施例的双伺服刀架的频率为200Hz,根据可靠性干涉理论,功能函数表示为:
g(X)=|F(X)-200|≤γ (8)
其中,X=(Edp,ρdp,Ecp,ρcp,ρz,dn,dz2,d22,d41,d43)T为基本随机变量向量,γ=0.15F(X);
采用随机摄动法计算双伺服刀架的频率可靠度,其中Monte-Carlo法抽样105次;随机摄动法的可靠度计算公式为:
R=∫g(X)>0fX(X)dX (9)
式中:fX(X)为基本随机变量向量的联合概率密度函数,g(X)为功能函数;
随机变量X和功能函数g(X)与其对应的数学期望、方差为:
X=Xd+εXp (11)
g(X)=gd(X)+εgp(X) (12)
μg(X)=E[gd(X)]+εE[gp(X)]=gd(X) (14)
Var(X)=E{[X-E(X)[2]]}=ε2[XP [2]] (15)
Var[g(X)]=E{[g(X)-E(g(X))][2]}=ε2E{[gp(X)][2]} (16)
将gp(X)在E(X)=Xd附近Taylor展开到一阶为止,有:
把式(17)代入式(16)中得:
式中:Var(X)为随机变量的方差;σg(X) 2为状态函数的方差;
可靠性指标β定义为:
可靠度为:
R=Φ(β) (20)
式中:Φ(·)为标准正态分布函数;
采用式(20)计算本实施例的双伺服刀架的频率可靠度,为了验证本实施例的随机摄动法计算的的双伺服刀架的频率可靠度的准确性,采用现有技术中的Monte-Carlo法计算双伺服刀架的频率可靠度,其中Monte-Carlo法抽样105次。可靠度计算结果见表3。
表3双伺服刀架频率可靠度计算结果
由表3中的可靠度计算结果可知,随机摄动法与Monte-Carlo法计算出的可靠度数值比较接近,可以验证随机摄动法的准确性,而且随机摄动法节省时间,提高了可靠性分析效率。
进一步求解可靠度关于基本随机变量均值和方差的可靠性灵敏度,其表达式分别为:
式中:
式(28)中In为n×n单位矩阵,Un×n为n2×n2矩阵;
对双伺服刀架的有限元模型中的各个随机变量进行无量纲化,转化矩阵分别为T1,T2,且为对角矩阵:
其中,σi为随机变量的标准差,R2为刀架整机频率可靠度,无量纲化后的均值和方差的可靠性灵敏度矩阵为:
无量纲化后的可靠性灵敏度计算结果为:
从无量纲化后的随机变量均值的可靠性灵敏度计算结果可以看出,随着Edp、Ecp、dn、dz2、d41、d43参数均值数值的增加,双伺服刀架系统频率的可靠性更高,结构更趋于稳定。参数ρdp、ρcp、ρz、d22均值的增加会导致双伺服刀架系统频率可靠度变低。其中ρdp对刀架整机的频率可靠性最为敏感,优化此参数对刀架整机稳定性的提高起重要作用。
从无量纲化后的随机变量方差的可靠性灵敏度计算结果可以看出,所有随机变量方差降低可以导致双伺服刀架系统频率可靠性变高,抵抗共振的能力更强。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (5)
1.一种双伺服刀架的频率可靠性评估方法,其特征在于,包括以下步骤:
S1、建立了双伺服刀架的有限元模型并对其进行模态分析;
S2、对双伺服刀架的参数进行筛选,筛选出对双伺服刀架的第一阶固有频率影响较大的参数并抽取出样本数据用于函数拟合;
S3、采用BP神经网络拟合样本数据中双伺服刀架的整机的固有频率与筛选后的参数的函数关系;
S4、采用随机摄动法求解双伺服刀架的整机的频率可靠度与随机变量的可靠性灵敏度。
2.根据权利要求1所述的双伺服刀架的频率可靠性评估方法,其特征在于,所述S1中,对双伺服刀架的有限元模型的模态分析具体为:
双伺服刀架的n自由度的线性系统的运动微分方程为:
由于双伺服刀架结构的阻尼较小,将其阻尼忽略不计,进而得到双伺服刀架系统的无阻尼自由运动微分方程:
设解为:
{u}={A}isin(ωit+θ) (3)
式中:{A}i为振幅列矩阵,ωi为系统的固有频率,θ为初相位;
将式(3)带入式(2),有
([K]-ωi 2[M]){A}i=0 (4)
双伺服刀架系统的固有频率和振型即为式(4)的特征值和特征向量;
采用Workbench求解出双伺服刀架的整机的前六阶固有频率与固有振型;
双伺服刀架的第一阶振型为动力刀座的X方向摆动;第二阶振型为动力刀座的Z方向摆动;第三阶振型为箱体尾部Z方向摆动;第四阶振型为从动锥齿轮的Y方向摆动;第五阶振型为转位电机的Z方向摆动;第六阶振型为从动锥齿轮的Z方向摆动。
3.根据权利要求2所述的双伺服刀架的频率可靠性评估方法,其特征在于,所述S2具体包括:
S21、利用isight集成Workbench进行试验设计,通过改变输入参数的取值来获得对应的输出参数,极为高效地得到所需样本数据,为了保证双伺服刀架的安全性,刀架工作时的最高转速应小于其最低临界转速,因此只考虑双伺服刀架的第一阶固有频率;
S22、将23个结构参数和21个材料参数作为输入参数,每一次输入参数的变化都会获得对应的第一阶固有频率数值;
S23、首先对结构参数和材料参数进行正交试验设计,得到Pareto贡献图,由于贡献度排序中从第10个及之后参数贡献度较小,所以取前10个参数作为随机变量,所有随机变量参数均服从正态分布,标准差取均值的0.05倍;
S24、对筛选后的10个随机变量进行试验设计,采用最优的拉丁超立方试验方法生成1000组试验样本,获得10个随机变量对第一阶固有频率的Pareto贡献图。
4.根据权利要求3所述的双伺服刀架的频率可靠性评估方法,其特征在于,双伺服刀架的频率可靠性评估方法,其特征在于,所述S3具体包括:
S31、利用BP神经网络拟合双伺服刀架的第一阶固有频率与随机变量之间的函数关系:其中,输入层参数为上述10个随机变量,输出层参数为双伺服刀架的第一阶固有频率,即输入层节点数为10,输出层节点数为1,采用一个隐含层,隐含层传递函数为Log-Sigmoid,输出层传递函数为Purelin,确定隐含层节点数的经验公式为:
式中:M为隐含层节点数,m和n分别为输入层和输出层节点数,a为[0,10]之间的常数;
S32、在BP神经网络训练之前对输入和输出数据进行归一化处理:
式中:x为样本数据中参数的初始值,x*为对样本数据归一化后的值,xmax为数据中参数最大值,xmin为数据中参数最小值;
BP神经网络训练误差的目标设定为10-6,将1000组数据随机划分成800组训练样本和200组测试样本,对BP神经网络进行训练;
S33、BP神经网络进行训练完成后,将双伺服刀架的第一阶固有频率Y和随机变量X之间的函数关系拟合为:
5.根据权利要求4所述的双伺服刀架的频率可靠性评估方法,其特征在于,所述S4具体包括:
S41、构建功能函数:根据可靠性干涉理论,功能函数表示为
g(X)=|F(X)-f|≤γ (8)
其中,f为双伺服刀架的最高转速对应的频率,X=(Edp,ρdp,Ecp,ρcp,ρz,dn,dz2,d22,d41,d43)T为基本随机变量向量,γ=0.15F(X);
S42、采用随机摄动法计算双伺服刀架的频率可靠度,其中Monte-Carlo法抽样105次;随机摄动法的可靠度计算公式为:
R=∫g(X)>0fX(X)dX (9)
式中:fX(X)为基本随机变量向量的联合概率密度函数,g(X)为功能函数;
随机变量X和功能函数g(X)与其对应的数学期望、方差为:
X=Xd+εXp (11)
g(X)=gd(X)+εgp(X) (12)
μg(X)=E[gd(X)]+εE[gp(X)]=gd(X) (14)
Var(X)=E{[X-E(X)[2]]}=ε2[XP [2]] (15)
Var[g(X)]=E{[g(X)-E(g(X))][2]}=ε2E{[gp(X)][2]}(16)
将gp(X)在E(X)=Xd附近Taylor展开到一阶为止,有:
把式(17)代入式(16)中得:
式中:Var(X)为随机变量的方差;σg(X) 2为状态函数的方差;
可靠性指标β定义为:
可靠度为:
R=Φ(β) (20)
式中:Φ(·)为标准正态分布函数;
进一步求解可靠度关于基本随机变量均值和方差的可靠性灵敏度,其表达式分别为:
式中:
式(28)中In为n×n单位矩阵,Un×n为n2×n2矩阵;
对双伺服刀架的有限元模型中的各个随机变量进行无量纲化,转化矩阵分别为T1,T2,且为对角矩阵:
其中,σi为随机变量的标准差,R2为刀架整机频率可靠度,无量纲化后的均值和方差的可靠性灵敏度矩阵为:
无量纲化后的可靠性灵敏度计算结果为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011134356.6A CN112528551B (zh) | 2020-10-21 | 2020-10-21 | 一种双伺服刀架的频率可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011134356.6A CN112528551B (zh) | 2020-10-21 | 2020-10-21 | 一种双伺服刀架的频率可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528551A true CN112528551A (zh) | 2021-03-19 |
CN112528551B CN112528551B (zh) | 2023-09-01 |
Family
ID=74979534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011134356.6A Active CN112528551B (zh) | 2020-10-21 | 2020-10-21 | 一种双伺服刀架的频率可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528551B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580292A (zh) * | 2022-03-10 | 2022-06-03 | 北京航空航天大学 | 一种滚动轴承的塑性变形的可靠性和灵敏度分析方法 |
WO2024113485A1 (zh) * | 2022-11-30 | 2024-06-06 | 苏州大学 | 一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226606A (zh) * | 2007-11-16 | 2008-07-23 | 燕山大学 | 管筒形零件机械扩径工艺参数的优化方法 |
CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
CN104992011A (zh) * | 2015-06-24 | 2015-10-21 | 东北大学 | 一种基于fmea分析的数控机床可靠性综合分配方法 |
CN108959686A (zh) * | 2018-04-17 | 2018-12-07 | 中国科学院沈阳自动化研究所 | 一种基于灵敏度分析的有限元模型修正方法 |
CA3037323A1 (en) * | 2017-10-31 | 2019-04-30 | China University Of Mining And Technology | Reliability robust design method for multiple failure modes of ultra-deep well hoisting container |
US20200217218A1 (en) * | 2019-01-07 | 2020-07-09 | Harbin Institute Of Technology | Deep learning regulation and control and assembly method and device for large-scale high-speed rotary equipment based on dynamic vibration response properties |
-
2020
- 2020-10-21 CN CN202011134356.6A patent/CN112528551B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226606A (zh) * | 2007-11-16 | 2008-07-23 | 燕山大学 | 管筒形零件机械扩径工艺参数的优化方法 |
CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
CN104992011A (zh) * | 2015-06-24 | 2015-10-21 | 东北大学 | 一种基于fmea分析的数控机床可靠性综合分配方法 |
CA3037323A1 (en) * | 2017-10-31 | 2019-04-30 | China University Of Mining And Technology | Reliability robust design method for multiple failure modes of ultra-deep well hoisting container |
CN108959686A (zh) * | 2018-04-17 | 2018-12-07 | 中国科学院沈阳自动化研究所 | 一种基于灵敏度分析的有限元模型修正方法 |
US20200217218A1 (en) * | 2019-01-07 | 2020-07-09 | Harbin Institute Of Technology | Deep learning regulation and control and assembly method and device for large-scale high-speed rotary equipment based on dynamic vibration response properties |
Non-Patent Citations (1)
Title |
---|
杨周;刘盼学;王昊;张义民: "应用BP神经网络分析电主轴频率可靠性灵敏度", 哈尔滨工业大学学报, no. 001, pages 30 - 36 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580292A (zh) * | 2022-03-10 | 2022-06-03 | 北京航空航天大学 | 一种滚动轴承的塑性变形的可靠性和灵敏度分析方法 |
CN114580292B (zh) * | 2022-03-10 | 2024-05-28 | 北京航空航天大学 | 一种滚动轴承的塑性变形的可靠性和灵敏度分析方法 |
WO2024113485A1 (zh) * | 2022-11-30 | 2024-06-06 | 苏州大学 | 一种子弹侵彻钢板场景下钢板强度参数的分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112528551B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528551A (zh) | 一种双伺服刀架的频率可靠性评估方法 | |
CN111832102A (zh) | 一种高维随机场条件下的新型复合材料结构优化设计方法 | |
CN112668227B (zh) | 一种薄壁件让刀变形误差预测模型建立方法及其应用 | |
CN104156501A (zh) | 一种机床整机静刚度的优化设计方法 | |
CN104166758A (zh) | 一种转子-叶片耦合系统固有频率的确定方法 | |
CN106777820A (zh) | 一种机床基础大件动态性能优化设计方法 | |
CN105205221A (zh) | 一种重型数控机床精度可靠性分析方法 | |
CN110321631A (zh) | 一种面向船用柴油机机身质量特征加工可靠性评估方法 | |
Wang et al. | Stochastic vibration model of gear transmission systems considering speed-dependent random errors | |
CN106354955A (zh) | 一种基于磨机振动模态参数的滑动轴承刚度识别方法 | |
Guo et al. | A Bayesian approach for degradation analysis with individual differences | |
Xiang et al. | Experimental modal test of the spiral bevel gear wheel using the PolyMAX method | |
CN112068519A (zh) | 一种产品装配过程的质量管控方法和装置 | |
Zhang et al. | Structural damage identification of offshore wind turbines: A two‐step strategy via FE model updating | |
Čiča et al. | Dynamical contact parameter identification of spindle-holder-tool assemblies using soft computing techniques | |
Yi et al. | Numerical analysis and experimental investigation of modal properties for the gearbox in wind turbine | |
Law | Position-dependent dynamics and stability of machine tools | |
Ajayi et al. | Vibration analysis of the low speed shaft and hub of a wind turbine using sub structuring techniques | |
Verdonck et al. | An open-source framework for the uncertainty quantification of aeroelastic wind turbine simulation tools | |
CN115438543A (zh) | 一种面向大型航空行星机构的系统疲劳可靠性预测方法 | |
Liu et al. | A dynamic reliability assessment methodology of gear transmission system of wind turbine | |
Chen et al. | Lightweight design of drive axle housing based on reliability | |
Trabelsi et al. | Consideration of the uncertainty in the dimensioning of a gearbox of a wind turbine | |
Guo et al. | Mode localization in linear and periodically time‐varying mistuned wind rotor | |
Wang et al. | Remaining useful life prediction for heterogeneous-wearing cutting tools based on gamma process and bayesian inference |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |