CN114676524A - 一种基于动态载荷的主轴刚度测试方法 - Google Patents

一种基于动态载荷的主轴刚度测试方法 Download PDF

Info

Publication number
CN114676524A
CN114676524A CN202210332753.7A CN202210332753A CN114676524A CN 114676524 A CN114676524 A CN 114676524A CN 202210332753 A CN202210332753 A CN 202210332753A CN 114676524 A CN114676524 A CN 114676524A
Authority
CN
China
Prior art keywords
main shaft
module
rigidity
dynamic
spindle
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
CN202210332753.7A
Other languages
English (en)
Inventor
谭逢玖
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.)
Chongqing Wenao Machinery Co ltd
Original Assignee
Chongqing Wenao Machinery Co ltd
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 Chongqing Wenao Machinery Co ltd filed Critical Chongqing Wenao Machinery Co ltd
Priority to CN202210332753.7A priority Critical patent/CN114676524A/zh
Publication of CN114676524A publication Critical patent/CN114676524A/zh
Pending legal-status Critical Current

Links

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]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种基于动态载荷的主轴刚度测试方法，该方法整体采用主轴刚度测试系统，所述主轴刚度测试系统包括主轴结构化参数模块、综合刚度映射模块和动静刚度优化模块，所述主轴结构化参数模块用于获取影响主轴动静刚度的结构参数，所述综合刚度映射模块用于利用神经网络和遗传算法建立主轴性能参数映射模型，所述动静刚度优化模块用于对主轴进行优化，所述主轴结构化参数模块与综合刚度映射模块电连接，所述综合刚度映射模块与动静刚度优化模块电连接，建立主轴简化三维模型，施加对应载荷和约束获得各结构参数，进行神经模型训练并输出，最后根据模型进行主轴优化，本发明，具有提高加工精度和加工效率的的特点。

Description

一种基于动态载荷的主轴刚度测试方法
技术领域
本发明涉及主轴刚度测试技术领域，具体为一种基于动态载荷的主轴刚度测试方法。
背景技术
机床主轴指的是机床上带动工件或刀具旋转的轴，作为机床核心零件，主轴的性能优劣影响着机床加工精度和加工效率，主轴刚度作为机床主轴重要性能指标，对被加工工件的尺寸形状误差，主轴工作性能和寿命，机床抗振性有着重要的影响，机床的动静态刚度直接影响机床的加工精度及加工效率，是衡量机床性能的重要指标，在高速精加工机床主轴上是机床抗振和抗外力干扰能力的体现。
现有机床主轴的检测多是只能对主轴某一位置施加竖直方向的载荷，单个位置采用相同方向的载荷检测方式容易出现误差，同时对不同尺寸主轴的检测有时需要更换不同的夹持机构，因此现有测试装置精准性和实用性不理想，同时针对机床结构化和主轴的结构化，人们对主轴进行刚度优化设计时，设计变量的选取常根据以往优化经验进行确定，没有针对敏感变形结构参数进行更为高效的优化，主轴动静刚度与后续加工成本的控制没有得到很好的统一，因此，设计提高加工精度和加工效率的一种基于动态载荷的主轴刚度测试方法是很有必要的。
发明内容
本发明的目的在于提供一种基于动态载荷的主轴刚度测试方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于动态载荷的主轴刚度测试方法，该方法整体采用主轴刚度测试系统，所述主轴刚度测试系统包括主轴结构化参数模块、综合刚度映射模块和动静刚度优化模块，所述主轴结构化参数模块用于根据主轴变形位移和固有频率获取影响主轴动静刚度的结构参数，所述综合刚度映射模块用于利用神经网络和遗传算法将获得的结构参数建立主轴性能参数映射模型，所述动静刚度优化模块用于对主轴进行优化使机床主轴静动刚度处于优水平状态，所述主轴结构化参数模块与综合刚度映射模块电连接，所述综合刚度映射模块与动静刚度优化模块电连接。
根据上述技术方案，所述主轴结构化参数模块包括三维建模简化模块、主轴静态形变模块和主轴动刚度模块，所述三维建模简化模块用于将主轴结构进行简化并三维建模，所述主轴静态形变模块用于相关结构参数在载荷作用下主轴径向方向上引起的变形位移，所述主轴动刚度模块用于利用在载荷作用下主轴固有频率和动刚度的正相关系获得影响的相关结构参数，所述三维建模简化模块与主轴静态形变模块电连接，所述主轴静态形变模块与主轴动刚度模块电连接。
根据上述技术方案，所述综合刚度映射模块包括结构参数模块、参数变量模块、BP神经网络模块和遗传算法结合模块，所述结构参数模块用于将获得的影响主轴动静刚度的结构参数进行记录排序，所述参数变量模块用于选取合适的结构参数和性能参数作为模型的输入输出变量，所述BP神经网络模块用于选用BP神经网络对结构参数进行多次训练后输出和预想结果一致的参数模型，所述遗传算法结合模块用于应用遗传算法弥补神经网络中存在收敛速度慢，容易陷入局部最优解导致训练失败的缺陷，所述结构参数模块与参数变量模块电连接，所述BP神经网络模块与遗传算法结合模块电连接；
所述参数变量模块包括输入变量子模块和输出变量子模块，所述输入变量子模块用于在众多有影响的结构参数中选取影响最大的参数作为神经网络的输入变量，所述输出变量子模块用于选取主轴本身的性能参数作为神经网络的输出变量进行模型训练，所述输入变量子模块与输出变量子模块电连接。
根据上述技术方案，所述动静刚度优化模块包括结构优化模块、参数水平组合模块和主轴优化模块，所述结构优化模块用于选取机床主轴结构参数作为设计变量，建立主轴结构优化数学模型，所述参数水平组合模块用于将改进的主轴性能映射模型运用于约束条件中，获得最优结构参数水平组合，所述主轴优化模块用于根据影响主轴动静刚度的结构参数和主轴性能神经网络模型对主轴进行优化，所述结构优化模块与参数水平组合模块电连接，所述参数水平组合模块与主轴优化模块电连接。
根据上述技术方案，所述一种基于动态载荷的主轴刚度测试方法，所述主轴刚度测试方法包括以下步骤：
步骤S1：对刚度测试台上的主轴进行简化三维模型建立，根据实际工况下的载荷和约束条件对机床主轴进行受力分析；
步骤S2：通过工控机控制主轴，采集主轴轴向变形方向上位移的变化数据，筛选出对主轴径向刚度变化影响显著的结构参数，运用主轴固有频率与动刚度间的正相关关系，筛选出对主轴动刚度变化影响显著的结构参数；
步骤S3：利用筛选获得的结构参数作为输入变量，主轴性能参数作为输出变量，建立机床主轴BP神经网络模型，结合遗传算法对其进行优化；
步骤S4：建立结构优化数学模型，对机床主轴结构参数进行优化，获得最优结构参数水平组合。
根据上述技术方案，所述步骤S1进一步包括以下步骤：
步骤S11：建立三维模型时删除主轴部件上的微小特征，对机床主轴进行结构简化；
步骤S12：在满足主轴结构要求的前提下选取较小悬伸量，主轴的刚度受轴承悬伸量的影响；
步骤S13：利用外圆切削的加工方式对主轴施加约束及载荷，模拟对应工况下的主轴受力状态，进行主轴的受力分析；
步骤S14：主轴受力变形过程中，以主轴轴芯处建立右侧水平方向的X轴，竖直方向的Z轴和前侧水平方向的Y轴，主轴本身与前支承轴承、后支承轴承均受力变形，并引起主轴轴端位移。
根据上述技术方案，所述步骤S2进一步包括以下步骤：
步骤S21：应用三维模型的参数驱动，采集记录主轴任一结构参数集{D1，D2，…Dn}在模型中对应的主轴径向形变力集{L1，L2，…Ln}；
步骤S22：计算结构参数对主轴X方向上最大形变量的影响，用主轴径向刚度表示该影响，主轴径向刚度计算公式为：
Figure BDA0003575857640000041
式中，Fi为主轴径向刚度，Δr为不同工况条件下设定的主轴所受载荷，Lmax为主轴径向形变力集中的最大形变量；
步骤S23：通过对主轴原始模型进行有约束条件的模态分析，获取不同结构参数在一阶次固有频率下产生的轴向形变力集{l1，l2，…ln}；
步骤S24：在正弦交变载荷作用下计算主轴表现出的刚度，即计算关于激振频率函数的动刚度Fj，计算公式为：
Figure BDA0003575857640000042
式中，A为主轴在载荷作用下震动的幅度值，li为主轴在激振频率函数对应的轴向形变力，ω为一阶次中对应的固有频率。
根据上述技术方案，所述步骤S3进一步包括以下步骤：
步骤S31：运用神经网络构建映射模型表征结构参数与主轴动静刚度间的非线性关系，BP神经网络根据结构参数训练得到的结果与预想结果进行误差分析后修改权值和阈值，多次训练并输出和预想结果一致的参数模型；
步骤S32：将分别影响径向刚度和动刚度的结构参数按照影响关系的大小进行降序排序，选取各受影响最大的前三个结构参数作为映射模型的输入变量，并在对主轴性能指标的约束下，选取主轴对应的最大位移量和一阶固有频率，以及设定的约束条件指标主轴质量、位移幅值和最大应力五个参数作为最终映射模型的输出变量；
步骤S33：结合遗传算法对输入的数据进行预处理操作后，BP神经网络确定对应的网络拓扑结构，并初始BP神经网络权值和阈值长度，进行多次网络训练以得到误差值，将其作为适应度值进行后续预测输出。
根据上述技术方案，所述步骤S33中，因标准的BP神经网络因存在收敛速度慢，容易陷入局部最优解导致训练失败的缺陷，因此运用遗传算法的全局寻优及局部寻优的特点，先在解空间确定一个较好的搜索空间，使网络训练从一开始就处于误差曲面最优解位置。
根据上述技术方案，所述步骤S4进一步包括以下步骤：
步骤S41：选取机床主轴结构参数作为设计变量，建立主轴结构优化数学模型，对机床主轴结构参数进行优化，将改进的主轴性能映射模型运用于约束条件中，获得最优结构参数水平组合；
步骤S42：利用主轴结构参数对动静刚度影响敏感度的分析结果，结合主轴性能神经网络模型，在保证机床主轴结构质量不变的情况下，对主轴进行优化，使机床主轴静动刚度均处于优水平状态。
与现有技术相比，本发明所达到的有益效果是：本发明，通过设置有主轴结构化参数模块、综合刚度映射模块和动静刚度优化模块，对主轴进行简化三维建模，运用单一变量法获得对主轴静刚度和动刚度变化影响显著的主轴结构参数，再对主轴静动刚度进行综合考虑，运用神经网络建立主轴性能映射模型，通过BP神经网络模型结合遗传算法对神经网络模型进行改进，得到主轴结构参数与性能指标间的关系，最后建立主轴结构优化数学模型，对机床主轴进行结构优化。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的系统模块组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：一种基于动态载荷的主轴刚度测试方法，该方法整体采用主轴刚度测试系统，主轴刚度测试系统包括主轴结构化参数模块、综合刚度映射模块和动静刚度优化模块，主轴结构化参数模块用于根据主轴变形位移和固有频率获取影响主轴动静刚度的结构参数，综合刚度映射模块用于利用神经网络和遗传算法将获得的结构参数建立主轴性能参数映射模型，动静刚度优化模块用于对主轴进行优化使机床主轴静动刚度处于优水平状态，主轴结构化参数模块与综合刚度映射模块电连接，综合刚度映射模块与动静刚度优化模块电连接，主轴的动静刚度是直接影响后续机床的加工精度和加工效率，通过建立主轴简化三维模型，施加对应载荷进行主轴径向变形位移的获取，以及通过主轴动刚度随频率的而增加而增大的特性，整体获得对主轴影响较大的各结构参数，以此为神经网络的输入变量结合主轴本身性能参数做输出变量进行模型训练输出，最后根据模型进行主轴优化以此提高后续加工精度和效率。
主轴结构化参数模块包括三维建模简化模块、主轴静态形变模块和主轴动刚度模块，三维建模简化模块用于将主轴结构进行简化并三维建模，主轴静态形变模块用于相关结构参数在载荷作用下主轴径向方向上引起的变形位移，主轴动刚度模块用于利用在载荷作用下主轴固有频率和动刚度的正相关系获得影响的相关结构参数，三维建模简化模块与主轴静态形变模块电连接，主轴静态形变模块与主轴动刚度模块电连接，删除一些会影响后续精度的主轴结构，进行简单的三维建模，并施加对应工况下的载荷和约束，获得对主轴径向和轴向方向的影响动静刚度的结构参数。
综合刚度映射模块包括结构参数模块、参数变量模块、BP神经网络模块和遗传算法结合模块，结构参数模块用于将获得的影响主轴动静刚度的结构参数进行记录排序，参数变量模块用于选取合适的结构参数和性能参数作为模型的输入输出变量，BP神经网络模块用于选用BP神经网络对结构参数进行多次训练后输出和预想结果一致的参数模型，遗传算法结合模块用于应用遗传算法弥补神经网络中存在收敛速度慢，容易陷入局部最优解导致训练失败的缺陷，结构参数模块与参数变量模块电连接，BP神经网络模块与遗传算法结合模块电连接；
参数变量模块包括输入变量子模块和输出变量子模块，输入变量子模块用于在众多有影响的结构参数中选取影响最大的参数作为神经网络的输入变量，输出变量子模块用于选取主轴本身的性能参数作为神经网络的输出变量进行模型训练，输入变量子模块与输出变量子模块电连接。
动静刚度优化模块包括结构优化模块、参数水平组合模块和主轴优化模块，结构优化模块用于选取机床主轴结构参数作为设计变量，建立主轴结构优化数学模型，参数水平组合模块用于将改进的主轴性能映射模型运用于约束条件中，获得最优结构参数水平组合，主轴优化模块用于根据影响主轴动静刚度的结构参数和主轴性能神经网络模型对主轴进行优化，结构优化模块与参数水平组合模块电连接，参数水平组合模块与主轴优化模块电连接。
一种基于动态载荷的主轴刚度测试方法，主轴刚度测试方法包括以下步骤：
步骤S1：对刚度测试台上的主轴进行简化三维模型建立，根据实际工况下的载荷和约束条件对机床主轴进行受力分析；
步骤S2：通过工控机控制主轴，采集主轴轴向变形方向上位移的变化数据，筛选出对主轴径向刚度变化影响显著的结构参数，运用主轴固有频率与动刚度间的正相关关系，筛选出对主轴动刚度变化影响显著的结构参数；
步骤S3：利用筛选获得的结构参数作为输入变量，主轴性能参数作为输出变量，建立机床主轴BP神经网络模型，结合遗传算法对其进行优化；
步骤S4：建立结构优化数学模型，对机床主轴结构参数进行优化，获得最优结构参数水平组合。
步骤S1进一步包括以下步骤：
步骤S11：建立三维模型时删除主轴部件上的微小特征，对机床主轴进行结构简化，主轴上细微的特征对网格划分需要极高的精度要求，使得划分后的网格比较密集，造成计算量成倍的增加，普通工控机难以处理且计算的准确性得不到保证，因此对其进行删除；
步骤S12：在满足主轴结构要求的前提下选取较小悬伸量，主轴的刚度受轴承悬伸量的影响，悬伸量指主轴前端到主轴前支承中点的距离，随着前端轴承悬伸量增大，主轴刚度反而减小；
步骤S13：利用外圆切削的加工方式对主轴施加约束及载荷，模拟对应工况下的主轴受力状态，进行主轴的受力分析；
步骤S14：主轴受力变形过程中，以主轴轴芯处建立右侧水平方向的X轴，竖直方向的Z轴和前侧水平方向的Y轴，主轴本身与前支承轴承、后支承轴承均受力变形，并引起主轴轴端位移，轴端位移包含主轴本身弯曲变形和轴承变形导致的主轴轴端变形位移。
步骤S2进一步包括以下步骤：
步骤S21：应用三维模型的参数驱动，采集记录主轴任一结构参数集{D1，D2，…Dn}在模型中对应的主轴径向形变力集{L1，L2，…Ln}；
步骤S22：计算结构参数对主轴X方向上最大形变量的影响，用主轴径向刚度表示该影响，主轴径向刚度计算公式为：
Figure BDA0003575857640000091
式中，Fi为主轴径向刚度，Δr为不同工况条件下设定的主轴所受载荷，Lmax为主轴径向形变力集中的最大形变量，在主轴所受载荷量一定的情况下，主轴径向刚度大小受主轴最大变形量影响，X轴方向作为主轴敏感变形方向，在X方向上主轴的最大变形量变化能够清晰体现主轴最终最大变形量的变化；
步骤S23：通过对主轴原始模型进行有约束条件的模态分析，获取不同结构参数在一阶次固有频率下产生的轴向形变力集{l1，l2，…ln}，模态分析是分析模态参数的过程，模态是指机械结构的固有振动特性，每一个模态都有特定的固有频率、阻尼比和模态振型；
步骤S24：在正弦交变载荷作用下计算主轴表现出的刚度，即计算关于激振频率函数的动刚度Fj，计算公式为：
Figure BDA0003575857640000092
式中，A为主轴在载荷作用下震动的幅度值，li为主轴在激振频率函数对应的轴向形变力，ω为一阶次中对应的固有频率，因主轴的固有频率值随着阶次的增长而变大，而机械产品的动态特性主要由低阶模态决定，因此选用主轴在载荷作用下震动的幅度值A和各参数在一阶固有频率下的轴向形变力表征主轴的动刚度，即在一阶固有频率下，轴向形变力越大，主轴的动态特性越好。
步骤S3进一步包括以下步骤：
步骤S31：运用神经网络构建映射模型表征结构参数与主轴动静刚度间的非线性关系，BP神经网络根据结构参数训练得到的结果与预想结果进行误差分析后修改权值和阈值，多次训练并输出和预想结果一致的参数模型，在研究结构参数与主轴刚度映射关系时，应选择能快速反应主轴动静刚度的结构参数作为输入量，当结构参数发生变化时，能通过模型快速计算出对应的动静刚度的主轴性能指标作为输出量；
步骤S32：将分别影响径向刚度和动刚度的结构参数按照影响关系的大小进行降序排序，选取各受影响最大的前三个结构参数作为映射模型的输入变量，并在对主轴性能指标的约束下，选取主轴对应的最大位移量和一阶固有频率，以及设定的约束条件指标主轴质量、位移幅值和最大应力五个参数作为最终映射模型的输出变量；
步骤S33：结合遗传算法对输入的数据进行预处理操作后，BP神经网络确定对应的网络拓扑结构，并初始BP神经网络权值和阈值长度，进行多次网络训练以得到误差值，将其作为适应度值进行后续预测输出，BP神经网络作为多层前馈神经网络，最大的特点是不需要精确的函数表达式而是通过进行大量的数据学习进行模拟训练，权值训练，通过神经元之间的连接阈值和权值建立映射关系结构简单，计算速度快，能较为便捷的解决多目标优化问题。
步骤S33中，因标准的BP神经网络因存在收敛速度慢，容易陷入局部最优解导致训练失败的缺陷，因此运用遗传算法的全局寻优及局部寻优的特点，先在解空间确定一个较好的搜索空间，使网络训练从一开始就处于误差曲面最优解位置，在遗传算法中，利用适应度函数评估个体对环境的适应度，适应度函数值越大说明该个体越好，在进行选择操作时以适应度为依据对群体进行优胜劣汰，适应度高的参数个体更有可能遗传到下一代群体，适应度低的个体遗传到下一代的概率小。
步骤S4进一步包括以下步骤：
步骤S41：选取机床主轴结构参数作为设计变量，建立主轴结构优化数学模型，对机床主轴结构参数进行优化，将改进的主轴性能映射模型运用于约束条件中，获得最优结构参数水平组合；
步骤S42：利用主轴结构参数对动静刚度影响敏感度的分析结果，结合主轴性能神经网络模型，在保证机床主轴结构质量不变的情况下，对主轴进行优化，使机床主轴静动刚度均处于优水平状态。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于动态载荷的主轴刚度测试方法，其特征在于：该方法整体采用主轴刚度测试系统，所述主轴刚度测试系统包括主轴结构化参数模块、综合刚度映射模块和动静刚度优化模块，所述主轴结构化参数模块用于根据主轴变形位移和固有频率获取影响主轴动静刚度的结构参数，所述综合刚度映射模块用于利用神经网络和遗传算法将获得的结构参数建立主轴性能参数映射模型，所述动静刚度优化模块用于对主轴进行优化使机床主轴静动刚度处于优水平状态，所述主轴结构化参数模块与综合刚度映射模块电连接，所述综合刚度映射模块与动静刚度优化模块电连接。
2.根据权利要求1所述的一种基于动态载荷的主轴刚度测试方法，其特征在于：所述主轴结构化参数模块包括三维建模简化模块、主轴静态形变模块和主轴动刚度模块，所述三维建模简化模块用于将主轴结构进行简化并三维建模，所述主轴静态形变模块用于相关结构参数在载荷作用下主轴径向方向上引起的变形位移，所述主轴动刚度模块用于利用在载荷作用下主轴固有频率和动刚度的正相关系获得影响的相关结构参数，所述三维建模简化模块与主轴静态形变模块电连接，所述主轴静态形变模块与主轴动刚度模块电连接。
3.根据权利要求2所述的一种基于动态载荷的主轴刚度测试方法，其特征在于：所述综合刚度映射模块包括结构参数模块、参数变量模块、BP神经网络模块和遗传算法结合模块，所述结构参数模块用于将获得的影响主轴动静刚度的结构参数进行记录排序，所述参数变量模块用于选取合适的结构参数和性能参数作为模型的输入输出变量，所述BP神经网络模块用于选用BP神经网络对结构参数进行多次训练后输出和预想结果一致的参数模型，所述遗传算法结合模块用于应用遗传算法弥补神经网络中存在收敛速度慢，容易陷入局部最优解导致训练失败的缺陷，所述结构参数模块与参数变量模块电连接，所述BP神经网络模块与遗传算法结合模块电连接；
所述参数变量模块包括输入变量子模块和输出变量子模块，所述输入变量子模块用于在众多有影响的结构参数中选取影响最大的参数作为神经网络的输入变量，所述输出变量子模块用于选取主轴本身的性能参数作为神经网络的输出变量进行模型训练，所述输入变量子模块与输出变量子模块电连接。
4.根据权利要求3所述的一种基于动态载荷的主轴刚度测试方法，其特征在于：所述动静刚度优化模块包括结构优化模块、参数水平组合模块和主轴优化模块，所述结构优化模块用于选取机床主轴结构参数作为设计变量，建立主轴结构优化数学模型，所述参数水平组合模块用于将改进的主轴性能映射模型运用于约束条件中，获得最优结构参数水平组合，所述主轴优化模块用于根据影响主轴动静刚度的结构参数和主轴性能神经网络模型对主轴进行优化，所述结构优化模块与参数水平组合模块电连接，所述参数水平组合模块与主轴优化模块电连接。
5.基于权利要求1-4中任一项所述的一种基于动态载荷的主轴刚度测试方法，所述主轴刚度测试方法包括以下步骤：
步骤S1：对刚度测试台上的主轴进行简化三维模型建立，根据实际工况下的载荷和约束条件对机床主轴进行受力分析；
步骤S2：通过工控机控制主轴，采集主轴轴向变形方向上位移的变化数据，筛选出对主轴径向刚度变化影响显著的结构参数，运用主轴固有频率与动刚度间的正相关关系，筛选出对主轴动刚度变化影响显著的结构参数；
步骤S3：利用筛选获得的结构参数作为输入变量，主轴性能参数作为输出变量，建立机床主轴BP神经网络模型，结合遗传算法对其进行优化；
步骤S4：建立结构优化数学模型，对机床主轴结构参数进行优化，获得最优结构参数水平组合。
6.根据权利要求5所述的一种基于动态载荷的主轴刚度测试方法，其特征在于：所述步骤S1进一步包括以下步骤：
步骤S11：建立三维模型时删除主轴部件上的微小特征，对机床主轴进行结构简化；
步骤S12：在满足主轴结构要求的前提下选取较小悬伸量，主轴的刚度受轴承悬伸量的影响；
步骤S13：利用外圆切削的加工方式对主轴施加约束及载荷，模拟对应工况下的主轴受力状态，进行主轴的受力分析；
步骤S14：主轴受力变形过程中，以主轴轴芯处建立右侧水平方向的X轴，竖直方向的Z轴和前侧水平方向的Y轴，主轴本身与前支承轴承、后支承轴承均受力变形，并引起主轴轴端位移。
7.根据权利要求6所述的一种基于动态载荷的主轴刚度测试方法，其特征在于：所述步骤S2进一步包括以下步骤：
步骤S21：应用三维模型的参数驱动，采集记录主轴任一结构参数集{D1，D2，…Dn}在模型中对应的主轴径向形变力集{L1，L2，…Ln}；
步骤S22：计算结构参数对主轴X方向上最大形变量的影响，用主轴径向刚度表示该影响，主轴径向刚度计算公式为：
Figure FDA0003575857630000031
式中，Fi为主轴径向刚度，Δr为不同工况条件下设定的主轴所受载荷，Lmax为主轴径向形变力集中的最大形变量；
步骤S23：通过对主轴原始模型进行有约束条件的模态分析，获取不同结构参数在一阶次固有频率下产生的轴向形变力集{l1，l2，…ln}；
步骤S24：在正弦交变载荷作用下计算主轴表现出的刚度，即计算关于激振频率函数的动刚度Fj，计算公式为：
Figure FDA0003575857630000041
式中，A为主轴在载荷作用下震动的幅度值，li为主轴在激振频率函数对应的轴向形变力，ω为一阶次中对应的固有频率。
8.根据权利要求7所述的一种基于动态载荷的主轴刚度测试方法，其特征在于：所述步骤S3进一步包括以下步骤：
步骤S31：运用神经网络构建映射模型表征结构参数与主轴动静刚度间的非线性关系，BP神经网络根据结构参数训练得到的结果与预想结果进行误差分析后修改权值和阈值，多次训练并输出和预想结果一致的参数模型；
步骤S32：将分别影响径向刚度和动刚度的结构参数按照影响关系的大小进行降序排序，选取各受影响最大的前三个结构参数作为映射模型的输入变量，并在对主轴性能指标的约束下，选取主轴对应的最大位移量和一阶固有频率，以及设定的约束条件指标主轴质量、位移幅值和最大应力五个参数作为最终映射模型的输出变量；
步骤S33：结合遗传算法对输入的数据进行预处理操作后，BP神经网络确定对应的网络拓扑结构，并初始BP神经网络权值和阈值长度，进行多次网络训练以得到误差值，将其作为适应度值进行后续预测输出。
9.根据权利要求8所述的一种基于动态载荷的主轴刚度测试方法，其特征在于：所述步骤S33中，因标准的BP神经网络因存在收敛速度慢，容易陷入局部最优解导致训练失败的缺陷，因此运用遗传算法的全局寻优及局部寻优的特点，先在解空间确定一个较好的搜索空间，使网络训练从一开始就处于误差曲面最优解位置。
10.根据权利要求9所述的一种基于动态载荷的主轴刚度测试方法，其特征在于：所述步骤S4进一步包括以下步骤：
步骤S41：选取机床主轴结构参数作为设计变量，建立主轴结构优化数学模型，对机床主轴结构参数进行优化，将改进的主轴性能映射模型运用于约束条件中，获得最优结构参数水平组合；
步骤S42：利用主轴结构参数对动静刚度影响敏感度的分析结果，结合主轴性能神经网络模型，在保证机床主轴结构质量不变的情况下，对主轴进行优化，使机床主轴静动刚度均处于优水平状态。
CN202210332753.7A 2022-03-31 2022-03-31 一种基于动态载荷的主轴刚度测试方法 Pending CN114676524A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210332753.7A CN114676524A (zh) 2022-03-31 2022-03-31 一种基于动态载荷的主轴刚度测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210332753.7A CN114676524A (zh) 2022-03-31 2022-03-31 一种基于动态载荷的主轴刚度测试方法

Publications (1)

Publication Number Publication Date
CN114676524A true CN114676524A (zh) 2022-06-28

Family

ID=82076883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210332753.7A Pending CN114676524A (zh) 2022-03-31 2022-03-31 一种基于动态载荷的主轴刚度测试方法

Country Status (1)

Country Link
CN (1) CN114676524A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115688522A (zh) * 2022-11-03 2023-02-03 四川大学 一种悬伸式主轴机床结构优化方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115688522A (zh) * 2022-11-03 2023-02-03 四川大学 一种悬伸式主轴机床结构优化方法及系统
CN115688522B (zh) * 2022-11-03 2023-11-03 四川大学 一种悬伸式主轴机床结构优化方法及系统

Similar Documents

Publication Publication Date Title
He et al. Using genetic algorithms and finite element methods to detect shaft crack for rotor-bearing system
CN111723440B (zh) 一种薄壁件加工精度预测混合建模方法
CN110795780B (zh) 一种基于XGBoost算法的斜拉桥有限元修正方法
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
CN108399287B (zh) 采用模糊层次分析的机床横梁设计方案的评估方法
Fountas et al. An integrated framework for optimizing sculptured surface CNC tool paths based on direct software object evaluation and viral intelligence
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
CN115422814B (zh) 一种数字孪生驱动的复杂机电产品闭环优化设计方法
He et al. Big data-oriented product infant failure intelligent root cause identification using associated tree and fuzzy DEA
CN114676524A (zh) 一种基于动态载荷的主轴刚度测试方法
CN111460701B (zh) 一种故障诊断模型训练方法和装置
Liu et al. Thermal error modeling of gear hobbing machine based on IGWO-GRNN
CN110210079A (zh) 一种面向整机动态特性的机床支承件质量匹配方法
CN108460191B (zh) 基于质量功能展开的机床横梁设计方案的优选方法
CN116127695A (zh) 一种基于综合性能评价的生产线构建方法及系统
CN114970028A (zh) 一种数字孪生驱动的制造装备研发方法及系统
Masalimov et al. Diagnostics of the tool condition in metal-cutting machines by means of recurrent neural networks
Wu et al. Layout optimization of auxiliary support for deflection errors suppression in end milling of flexible blade
CN116910513A (zh) 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法
CN115455754A (zh) 一种基于数字孪生的矿山液压支架设计方法
CN112990601B (zh) 基于数据挖掘的蜗轮加工精度自愈系统及方法
CN111209694B (zh) 一种桁架结构刚度和轴力的结构识别方法
Plessing et al. AI-Based Surface Roughness Prediction Model for Automated CAM-Planning Optimization
Jiang et al. Application of an optimized grey system model on 5-Axis CNC machine tool thermal error modeling

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