CN113836662A - 凸轮曲线槽机构设计缺陷的动态辨识及去特征化修复方法 - Google Patents
凸轮曲线槽机构设计缺陷的动态辨识及去特征化修复方法 Download PDFInfo
- Publication number
- CN113836662A CN113836662A CN202111128480.6A CN202111128480A CN113836662A CN 113836662 A CN113836662 A CN 113836662A CN 202111128480 A CN202111128480 A CN 202111128480A CN 113836662 A CN113836662 A CN 113836662A
- Authority
- CN
- China
- Prior art keywords
- design
- groove mechanism
- cam curve
- defect
- motion
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种凸轮曲线槽机构设计缺陷的动态辨识方法,包括:建立凸轮曲线槽机构输出运动精度与设计参数之间的映射模型;对设计参数进行提取,将设计参数对凸轮曲线槽机构输出运动精度的灵敏度进行分析并排序;根据凸轮曲线槽机构的设计参数,由凸轮曲线槽机构输出运动精度与设计参数之间的映射模型得到凸轮曲线槽机构的预期输出运动精度,将凸轮曲线槽机构预期输出运动精度向量与许用运动精度设计指标向量之间向量差的范数定义为精度设计缺陷判别指标;本发明还公开了一种凸轮曲线槽机构设计缺陷的去特征化修复方法;本发明可实现机构设计、缺陷辨识与缺陷修复的同步协同,可提高设计质量、设计效率和设计成功率。
Description
技术领域
本发明涉及机械设计与计算机软件技术领域,特别是一种凸轮曲线槽机构设计缺陷的动态辨识及去特征化修复方法。
背景技术
凸轮,尤其是圆柱凸轮,是自动化机械中最常见的传动机构,在许多领域得到了广泛的应用。除了基础的工业和制造应用,凸轮机构开始广泛应用于智能机器人、航空航天、海洋工程、兵器工程等高精度领域,这对凸轮机构的运动学性能提出了更高的要求。运动精度是反映传动机构运动性能的最重要指标之一,它影响到了凸轮曲线槽机构的动态性能,如何提高凸轮曲线槽机构的运动精度受到广泛关注。
由于凸轮曲线槽的轮廓曲线在运动学分析中起着至关重要的作用,因此轮廓曲线的设计对运动学性能有显着影响。凸轮曲线槽机构的运动学性能可以通过全局运动误差模型进行评估,由于设计的不合理性,在凸轮曲线槽的轮廓曲线设计时可能会产生运动学的不确定性,这是一类设计缺陷,它严重着影响凸轮曲线槽机构的运动学和动力学特性,也影响着其加工和装配。为了保证机构的运动品质、可靠性和安全性,需要在设计阶段就开始识别和修复设计缺陷。
设计验证的目的是确保机械产品满足约束规范中定义的要求,国内外学者已经意识到设计与验证之间的重要关系。验证体系的不完善会导致难以及时发现机械产品的设计缺陷,进而降低机械产品的设计效率,最终导致机械产品的设计成本的增加。
设计缺陷的辨识方法和设计缺陷的修复技术是机械产品可验证设计系统的核心。现有的机械产品设计缺陷修复技术研究都是一种静态修复技术的研究,或者说是一种设计完成后的修复技术的研究,没有提供一种有效方式动态跟踪设计变化对约束关系的影响,对设计缺陷进行动态辩识和在线修复。
发明内容
为解决现有技术中存在的问题,本发明的目的是提供一种凸轮曲线槽机构设计缺陷的动态辨识及去特征化修复方法,本发明可实现机构设计、缺陷辨识与缺陷修复的同步协同,可提高设计质量、设计效率和设计成功率。
为实现上述目的,本发明采用的技术方案是:一种凸轮曲线槽机构设计缺陷的动态辨识方法,包括以下步骤:
步骤1、建立凸轮曲线槽机构输出运动精度与设计参数之间的映射模型;
步骤2、对设计参数进行提取,将设计参数对凸轮曲线槽机构输出运动精度的灵敏度进行分析并排序,筛选出对凸轮曲线槽机构输出运动精度影响较大的主要设计参数,忽略对输出运动精度影响较小的次要设计参数;
步骤3、根据凸轮曲线槽机构的设计参数,由凸轮曲线槽机构输出运动精度与设计参数之间的映射模型得到凸轮曲线槽机构的预期输出运动精度,将凸轮曲线槽机构预期输出运动精度向量与许用运动精度设计指标向量之间向量差的范数定义为精度设计缺陷判别指标。
作为本发明的进一步改进,在步骤2中,对设计参数进行提取具体为:基于CAD软件的二次开发,通过提取Cell层的相关设计参数得到所述设计参数。
本发明还提供一种凸轮曲线槽机构设计缺陷的去特征化修复方法,包括:
利用如上所述的凸轮曲线槽机构设计缺陷的动态辨识方法得到精度设计缺陷判别指标,根据该精度设计缺陷判别指标,如果辨识出凸轮曲线槽机构存在精度设计缺陷,则以主要设计参数为自变量,以精度设计缺陷判别指标为目标函数,考虑各项约束条件,采用智能算法计算得到使得预期运动精度满足设计指标要求的设计参数组合,进而修复凸轮曲线槽机构设计中存在的精度设计缺陷。
作为本发明的进一步改进,所述智能算法为遗传算法或粒子群优化算法。
作为本发明的进一步改进,所述凸轮曲线槽机构包括凸轮曲线槽、第一从动杆、第二从动杆和从动滑块,所述第一从动杆的一端设有在所述凸轮曲线槽内滚动的滚子,第一从动杆的另一端通过转动副与所述第二从动杆的一端连接,第二从动杆的另一端通过转动副与所述从动滑块连接,从动滑块在移动副导轨内滑动。
作为本发明的进一步改进,所述步骤1具体如下:
根据曲面族包络理论,得到凸轮曲线槽的轮廓曲线,基于凸轮曲线槽轮廓曲线模型,得到凸轮曲线槽机构的运动误差模型:
ΔPS=[ΔU ΔV]T
其中:U,V,W分别为输入参数向量,有效结构参数向量,输出参数向量;J为位移误差系数矩阵,为速度误差系数矩阵,为加速度误差系数矩阵;ΔPS为输出参数的位移相关向量,ΔPv为输出参数的速度相关向量,ΔPa为输出参数的加速度相关向量;为随机变量一阶Taylor展开式的雅可比矩阵;[]T表示矩阵转置;
假设凸轮曲线槽机构的运动输入和运动输出由一组独立的运动方程组描述:
Ceq(U,V,W)=0
根据凸轮曲线槽机构滚子从动件之间的几何关系,推导并化简得到输出参数的随机变量模型为:
则:
其中,zf为第一从动杆的法向位移,Rf为从动滑块的位移,lf为第二从动杆的长度,R1为凸轮曲线槽内圈半径,r为滚子半径,θ为滚子绕回转中心O的角位移,ψ为第二从动杆的角位移。
作为本发明的进一步改进,所述步骤2中,将设计参数对凸轮曲线槽机构输出运动精度的灵敏度进行分析具体如下:
根据滚子运动、凸轮曲线槽机构形状和从动件尺寸,计算出运动误差,在运动误差分析的基础上,分别计算三个影响因子,即位移、速度和加速度的灵敏度,影响因子的灵敏度向量为:
为了得到更准确的特征参数灵敏度,根据特征参数灵敏度的基本计算方法,对特征参数的变化区间进行细分,可以得到运动误差的变化率,因此,特征参数的灵敏度可以表示为:
作为本发明的进一步改进,所述步骤3具体如下:
由于凸轮曲线槽机构的运动精度是由输出参数运动误差构成的向量集合,因此输出参数误差向量ΔE与许用设计指标向量Eal之间的向量差可定义为设计缺陷判别依据,设运动精度设计缺陷判别向量为:
许用设计指标向量为:
Eal=[Wd Wv Wa]
通过比较各运动学参数最大误差许可值与当前运动性能误差之间的大小,辨识出凸轮曲线槽机构的运动精度设计缺陷。
作为本发明的进一步改进,当前运动性能误差可以用当前位移,速度,加速度误差判别向量的范数来表达,设计缺陷分类及其辨识的基本算法如下:
根据机构的设计要求指标,可以得到位移,速度,加速度的最大误差许可值Wd,Wv,Wa,最大误差许可值Wd,Wv,Wa为许用设计指标向量中各元素的范数:
①若三项运动学参数缺陷判别向量的模均小于最大误差许可值,则凸轮曲线槽机构的运动性能设计满足运动要求,没有运动精度设计缺陷;
②若有一项运动学参数缺陷判别向量的模大于其最大误差许可值,则凸轮曲线槽机构的运动性能设计具有轻度缺陷,在某些情况下凸轮曲线槽机构的运动性能不能够达到使用要求;
③若有两项运动学参数缺陷判别向量的模大于最大误差许可值,则所设计的凸轮曲线槽机构存在局部的运动误差,此时凸轮曲线槽机构运动精度设计具有中度缺陷;
④若三项运动学参数缺陷判别向量的模均大于最大误差许可值,则所设计的凸轮曲线槽机构的运动性能具有重度缺陷,必须对凸轮曲线槽机构进行重新设计。
作为本发明的进一步改进,对凸轮曲线槽机构设计中存在的精度设计缺陷进行修复具体如下:
通过分析运动精度性能指标与特征缺陷之间的直接映射关系,建立设计缺陷特征映射关系图或设计缺陷特征树,在缺陷特征树的基础上,通过灵敏度分析,得到各设计参数对设计缺陷的影响,根据设计参数的灵敏度排序结果,选择对运动精度影响较大的设计参数进行修复;根据选择的运动参数为自变量,以精度设计缺陷判别指标为目标函数,考虑各项约束条件,采用智能算法计算得到使得预期运动精度满足设计指标要求的设计参数组合,进而修复凸轮曲线槽机构设计中存在的精度设计缺陷;
其中,所述所述目标函数为:
本发明的有益效果是:
1、本发明以CAD设计软件的二次开发技术为基础,通过构造相关辨识模型和修复算法,实现了机构设计、缺陷辨识与缺陷修复的同步协同,克服了现有凸轮曲线槽机构设计中存在的不足,满足了凸轮曲线槽机构设计缺陷的高效动态辨识与在线修复的要求;
2、本发明的验证工作不是在设计完成后才进行的,而是设计工作的一部分,在设计过程中即可对设计目标进行验证,同步辨识出设计中是否存在设计缺陷,并对存在的设计缺陷进行在线去特征化修复,从而保证设计质量,提高设计效率;
3、本发明可以代替人工来对设计缺陷进行动态辨识与在线修复,使得设计人员在使用CAD设计软件进行凸轮曲线槽机构设计的过程中,即可对设计好的模型进行反复的校核、验证,及时发现设计缺陷,并对设计缺陷进行在线修复,进而高效、高质量地实现凸轮曲线槽机构的设计。
附图说明
图1为本发明实施例缺陷辨识与修复方法的具体流程图;
图2为本发明实施例中凸轮曲线槽机构的三维实体模型图;
图3为本发明实施例中凸轮曲线槽机构的设计参数示意图;
图4为本发明实施例中设计参数灵敏度分析流程图;
图5为本发明实施例中设计缺陷分类及其辨识的基本算法图;
图6为本发明实施例中设计缺陷特征映射关系图;
图7为本发明实施例中设计缺陷的特征树图;
图8为本发明实施例中去特征化修复的主要步骤框图;
图9为本发明实施例中遗传算法特征参数求解的进化图。
附图标记:
1、凸轮曲线槽,2、第一从动杆,3、滚子,4、第二从动杆,5、从动滑块,I、转动副a,II、转动副b,III、移动副导轨。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例
如图1所示,本实施例对凸轮曲线槽机构设计缺陷进行动态辨识方法与去特征化在线修复具体为:
首先建立凸轮曲线槽机构输出运动精度与设计参数之间的映射模型,在此基础上进行设计参数对输出运动精度的灵敏度分析,将设计参数对凸轮曲线槽机构输出运动精度的影响进行排序,筛选出对凸轮曲线槽机构输出运动精度影响较大的主要设计参数,忽略对输出运动精度影响较小的次要设计参数。在凸轮曲线槽机构设计过程中,系统依据凸轮曲线槽机构设计参数由凸轮曲线槽机构输出运动精度与设计参数之间的映射模型得到凸轮曲线槽机构的预期输出运动精度,将凸轮曲线槽机构预期输出运动精度向量(表示为ΔE)与许用运动精度设计指标向量(表示为Eal)之间向量差的范数定义为精度设计缺陷缺陷判别指标。如果辨识出凸轮曲线槽机构存在精度设计缺陷,则以主要设计参数为自变量,以精度设计缺陷缺陷判别指标为目标函数,考虑各项约束条件,采用智能算法计算得到使得预期运动精度满足设计指标要求的设计参数组合,进而修复凸轮曲线槽机构设计中存在的精度设计缺陷。
凸轮曲线槽机构的设计参数是基于CAD软件的二次开发技术,通过提取Cel l层的相关设计参数得到的;用于修复设计缺陷的智能算法可以是遗传算法、粒子群优化算法还可以是其它智能优化算法。
下面以图2所示的凸轮曲线槽机构对本实施例作进一步的说明:
图2中的凸轮曲线槽机构包括凸轮曲线槽1、第一从动杆2、第二从动杆4和从动滑块5,所述第一从动杆2的一端设有在所述凸轮曲线槽1内滚动的滚子3,第一从动杆2的另一端通过转动副a I与所述第二从动杆的4一端连接,第二从动杆4的另一端通过转动副b II与所述从动滑块5连接,从动滑块5在移动副导轨III内滑动。
对图2中的凸轮曲线槽机构设计缺陷进行动态辨识方法与去特征化在线修复包括:
1、凸轮曲线槽机构的精度映射模型:
图2为凸轮曲线槽机构的三维实体模型,根据曲面族包络理论,可以得到凸轮曲线槽的轮廓曲线。为了能够清楚地描述凸轮曲线槽机构的运动精度,基于凸轮曲线槽轮廓曲线模型,可得到凸轮曲线槽机构的运动误差模型:
ΔPS=[ΔUΔV]T
式中:U,V,W分别为输入参数向量,有效结构参数向量,输出参数向量。J为位移误差系数矩阵,为速度误差系数矩阵,为加速度误差系数矩阵。ΔPS为输出参数的位移相关向量,ΔPv为输出参数的速度相关向量,ΔPa为输出参数的加速度相关向量。为随机变量一阶Taylor展开式的雅可比矩阵。
假设凸轮曲线槽机构的运动输入和运动输出由一组独立的运动方程组描述:
Ceq(U,V,W)=0
根据图3中滚子从动件之间的几何关系,推导并化简得到输出参数的随机变量模型为:
则:
2、设计参数及其提取:
图3为凸轮曲线槽机构中的设计参数示意图,图中的设计参数定义如下:ω为滚子绕回转中心O的角速度,为滚子自转角度,θ为滚子绕回转中心O的角位移,R1为凸轮曲线槽1内圈半径,lt为凸轮曲线槽1宽度与滚子厚度,r为滚子半径,lr为从动滑块质心Of与滚子自转中心Or之间的法向距离,lf为第二从动杆zfOf的长度。图3中输出参数定义如下:zf为第一从动杆zfOr的法向位移,ψ为第二从动杆zfOf的角位移,Rf为从动滑块的位移。
三维设计软件设计出的零件含有多个层次,自底向上分为元素层,即单纯的点、线、面等单一元素所在的层次,该层次只包含单一元素所在的空间位置信息,各元素通过一定的拓扑关系组合后,即构成第二层次,即Cell层,Cell层是除点、线等元素所在的基本层次外最低的一个层次,也是所含各关键参数最完整的一层,该层次不止包含了单纯的三位空间位置信息,并且包含了各元素之间的耦合关系等,即Cell层包含了所有关键的参数信息,而第三层,即Cell层经过耦合后即构成零件层,零件层已经隐藏了各单一零件里包含的cell层元素的耦合关系,而只能展现出各零件的关系,之后零件层通过装配约束关系构成产品层,因此,Cell层是包含关键参数最完整,最透明的一个层次,凸轮曲线槽机构的设计参数是基于CAD软件的二次开发技术通过提取Cell层的特征设计参数得到的。
3、设计参数对输出运动精度的灵敏度分析:
通过灵敏度分析可以得到各影响因子对运动精度的影响,灵敏度较大的影响因子涉及的特征参数较多。通过灵敏度分析得到特征参数对各影响因子的影响,进而选择需要修复的特征参数,设计参数灵敏度分析流程如图4所示。
对于凸轮曲线槽机构各影响因子的灵敏度分析,在全局工作空间中考虑滚子运动、凸轮曲线槽机构形状和从动件尺寸,可以计算出运动误差。在这些误差分析的基础上,分别计算了三个影响因子的灵敏度。影响因子的灵敏度向量为:
按灵敏度大小排序,可以考虑忽略灵敏度较小的影响因子。此外在选择影响因子时也考虑了特征参数修复的难度。
为了得到更准确的特征参数灵敏度,根据特征参数灵敏度的基本计算方法,对特征参数的变化区间进行细分,可以得到运动误差的变化率。因此,特征参数的灵敏度可以表示为:
4、设计缺陷的辨识模型与算法:
由于凸轮曲线槽机构的运动精度是由输出参数运动误差构成的向量集合,因此输出参数误差向量(表示为ΔE)与许用设计指标向量(表示为Eal)之间的向量差可定义为设计缺陷判别依据,设运动精度设计缺陷判别向量为:
许用设计指标向量为:
Eal=[Wd Wv Wa] (7)
通过比较各运动学参数最大误差许可值与当前运动性能误差之间的大小,可以辨识出凸轮曲线槽机构的运动精度设计缺陷。
当前运动性能误差可以用当前位移,速度,加速度误差判别向量的范数来表达,设计缺陷分类及其辨识的基本算法如图5所示。
根据机构的设计要求指标,可以得到位移,速度,加速度的最大误差许可值Wd,Wv,Wa,最大误差许可值Wd,Wv,Wa为许用设计指标向量中各元素的范数。
①若位移,速度,加速度缺陷判别向量的模均小于最大误差许可值,则凸轮曲线槽机构的运动性能设计满足运动要求,没有运动精度设计缺陷;
②若有一项运动学参数(位移或者速度或者加速度)缺陷判别向量的模大于其最大误差许可值,则凸轮曲线槽机构的运动性能设计具有轻度缺陷,在某些情况下凸轮曲线槽机构的运动性能不能够达到使用要求;
③若有两项运动学参数(位移与速度,或位移与加速度,或速度与加速度)缺陷判别向量的模大于最大误差许可值,则所设计的凸轮曲线槽机构存在局部的运动误差,此时凸轮曲线槽机构运动精度设计具有中度缺陷;
④若位移,速度,加速度缺陷判别向量的模均大于最大误差许可值,则所设计的凸轮曲线槽机构的运动性能具有重度缺陷,必须对凸轮曲线槽机构进行重新设计。
5、设计缺陷的去特征化修复:
通过分析运动精度性能指标与特征缺陷之间的直接映射关系,可以建立图6所示的设计缺陷特征映射关系图。对于复杂的缺陷特征模型,影响特征缺陷的因素很多,基于特征映射关系,可建立如图7所示的设计缺陷特征树。在缺陷特征树的基础上,通过灵敏度分析,可以得到各设计参数对设计缺陷的影响。根据设计参数的灵敏度排序结果,可选择对运动精度影响较大的设计参数进行修复,去特征化修复的主要步骤框图如图8所示。
设计缺陷去特征修复的目标函数可以表示为
根据设计规范,凸轮曲线槽机构的结构约束为:
由于目标函数与设计参数之间是强耦合和非线性关系,传统的解析方法难以求解,在去特征修复方法中可采用遗传算法、粒子群算法等一些智能算法来求解上述目标函数,这些算法具有原理简单、效率高、收敛速度快等优点。采用以上优化算法可计算得到使得预期运动精度满足设计指标要求的设计参数组合,从而可以修复凸轮曲线槽机构设计中存在的运动精度设计缺陷。
下面对本实施例进行验证:
根据图1设计缺陷辨识与修复的流程,三维设计软件平台选用Cat ia V5R21,设计参数由技术人员提供,系统根据算法从Cel l层自动提取凸轮曲线槽机构的设计参数,之后将提取的设计参数推送到设计缺陷辨识模型中,进行比对校核,进而判别是否存在设计缺陷、确定缺陷位置及分析其成因,之后采用去特征化修复方法进行目标函数优化,修复设计缺陷。
表1凸轮曲线槽机构的设计参数
根据缺陷辨识方法,表1中凸轮曲线槽机构的运动不满足运动性能要求。根据凸轮曲线槽机构设计规范,各运动学参数的最大误差许可值为:
在去特征修复方法的基础上,结合滚子运动、凸轮曲线槽机构形状和从动件尺寸等影响因子对修复实例进行研究。
根据灵敏度分析结果,从动件尺寸对运动精度的影响最大,滚子运动对运动精度的影响最小,因此可以忽略滚子的运动。对于凸轮曲线槽机构的形状,参数θ和lt的灵敏度比其他参数小,这两个参数在后续分析中也可以忽略。
由于特征参数与影响因子之间的强耦合性,基于提出的运动性能指标,方程(9)可以认为是去特征修复的特征目标。特征目标作为遗传算法的适应度函数来确定修复参数的具体值,图9为遗传算法特征参数解的进化图,当遗传算法运行50步时,求得需要修复的特征参数的具体值,设计缺陷修复后的结果列于表2之中。
表2特征参数修复后的结果
修复结果的最终确定需要考虑加工工艺及其他因素。因此,凸轮曲线槽内圈半径R1最终确定为643mm,滚子半径r最终确定为10.5mm,z轴方向从动件与滚子之间的距离lr最终确定为87mm,从动滚子连杆长度lf最终确定为360mm。
基于最终的修复结果,可以求得修复后的运动误差。通过计算可知,滚子从动件的运动误差小于许用运动精度的误差指标,修复后的设计参数满足运动性能要求。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种凸轮曲线槽机构设计缺陷的动态辨识方法,其特征在于,包括以下步骤:
步骤1、建立凸轮曲线槽机构输出运动精度与设计参数之间的映射模型;
步骤2、对设计参数进行提取,将设计参数对凸轮曲线槽机构输出运动精度的灵敏度进行分析并排序,筛选出对凸轮曲线槽机构输出运动精度影响较大的主要设计参数,忽略对输出运动精度影响较小的次要设计参数;
步骤3、根据凸轮曲线槽机构的设计参数,由凸轮曲线槽机构输出运动精度与设计参数之间的映射模型得到凸轮曲线槽机构的预期输出运动精度,将凸轮曲线槽机构预期输出运动精度向量与许用运动精度设计指标向量之间向量差的范数定义为精度设计缺陷判别指标。
2.根据权利要求1所述的凸轮曲线槽机构设计缺陷的动态辨识方法,其特征在于,在步骤2中,对设计参数进行提取具体为:基于CAD软件的二次开发,通过提取Cell层的相关设计参数得到所述设计参数。
3.一种凸轮曲线槽机构设计缺陷的去特征化修复方法,其特征在于,包括:
利用如权利要求1或2所述的凸轮曲线槽机构设计缺陷的动态辨识方法得到精度设计缺陷判别指标,根据该精度设计缺陷判别指标,如果辨识出凸轮曲线槽机构存在精度设计缺陷,则以主要设计参数为自变量,以精度设计缺陷判别指标为目标函数,考虑各项约束条件,采用智能算法计算得到使得预期运动精度满足设计指标要求的设计参数组合,进而修复凸轮曲线槽机构设计中存在的精度设计缺陷。
4.根据权利要求3所述的凸轮曲线槽机构设计缺陷的去特征化修复方法,其特征在于,所述智能算法为遗传算法或粒子群优化算法。
5.根据权利要求3或4所述的凸轮曲线槽机构设计缺陷的去特征化修复方法,其特征在于,所述凸轮曲线槽机构包括凸轮曲线槽、第一从动杆、第二从动杆和从动滑块,所述第一从动杆的一端设有在所述凸轮曲线槽内滚动的滚子,第一从动杆的另一端通过转动副与所述第二从动杆的一端连接,第二从动杆的另一端通过转动副与所述从动滑块连接,从动滑块在移动副导轨内滑动。
6.根据权利要求5所述的凸轮曲线槽机构设计缺陷的去特征化修复方法,其特征在于,所述步骤1具体如下:
根据曲面族包络理论,得到凸轮曲线槽的轮廓曲线,基于凸轮曲线槽轮廓曲线模型,得到凸轮曲线槽机构的运动误差模型:
ΔPS=[ΔU ΔV]T
其中:U,V,W分别为输入参数向量,有效结构参数向量,输出参数向量;J为位移误差系数矩阵,为速度误差系数矩阵,为加速度误差系数矩阵;ΔPS为输出参数的位移相关向量,ΔPv为输出参数的速度相关向量,ΔPa为输出参数的加速度相关向量;为随机变量一阶Taylor展开式的雅可比矩阵;[]T表示矩阵转置;
假设凸轮曲线槽机构的运动输入和运动输出由一组独立的运动方程组描述:
Ceq(U,V,W)=0
根据凸轮曲线槽机构滚子从动件之间的几何关系,推导并化简得到输出参数的随机变量模型为:
则:
其中,zf为第一从动杆的法向位移,Rf为从动滑块的位移,lf为第二从动杆的长度,R1为凸轮曲线槽内圈半径,r为滚子半径,θ为滚子绕回转中心O的角位移,ψ为第二从动杆的角位移。
7.根据权利要求6所述的凸轮曲线槽机构设计缺陷的去特征化修复方法,其特征在于,所述步骤2中,将设计参数对凸轮曲线槽机构输出运动精度的灵敏度进行分析具体如下:
根据滚子运动、凸轮曲线槽机构形状和从动件尺寸,计算出运动误差,在运动误差分析的基础上,分别计算三个影响因子,即位移、速度和加速度的灵敏度,影响因子的灵敏度向量为:
为了得到更准确的特征参数灵敏度,根据特征参数灵敏度的基本计算方法,对特征参数的变化区间进行细分,可以得到运动误差的变化率,因此,特征参数的灵敏度可以表示为:
9.根据权利要求8所述的凸轮曲线槽机构设计缺陷的去特征化修复方法,其特征在于,当前运动性能误差可以用当前位移,速度,加速度误差判别向量的范数来表达,设计缺陷分类及其辨识的基本算法如下:
根据机构的设计要求指标,可以得到位移,速度,加速度的最大误差许可值Wd,Wv,Wa,最大误差许可值Wd,Wv,Wa为许用设计指标向量中各元素的范数:
①若三项运动学参数缺陷判别向量的模均小于最大误差许可值,则凸轮曲线槽机构的运动性能设计满足运动要求,没有运动精度设计缺陷;
②若有一项运动学参数缺陷判别向量的模大于其最大误差许可值,则凸轮曲线槽机构的运动性能设计具有轻度缺陷,在某些情况下凸轮曲线槽机构的运动性能不能够达到使用要求;
③若有两项运动学参数缺陷判别向量的模大于最大误差许可值,则所设计的凸轮曲线槽机构存在局部的运动误差,此时凸轮曲线槽机构运动精度设计具有中度缺陷;
④若三项运动学参数缺陷判别向量的模均大于最大误差许可值,则所设计的凸轮曲线槽机构的运动性能具有重度缺陷,必须对凸轮曲线槽机构进行重新设计。
10.根据权利要求9所述的凸轮曲线槽机构设计缺陷的去特征化修复方法,其特征在于,对凸轮曲线槽机构设计中存在的精度设计缺陷进行修复具体如下:
通过分析运动精度性能指标与特征缺陷之间的直接映射关系,建立设计缺陷特征映射关系图或设计缺陷特征树,在缺陷特征树的基础上,通过灵敏度分析,得到各设计参数对设计缺陷的影响,根据设计参数的灵敏度排序结果,选择对运动精度影响较大的设计参数进行修复;根据选择的运动参数为自变量,以精度设计缺陷判别指标为目标函数,考虑各项约束条件,采用智能算法计算得到使得预期运动精度满足设计指标要求的设计参数组合,进而修复凸轮曲线槽机构设计中存在的精度设计缺陷;
其中,所述所述目标函数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128480.6A CN113836662B (zh) | 2021-09-26 | 2021-09-26 | 凸轮曲线槽机构设计缺陷的动态辨识及去特征化修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128480.6A CN113836662B (zh) | 2021-09-26 | 2021-09-26 | 凸轮曲线槽机构设计缺陷的动态辨识及去特征化修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836662A true CN113836662A (zh) | 2021-12-24 |
CN113836662B CN113836662B (zh) | 2023-04-25 |
Family
ID=78970378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111128480.6A Active CN113836662B (zh) | 2021-09-26 | 2021-09-26 | 凸轮曲线槽机构设计缺陷的动态辨识及去特征化修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836662B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996883A (zh) * | 2022-07-18 | 2022-09-02 | 广州中望龙腾软件股份有限公司 | 基于t型槽型材的连接件装配方法、智能终端及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6128968A (en) * | 1998-03-13 | 2000-10-10 | Mitutuyo Corporation | Constant-pressure mechanism and constant-torque mechanism |
CN1553064A (zh) * | 2003-05-30 | 2004-12-08 | 王国斌 | 等角速同形位低副高变速比机械无级变速器 |
CN101417669A (zh) * | 2008-12-02 | 2009-04-29 | 上海汽车集团股份有限公司 | 汽车转向器 |
CN107609228A (zh) * | 2017-08-23 | 2018-01-19 | 电子科技大学 | 面向并联钻床的自动钻孔方法 |
CN109214093A (zh) * | 2018-09-11 | 2019-01-15 | 电子科技大学 | N叶非圆齿轮节曲线凹尖点设计缺陷的修复方法 |
CN111611727A (zh) * | 2020-06-23 | 2020-09-01 | 南昌航空大学 | 一种保证凸轮机构运动可靠性的优化设计方法 |
-
2021
- 2021-09-26 CN CN202111128480.6A patent/CN113836662B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6128968A (en) * | 1998-03-13 | 2000-10-10 | Mitutuyo Corporation | Constant-pressure mechanism and constant-torque mechanism |
CN1553064A (zh) * | 2003-05-30 | 2004-12-08 | 王国斌 | 等角速同形位低副高变速比机械无级变速器 |
CN101417669A (zh) * | 2008-12-02 | 2009-04-29 | 上海汽车集团股份有限公司 | 汽车转向器 |
CN107609228A (zh) * | 2017-08-23 | 2018-01-19 | 电子科技大学 | 面向并联钻床的自动钻孔方法 |
CN109214093A (zh) * | 2018-09-11 | 2019-01-15 | 电子科技大学 | N叶非圆齿轮节曲线凹尖点设计缺陷的修复方法 |
CN111611727A (zh) * | 2020-06-23 | 2020-09-01 | 南昌航空大学 | 一种保证凸轮机构运动可靠性的优化设计方法 |
Non-Patent Citations (3)
Title |
---|
FAN SHUAI 等: "A new approach to enhance the stiffness of heavy-load parallel robots by means of the component selection" * |
张恩光 等: "基于NX8.0盘形凸轮轮廓曲线的参数化设计及运动仿真" * |
王亚茹;李静;: "基于B样条曲线的配气机构凸轮优化与仿真" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996883A (zh) * | 2022-07-18 | 2022-09-02 | 广州中望龙腾软件股份有限公司 | 基于t型槽型材的连接件装配方法、智能终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113836662B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795836B (zh) | 基于区间与有界概率混合不确定性的机械臂稳健优化方法 | |
Guo et al. | Working mode in aircraft manufacturing based on digital coordination model | |
CN103390082B (zh) | 一种多轴机床几何精度稳健优配方法 | |
CN108062427A (zh) | 基于数值计算的梯度控速降低涡轮盘锻造残余应力的方法 | |
Zhao et al. | On-line part deformation prediction based on deep learning | |
CN109241601B (zh) | 一种基于改进型拉开档次法的数控机床综合性能评价方法 | |
CN102735204B (zh) | 一种基于弦线的航空薄壁叶片加工扭曲度误差测量方法 | |
CN101751499B (zh) | 用于三维船舶建模零件的自动装配方法 | |
CN101413793A (zh) | 复合空间型面几何误差评定方法 | |
CN116578832B (zh) | 预测机械加工零件表面粗糙度的装置 | |
Huang et al. | A systematic approach for online minimizing volume difference of multiple chambers in machining processes based on high-definition metrology | |
CN103279817A (zh) | 一种基于知识的精密塑性成形知识库设计系统 | |
CN105446264A (zh) | 基于特征的机床精度优化设计方法 | |
CN111504191A (zh) | 一种基于三维激光扫描的航空零件自动快速测量方法 | |
Yu et al. | Method for discriminating geometric feasibility in assembly planning based on extended and turning interference matrix | |
CN113836662A (zh) | 凸轮曲线槽机构设计缺陷的动态辨识及去特征化修复方法 | |
Sun et al. | Analysis and optimization of assembly precision-cost model based on 3D tolerance expression | |
CN110310322A (zh) | 一种10微米级高精度器件装配表面检测方法 | |
Zhang et al. | Multi-channels information fusion and deep transfer learning for rotating machinery fault diagnosis | |
Wei et al. | Manufacturing data-driven process adaptive design method | |
CN110175372B (zh) | 一种基于母面特征参数的包络面表征方法 | |
CN116798028A (zh) | 三维零件的尺寸自动标注方法 | |
Wang et al. | An accurate tool wear prediction method under different cutting conditions based on network architecture search | |
Sun et al. | The grouping and matching of three dimensional deviation based on homogeneous transformation and Taguchi theory | |
Li et al. | Part machining deformation prediction based on spatial-temporal correlation learning of geometry and cutting loads |
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 |