CN114999596A - 一种滑动结合部虚拟材料层参数识别方法 - Google Patents
一种滑动结合部虚拟材料层参数识别方法 Download PDFInfo
- Publication number
- CN114999596A CN114999596A CN202210610795.2A CN202210610795A CN114999596A CN 114999596 A CN114999596 A CN 114999596A CN 202210610795 A CN202210610795 A CN 202210610795A CN 114999596 A CN114999596 A CN 114999596A
- Authority
- CN
- China
- Prior art keywords
- material layer
- model
- virtual material
- sliding joint
- parameters
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 14
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 13
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 8
- 230000005284 excitation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及一种滑动结合部虚拟材料层参数识别方法,包括:步骤1:构建机床滑动结合部的三维几何模型;步骤2:基于步骤1建立的三维几何模型构建滑动结合部的有限元模型;步骤3:通过有限元模型与参数化分析工具获得模态分析数据,并构建数据集;步骤4:构建中间参数预测模型,并采用步骤3获取的数据集对中间参数预测模型进行训练;步骤5:获取机床模态数据;步骤6:构建虚拟材料层参数识别模型,将步骤5获取的机床模态数据输入虚拟材料层参数识别模型,获取虚拟材料层参数识别结果。与现有技术相比,本发明具有高效、精准等优点。
Description
技术领域
本发明涉及一种机床结合部动态特性参数识别技术领域,尤其是涉及一种基于深度神经网络建模的滑动结合部虚拟材料层参数识别方法。
背景技术
机床一般是由多个零部件组成的复杂系统,其性能由这些零件以及零件与零件之间的连接处即“结合部”的性能共同决定。因此,要准确地预测机床的动态性能,建模时就必须考虑结合部的特性。传统的弹簧-阻尼模型常常伴随弹簧-阻尼器数量和位置难以确定、不能完全反映结合部的动态特性的问题。虚拟材料层法建模可以简化结合部,并且易于有限元衔接,可以成功避免弹簧-阻尼模型的不足。虚拟材料层法建模的关键是弹性模量、泊松比、密度等参数的获取。因此,基于虚拟材料层法的结合部等效建模参数的辨识对于进一步提高结合部建模精度以及进一步的深入机床研究具有十分重要的意义。
从目前研究来看,对于虚拟材料层法建模参数的辨识,还没有高效、准确且操作简单的方法。在虚拟材料层法等效建模参数识别方法中,文献1:田红亮,刘芙蓉,方子帆,等.引入各向同性虚拟材料的固定结合部模型[J].振动工程学报,2013,26(4):13.提出了一种机床固定结合部动态特性的建模解析方法。尽管其理论计算法比较方便的求得结合部的动态特性参数,但是结合部往往结构及接触特性复杂且影响因素众多,在实际工程应用中较为依赖技术经验,通常只能在特定条件下采用该方法且精度不高。中国专利CN101832881A中公开了一种机床固定结合部动态特性的检测方法,其将固定结合部看成一种等截面的虚拟材料,通过求取虚拟材料层参数并将其带人有限元软件来检测含结合部的复杂部件的动态特性。该方法依赖的接触表面分形维数和分形粗糙度系数均难以测量,难以提供准确的虚拟材料层参数。中国专利CN103323278A和中国专利CN110362951A分别公开了一种滑动导轨系统虚拟材料层参数的识别方法和一种滚珠丝杠进给系统结合部虚拟材料模型参数获取方法,虽然两者都实现了结合部虚拟材料层参数的识别,但是操作复杂且识别的参数精度有待进一步提升。
综上,现有技术中针对虚拟材料层法建模参数的辨识方法大都精度不高,并且操作难度较大,因此亟需一种操作难度不大,并且能够保证识别精度的虚拟材料层参数识别方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种高效精准的滑动结合部虚拟材料层参数识别方法。
本发明的目的可以通过以下技术方案来实现:
本发明提供一种滑动结合部虚拟材料层参数识别方法,所述的参数识别方法包括:
步骤1:构建机床滑动结合部的三维几何模型;
步骤2:基于步骤1建立的三维几何模型构建滑动结合部的有限元模型;
步骤3:通过有限元模型与参数化分析工具获得模态分析数据,并构建数据集;
步骤4:构建中间参数预测模型,并采用步骤3获取的数据集对中间参数预测模型进行训练;
步骤5:获取机床模态数据;
步骤6:构建虚拟材料层参数识别模型,将步骤5获取的机床模态数据输入虚拟材料层参数识别模型,获取虚拟材料层参数识别结果。
作为优选的技术方案,所述的步骤2具体为:
将三维几何模型导入有限元分析软件,利用其薄弹性层模块构建一层1mm厚的虚拟材料层等效各滑动结合部,分别定义平型导轨滑动结合部虚拟材料层参数和V型导轨滑动结合部虚拟材料层参数,再设置其材料属性、约束条件以及网格划分,从而建立机床的有限元模型。
作为优选的技术方案,所述的步骤3具体为:
首先,确定各滑动结合部虚拟材料层材料参数的取值范围,并在取值范围内获取N组随机、无序且均匀分布的样本点;
其次,将样本点输入有限元软件,获取N组相对应n阶固有频率,以此作为有限元输出项,完成输入-输出数据集的构建。
作为优选的技术方案,所述的步骤4具体为:
首先,以步骤2定义的滑动结合部虚拟材料层参数作为输入,以n阶固有频率为输出,构建具有2~10层隐含层的深度神经网络模型作为中间参数预测模型;
然后,以步骤3获取的数据集对深度神经网络模型进行训练,通过预设的模型评价指标筛选最优网络模型。
作为优选的技术方案,所述的最优网络模型的筛选方法为:
首先,随机产生若干组非训练样本点的数据集作为测试集,对训练好的深度神经网络模型进行测试,然后采用预设的评价指标筛选最优网络模型。
作为优选的技术方案,所述的评价指标包括全局平均绝对误差和全局平均绝对百分比误差,即全局MAE和全局MAPE;
所述的最优网络模型为全局MAE和全局MAPE数值最小的网络模型。
作为优选的技术方案,所述步骤6中的虚拟材料层参数识别模型具体为:
以待识别的平面磨床滑动结合部虚拟材料层参数设计变量,以虚拟材料层动态参数的取值范围为约束条件,结合深度神经网络预测的固有频率与实验测得的固有频率构建目标函数,从而建立机滑动结合部虚拟材料层动态特性参数优化识别模型。
作为优选的技术方案,所述的虚拟材料层参数识别模型采用粒子群优化算法进行求解,以识别所有滑动结合部虚拟材料层的参数。
作为优选的技术方案,所述的虚拟材料层参数识别方法还包括:
步骤7:将步骤6获取的识别结果代入步骤2建立的有限元模型进行模态分析,以模态分析的理论值与实验的实验值进行对比,以校验模型的正确性和精度。
作为优选的技术方案,所述的步骤7具体为:
将步骤6获取的识别结果代入步骤2建立的有限元模型进行模态分析,计算在此动态特性参数条件下的机床固有频率理论值,并将固有频率理论值与实验值的固有频率进行对比,获得相应的相对误差值,从而验证虚拟材料层参数识别模型的精度。
与现有技术相比,本发明具有以下有益效果:
一、精度高:
本发明采用虚拟材料层法这种结合部等效建模方法代替传统的弹簧-阻尼法等效建模方法实现结合部的等效建模。同时,采用深度神经网络来构建中间参数预测模型,采用粒子群算法对构建的虚拟材料层参数识别模型进行优化识别,从而有效的提高了结合部的等效建模精度和建模参数的识别精度。
二、效率高:
随着深度神经网络技术的发展,借助有限元分析技术,可轻松获取结合部接触力学特性的海量数据,为所建中间参数预测模型的有效实施提供了充足的保障。同时,所建的中间参数预测模型突破了传统解析、半解析方法的束缚,减少了理论计算的繁琐过程并提高了准确性。
附图说明
图1为本发明实施例中滑动结合部虚拟材料层参数识别方法的流程示意图;
图2为本发明实施例中平面磨床工作台-床身的三维模型示意图;
图3为本发明实施例中平面磨床工作台-床身的滑动结合部示意图;
图4为本发明实施例中平面磨床工作台-床身的滑动结合部虚拟材料层法等效原理图;
图5为本发明实施例中构建的不同隐含层的深度神经网络模型性能对比示意图;
其中,图5(a)和图5(b)分别为全局MAE和全局MAPE数值;
图6为本发明实施例中模态测试等效机械模型及测点分布示意图;
图7为本发明实施例中粒子群优化算法寻优收敛曲线示意图。
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
此处所称的“一个实施例”或“实施例”是指可包含于本申请至少一个实现方式中的特定特征、结构或特性。在本申请的描述中,需要理解的是,术语“上”、“下”、“左”、“右”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且,术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
实施例1
本实施例提供一种滑动结合部虚拟材料层参数识别方法,本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。该方法应可以由软件和/或硬件的方式实现。所述方法可以包括:
步骤101:构建机床滑动结合部的三维几何模型;
步骤102:基于步骤101建立的三维几何模型构建滑动结合部的有限元模型;
步骤103:通过有限元模型与参数化分析工具获得模态分析数据,并构建数据集;
步骤104:构建中间参数预测模型,并采用步骤103获取的数据集对中间参数预测模型进行训练;
步骤105:获取机床模态数据;
步骤106:构建虚拟材料层参数识别模型,将步骤105获取的机床模态数据输入虚拟材料层参数识别模型,获取虚拟材料层参数识别结果。
具体的,步骤102具体为:
将三维几何模型导入有限元分析软件,利用其薄弹性层模块构建一层1mm厚的虚拟材料层等效各滑动结合部,分别定义平型导轨滑动结合部虚拟材料层参数和V型导轨滑动结合部虚拟材料层参数,再设置其材料属性、约束条件以及网格划分,从而建立机床的有限元模型。
具体的,步骤103具体为:
首先,确定各滑动结合部虚拟材料层材料参数的取值范围,并在取值范围内获取N组随机、无序且均匀分布的样本点;
其次,将样本点输入有限元软件,获取N组相对应n阶固有频率,以此作为有限元输出项,完成输入-输出数据集的构建。
具体的,步骤104具体为:
首先,以步骤102定义的滑动结合部虚拟材料层参数作为输入,以n阶固有频率为输出,构建具有2~10层隐含层的深度神经网络模型作为中间参数预测模型;
然后,以步骤103获取的数据集对深度神经网络模型进行训练,通过预设的模型评价指标筛选最优网络模型。
可选的,最优网络模型的筛选方法为:
首先,随机产生若干组非训练样本点的数据集作为测试集,对训练好的深度神经网络模型进行测试,然后采用预设的评价指标筛选最优网络模型。
可选的,评价指标包括全局平均绝对误差和全局平均绝对百分比误差,即全局MAE和全局MAPE,最优网络模型为全局MAE和全局MAPE数值最小的网络模型。
具体的,步骤106中的虚拟材料层参数识别模型具体为:
以待识别的平面磨床滑动结合部虚拟材料层参数设计变量,以虚拟材料层动态参数的取值范围为约束条件,结合深度神经网络预测的固有频率与实验测得的固有频率构建目标函数,从而建立机滑动结合部虚拟材料层动态特性参数优化识别模型。
可选的,虚拟材料层参数识别模型采用粒子群优化算法进行求解,以识别所有滑动结合部虚拟材料层的参数。
可选的,虚拟材料层参数识别方法还包括:
步骤107:将步骤106获取的识别结果代入步骤102建立的有限元模型进行模态分析,以模态分析的理论值与实验的实验值进行对比,以校验模型的正确性和精度。
具体的,步骤107具体为:
将步骤106获取的识别结果代入步骤102建立的有限元模型进行模态分析,计算在此动态特性参数条件下的机床固有频率理论值,并将固有频率理论值与实验值的固有频率进行对比,获得相应的相对误差值,从而验证虚拟材料层参数识别模型的精度。
实施例2
本实施例以平面磨床工作台-床身滑动结合部为分析对象,构建滑动结合部虚拟材料层参数识别模型,其流程如图1所示,具体流程为:
S1、以平面磨床工作台-床身滑动结合部为分析对象,构建其三维几何模型;
S2、将步骤S1中构建的三维几何模型导入有限元软件,并用虚拟材料层法对其滑动结合部进行等效建模,进而构建平面磨床工作台-床身有限元模型;
S3、通过有限元模型与参数化分析工具产生大量模态分析数据,构建数据集;
S4、以步骤S3构建的数据集,设计并训练深度神经网络模型,选定评价指标确定最优网络结构;
S5、对平面磨床工作台-床身实体进行模态测试,获取模态实验数据;
S6、建立平面磨床工作台-床身滑动结合部虚拟材料层参数识别优化模型,并识别相关虚拟材料层参数;
S7、将步骤S6中识别结果代入有限元模型进行模态分析,以模态分析的理论值与实验的实验值进行对比,检验正确性和精度。
具体的,步骤S1中依据平面磨床工作台-床身物理实体的几何属性,利用三维绘图软件SolidWorks构建该物理实体的三维几何模型。
具体的,步骤S2中将三维几何模型导入到有限元分析软件COMSOL Multiphysics固体力学模块,利用其薄弹性层模块构建一层1mm厚的虚拟材料层等效各滑动结合部,分别定义平型导轨滑动结合部虚拟材料层参数为弹性模量E1、泊松比μ1、密度ρ1,定义V型导轨滑动结合部虚拟材料层参数为弹性模量E2、泊松比μ2、密度ρ2,再设置其材料属性、约束条件以及网格划分,从而建立系统的有限元模型。
具体的,步骤S3中根据赫兹接触理论及大量文献调研,确定各滑动结合部虚拟材料层参数范围,并在取值范围内获取10000组随机、无序且均匀分布的样本点(E1i、μ1i、ρ1i、E2i、μ2i、ρ2i,i=1,2,…,10000),以样本点作为有限元分析的输入项,利用有限元软件COMSOL Multiphysics的参数化扫描功能,自动逐组提取输入参数样本点并代入有限元模型进行模态分析,获取10000组相对应的不同输入条件下的有限元模态分析前四阶固有频率(f1i、f2i、f3i、f4i,i=1,2,…,10000),以此作为有限元输出项,由此完成输入-输出数据集的构建。
具体的,步骤S4中以待识别的平面磨床工作台-床身滑动结合部虚拟材料层参数E1、μ1、ρ1、E2、μ2、ρ2作为输入、有限元模态分析前四阶固有频率f1、f2、f3、f4为输出,分别设计具有2~10层隐含层的深度神经网络,以步骤S3中生成的数据集对构建的深度神经网络模型进行训练。随机另产生2000组非训练样本点的数据集作为测试集,对训练好的深度神经网络模型进行测试,并以测试集的全局平均绝对误差(全局MAE)和全局平均绝对百分比误差(全局MAPE)作为评价指标,分别比较不同层深度神经网络模型的测试集全局MAE和全局MAPE。测试集的全局MAE和全局MAPE数值越小,预测值越接近真实值,网络模型越优,从而确定最优的网络模型。
具体的,步骤S5中所述步骤S5中利用LMS Test.Lab振动噪声测试系统,通过单点激振多点拾振的方法对平面磨床工作台-床身进行模态测试,获取该系统的实验模态结果。
具体的,步骤S6中以待识别的平面磨床滑动结合部虚拟材料层参数E1、μ1、ρ1、E2、μ2、ρ2为设计变量,以虚拟材料层动态参数的取值范围为约束条件,结合深度神经网络预测的固有频率与实验测得的固有频率构建目标函数,从而建立平面磨床工作台-床身滑动结合部虚拟材料层动态特性参数优化识别模型:
其中,fj表示通过模态测试测得的第j阶固有频率的实验值;fj'表示通过孪生有限元模型获取的第j阶固有频率的预测值。E'、μ'、ρ'和E”、μ”、ρ”分别为优化变量E、μ、ρ的上下限,利用粒子群优化算法进行求解,识别所有滑动结合部虚拟材料层参数。
具体的,步骤S7中将步骤S6中识别的虚拟材料层参数代入有限元模型中,计算在此动态特性参数条件下的平面磨床工作台-床身固有频率理论值。并将固有频率理论值与实验值的前四阶固有频率进行对比,得出相应的相对误差值,从而验证模型的有效性和准确性。
实施例3
本实施例以M7120D/H平面磨床工作台-床身滑动结合部为分析对象,构建滑动结合部虚拟材料层参数识别模型,具体流程为:
S1:以M7120D/H平面磨床的工作台-床身滑动结合部为分析对象,依据平面磨床工作台-床身物理实体的几何属性,利用三维绘图软件SolidWorks构建该物理实体的三维几何模型,如图2所示,其滑动结合部的结构如图3所示;
S2:将构建的三维几何模型导入到有限元分析软件COMSOL Multiphysics固体力学模块。该平面磨床工作台-床身系统包括1个平型导轨和1个V型导轨,该V型导轨包括2个对称的滑动接触面。本发明利用虚拟材料层法表征各滑动导轨接触面的动态特性参数,虚拟材料法等效建模原理图如图4所示。分别定义平型导轨滑动结合部的虚拟材料层动态参数为弹性模量E1、泊松比μ1、密度ρ1,定义V型导轨2个对称的滑动接触面对应动态特性参数相等,每个接触面的虚拟材料层动态参数为弹性模量E2、泊松比μ2、密度ρ2。定义模型的材料属性,其中密度为ρ=7200kg·m-3,弹性模量E=100Gpa泊松比μ=0.27,利用自由四面体单元对三维模型进行网格划分,生成有限元模型;
S3:通过有限元模型与参数化分析工具产生大量模态分析数据,构建数据集。首先,根据赫兹接触理论及大量文献调研,确定各滑动结合部虚拟材料层材料参数范围,如表1所示。在此参数空间范围内,利用Isight软件的优化拉丁超立方采样模块,采集10000组随机无序且均匀分布的样本点(E1i、μ1i、ρ1i、E2i、μ2i、ρ2i,i=1,2,…,10000)。以样本点作为有限元分析的输入项,利用有限元软件COMSOL Multiphysics的参数化扫描功能,自动逐组提取输入参数样本点并代入有限元模型进行模态分析,获取10000组相对应的不同输入条件下的有限元模态分析前四阶固有频率(f1i、f2i、f3i、f4i,i=1,2,…,10000),以此作为有限元输出项,由此完成数据集的构建;
表1虚拟材料层参数取值范围
结合部 | E/Pa | μ | ρ/kg·m<sup>-3</sup> |
平型导轨 | [1×10<sup>5</sup>,8×10<sup>5</sup>] | [0.1,0.4] | [5000,10000] |
V型导轨 | [1×10<sup>4</sup>,8×10<sup>4</sup>] | [0.1,0.4] | [5000,10000] |
S4:以待识别的平面磨床工作台-床身滑动结合部虚拟材料层参数E1、μ1、ρ1、E2、μ2、ρ2作为输入、有限元模态分析前四阶固有频率f1、f2、f3、f4为输出,分别设计具有2~10层隐含层的深度神经网络,则深度神经网络模型输入层包含6个神经元,输出层包含4个神经元。设置每一层的神经元个数均为8,选取“tansig”作为隐含层的激励函数,“purelin”作为输出层的激励函数,设置最小全局均方根误差为1×10-10,最小梯度为1×10-20以及学习率为0.01。以步骤S3中生成的数据集对构建的深度神经网络模型进行训练。随机另产生2000组非训练样本点的数据集作为测试集,对训练好的深度神经网络模型进行测试,并以测试集的全局平均绝对误差(全局MAE)和全局平均绝对百分比误差(全局MAPE)作为评价指标。测试集的全局MAE和全局MAPE数值越小,预测值越接近真实值,网络模型越优,从而确定最优的网络模型。不同隐含层层数的深度神经网络模型求得的测试集全局MAE和全局MAPE如图5所示。从分析结果可知,最佳隐含层层数为8,最终确定深度神经网络模型为6输入、4输出和8隐含层的网络结构。
S5:采用西门子LMS Test.Lab振动噪声测试系统,通过单点激振多点拾振的锤击实验法对平面磨床工作台-床身滑动结合部进行模态测试。在LMS模态分析软件中建立滑动结合部的等效三维模型,如图6所示,布置1个激振点和37个拾振点,并与实物中相应位置一一对应。利用Kistler9724A2000型激振力锤锤击激振点,再利用布置在相应测点的BK4525B型三向加速度传感器拾取该点分别在x,y,z方向上的振动信号,并传输至LMS数据采集装置中,随后通过LMS模态分析软件对实验数据进行分析处理。实验中设置采样带宽为1024Hz,每组测点锤击5次,通过Rate-MonotonicScheduling算法对每组实验数据作平均处理,最终求得如表2所示的前四阶固有频率的实验值。
表2滑动结合部前四阶固有频率的实验值
f<sub>1</sub>/Hz | f<sub>2</sub>/Hz | f<sub>3</sub>/Hz | f<sub>4</sub>/Hz |
17.919 | 32.370 | 56.860 | 91.060 |
S6:以待识别的平面磨床滑动结合部虚拟材料层参数E1、μ1、ρ1、E2、μ2、ρ2为设计变量,以虚拟材料层动态参数的取值范围为约束条件,结合深度神经网络预测的固有频率与实验测得的固有频率构建目标函数,从而建立平面磨床工作台-床身滑动结合部虚拟材料层动态特性参数优化识别模型:
其中,E1、μ1、ρ1分别为平面磨床工作台-床身平型导轨滑动结合部虚拟材料层参数;E2、μ2、ρ2分别为平面磨床工作台-床身V型导轨滑动结合部虚拟材料层参数;fj表示通过模态测试测得的第j阶固有频率的实验值;fj'表示通过深度神经网络模型获取的第j阶固有频率的预测值。采用粒子群优化算法对上式进行寻优求解,收敛曲线如图7所示,识别出的固定结合虚拟材料层参数结果如表3所示。
表3滑动结合部虚拟材料层参数识别结果
结合部 | E/Pa | μ | ρ/kg·m<sup>-3</sup> |
平型导轨 | 359442.361 | 0.200 | 8159.959 |
V型导轨 | 49293.885 | 0.193 | 7778.606 |
S7:将识别的虚拟材料层参数代入有限元模型中,计算在此动态特性参数条件下的平面磨床工作台-床身固有频率理论值。并将固有频率理论值与实验值的前四阶固有频率进行对比,得出相应的相对误差值,如表4所示,从而验证本发明的有效性和准确性。
表4有限元模态计算值与实验值对比结果
模态阶次 | 实验值/Hz | 有限元计算值/Hz | 相对误差% |
1 | 17.919 | 17.938 | 0.106 |
2 | 32.370 | 32.331 | 0.120 |
3 | 56.860 | 56.776 | 0.140 |
4 | 91.060 | 92.266 | 1.320 |
从上表可以看出,基于已识别参数求解的固有频率与模态测试测得的固有频率的相对误差数值均不超过2%,达到很高的精度,验证了本方法的正确性和有效性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种滑动结合部虚拟材料层参数识别方法,其特征在于,所述的参数识别方法包括:
步骤1:构建机床滑动结合部的三维几何模型;
步骤2:基于步骤1建立的三维几何模型构建滑动结合部的有限元模型;
步骤3:通过有限元模型与参数化分析工具获得模态分析数据,并构建数据集;
步骤4:构建中间参数预测模型,并采用步骤3获取的数据集对中间参数预测模型进行训练;
步骤5:获取机床模态数据;
步骤6:构建虚拟材料层参数识别模型,将步骤5获取的机床模态数据输入虚拟材料层参数识别模型,获取虚拟材料层参数识别结果。
2.根据权利要求1所述的一种滑动结合部虚拟材料层参数识别方法,其特征在于,所述的步骤2具体为:
将三维几何模型导入有限元分析软件,利用其薄弹性层模块构建一层1mm厚的虚拟材料层等效各滑动结合部,分别定义平型导轨滑动结合部虚拟材料层参数和V型导轨滑动结合部虚拟材料层参数,再设置其材料属性、约束条件以及网格划分,从而建立机床的有限元模型。
3.根据权利要求1所述的一种滑动结合部虚拟材料层参数识别方法,其特征在于,所述的步骤3具体为:
首先,确定各滑动结合部虚拟材料层材料参数的取值范围,并在取值范围内获取N组随机、无序且均匀分布的样本点;
其次,将样本点输入有限元软件,获取N组相对应n阶固有频率,以此作为有限元输出项,完成输入-输出数据集的构建。
4.根据权利要求1所述的一种滑动结合部虚拟材料层参数识别方法,其特征在于,所述的步骤4具体为:
首先,以步骤2定义的滑动结合部虚拟材料层参数作为输入,以n阶固有频率为输出,构建具有2~10层隐含层的深度神经网络模型作为中间参数预测模型;
然后,以步骤3获取的数据集对深度神经网络模型进行训练,通过预设的模型评价指标筛选最优网络模型。
5.根据权利要求4所述的一种滑动结合部虚拟材料层参数识别方法,其特征在于,所述的最优网络模型的筛选方法为:
首先,随机产生若干组非训练样本点的数据集作为测试集,对训练好的深度神经网络模型进行测试,然后采用预设的评价指标筛选最优网络模型。
6.根据权利要求5所述的一种滑动结合部虚拟材料层参数识别方法,其特征在于,所述的评价指标包括全局平均绝对误差和全局平均绝对百分比误差,即全局MAE和全局MAPE;
所述的最优网络模型为全局MAE和全局MAPE数值最小的网络模型。
7.根据权利要求1所述的一种滑动结合部虚拟材料层参数识别方法,其特征在于,所述步骤6中的虚拟材料层参数识别模型具体为:
以待识别的平面磨床滑动结合部虚拟材料层参数设计变量,以虚拟材料层动态参数的取值范围为约束条件,结合深度神经网络预测的固有频率与实验测得的固有频率构建目标函数,从而建立机滑动结合部虚拟材料层动态特性参数优化识别模型。
8.根据权利要求7所述的一种滑动结合部虚拟材料层参数识别方法,其特征在于,所述的虚拟材料层参数识别模型采用粒子群优化算法进行求解,以识别所有滑动结合部虚拟材料层的参数。
9.根据权利要求1所述的一种滑动结合部虚拟材料层参数识别方法,其特征在于,所述的虚拟材料层参数识别方法还包括:
步骤7:将步骤6获取的识别结果代入步骤2建立的有限元模型进行模态分析,以模态分析的理论值与实验的实验值进行对比,以校验模型的正确性和精度。
10.根据权利要求9所述的一种滑动结合部虚拟材料层参数识别方法,其特征在于,所述的步骤7具体为:
将步骤6获取的识别结果代入步骤2建立的有限元模型进行模态分析,计算在此动态特性参数条件下的机床固有频率理论值,并将固有频率理论值与实验值的固有频率进行对比,获得相应的相对误差值,从而验证虚拟材料层参数识别模型的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210610795.2A CN114999596A (zh) | 2022-05-31 | 2022-05-31 | 一种滑动结合部虚拟材料层参数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210610795.2A CN114999596A (zh) | 2022-05-31 | 2022-05-31 | 一种滑动结合部虚拟材料层参数识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114999596A true CN114999596A (zh) | 2022-09-02 |
Family
ID=83030456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210610795.2A Pending CN114999596A (zh) | 2022-05-31 | 2022-05-31 | 一种滑动结合部虚拟材料层参数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114999596A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406668A (zh) * | 2023-12-14 | 2024-01-16 | 邢台金昆冶金机械有限公司 | 基于数值分析的轧辊质量控制数据模型及其应用 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004272820A (ja) * | 2003-03-12 | 2004-09-30 | General Electric Co <Ge> | 部品をリバースエンジニアリング及びリエンジニアリングする方法及びシステム |
CN103323278A (zh) * | 2013-06-07 | 2013-09-25 | 南京理工大学 | 一种滑动导轨系统虚拟材料层参数的识别方法 |
KR101550438B1 (ko) * | 2015-03-10 | 2015-09-04 | 한양대학교 산학협력단 | 역추적 기법을 활용한 산업용 유압호스의 가상 물성치 추정 방법 및 그 장치 |
US20170344683A1 (en) * | 2016-05-30 | 2017-11-30 | Coventor, Inc. | System and method for electrical behavior modeling in a 3d virtual fabrication environment |
CN107491624A (zh) * | 2017-09-20 | 2017-12-19 | 西安建筑科技大学 | 一种利用虚拟材料等效栓接结合部动态特性的方法 |
CN110348166A (zh) * | 2019-07-19 | 2019-10-18 | 辽宁工程技术大学 | 一种玄武岩纤维树脂混凝土结合面的虚拟材料参数可视化识别方法 |
CN110362959A (zh) * | 2019-08-09 | 2019-10-22 | 常州工学院 | 滚珠丝杠运动结合部虚拟梯度材料建模及参数获取方法 |
US20200134134A1 (en) * | 2018-10-31 | 2020-04-30 | Detroit Engineered Products, Inc. | Automated Modelling System |
CN111368478A (zh) * | 2020-03-04 | 2020-07-03 | 东莞理工学院 | 一种基于滚动直线导轨可动结合部的模态参数识别方法 |
JP2021009450A (ja) * | 2019-06-28 | 2021-01-28 | 日本製鉄株式会社 | スポット溶接による溶接継手の破断予測方法、スポット溶接による溶接継手の破断予測プログラム、及び、スポット溶接による溶接継手の破断予測装置 |
CN114091300A (zh) * | 2021-11-12 | 2022-02-25 | 上海理工大学 | 一种滚珠丝杠进给系统滚动结合部动态特性参数识别方法 |
-
2022
- 2022-05-31 CN CN202210610795.2A patent/CN114999596A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004272820A (ja) * | 2003-03-12 | 2004-09-30 | General Electric Co <Ge> | 部品をリバースエンジニアリング及びリエンジニアリングする方法及びシステム |
CN103323278A (zh) * | 2013-06-07 | 2013-09-25 | 南京理工大学 | 一种滑动导轨系统虚拟材料层参数的识别方法 |
KR101550438B1 (ko) * | 2015-03-10 | 2015-09-04 | 한양대학교 산학협력단 | 역추적 기법을 활용한 산업용 유압호스의 가상 물성치 추정 방법 및 그 장치 |
US20170344683A1 (en) * | 2016-05-30 | 2017-11-30 | Coventor, Inc. | System and method for electrical behavior modeling in a 3d virtual fabrication environment |
CN107491624A (zh) * | 2017-09-20 | 2017-12-19 | 西安建筑科技大学 | 一种利用虚拟材料等效栓接结合部动态特性的方法 |
US20200134134A1 (en) * | 2018-10-31 | 2020-04-30 | Detroit Engineered Products, Inc. | Automated Modelling System |
JP2021009450A (ja) * | 2019-06-28 | 2021-01-28 | 日本製鉄株式会社 | スポット溶接による溶接継手の破断予測方法、スポット溶接による溶接継手の破断予測プログラム、及び、スポット溶接による溶接継手の破断予測装置 |
CN110348166A (zh) * | 2019-07-19 | 2019-10-18 | 辽宁工程技术大学 | 一种玄武岩纤维树脂混凝土结合面的虚拟材料参数可视化识别方法 |
CN110362959A (zh) * | 2019-08-09 | 2019-10-22 | 常州工学院 | 滚珠丝杠运动结合部虚拟梯度材料建模及参数获取方法 |
CN111368478A (zh) * | 2020-03-04 | 2020-07-03 | 东莞理工学院 | 一种基于滚动直线导轨可动结合部的模态参数识别方法 |
CN114091300A (zh) * | 2021-11-12 | 2022-02-25 | 上海理工大学 | 一种滚珠丝杠进给系统滚动结合部动态特性参数识别方法 |
Non-Patent Citations (4)
Title |
---|
MA, HH,等: "Hysteretic behavior of bolt-column joints under in-plane loading combinations by experimental and numerical study", vol. 212, 31 December 2020 (2020-12-31), pages 110349 * |
ZHOU, LM,等: "An inhomogeneous cell-based smoothed finite element method for the nonlinear transient response of functionally graded magneto-electro-elastic structures with damping factors", vol. 30, no. 3, 31 December 2019 (2019-12-31), pages 416 - 437 * |
杜新欣,等: "基于虚拟材料层和孪生有限元模型的机床主轴固定结合部动力学建模", 振动与冲击, vol. 42, no. 9, 15 May 2023 (2023-05-15), pages 11 - 18 * |
杨尧,等: "基于虚拟材料层的滑动结合部动态特性建模方法", 机械设计与制造, no. 02, 31 December 2014 (2014-12-31), pages 222 - 224 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406668A (zh) * | 2023-12-14 | 2024-01-16 | 邢台金昆冶金机械有限公司 | 基于数值分析的轧辊质量控制数据模型及其应用 |
CN117406668B (zh) * | 2023-12-14 | 2024-02-23 | 邢台金昆冶金机械有限公司 | 基于数值分析的轧辊质量控制数据模型及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110303380A (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN109163997B (zh) | 一种基于声谱图深度学习的岩石表面强度测定方法 | |
CN110598299B (zh) | 一种基于传感器融合与深度学习的表面完整性评价方法 | |
CN107885928A (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
CN114999596A (zh) | 一种滑动结合部虚拟材料层参数识别方法 | |
CN107679328A (zh) | 一种系统参数识别的最优传感器布置方法 | |
Du et al. | Three-dimensional stress wave imaging of wood internal defects using TKriging method | |
CN112926152A (zh) | 一种数字孪生驱动的薄壁件装夹力精准控制与优化方法 | |
CN115470672A (zh) | 一种空间残余应力重构方法 | |
CN114091300A (zh) | 一种滚珠丝杠进给系统滚动结合部动态特性参数识别方法 | |
CN110543666A (zh) | 一种带孔结构元件低周疲劳性能的试验方法 | |
CN114139772A (zh) | 一种基于优化广义回归神经网络预测工件表面质量的方法 | |
CN111368478B (zh) | 一种基于滚动直线导轨可动结合部的模态参数识别方法 | |
CN116296305A (zh) | 具有在线故障自诊断功能的折弯机后挡料部件诊断方法 | |
CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
CN113361209B (zh) | 一种高温合金表面缺陷磁异常定量分析方法 | |
CN115688242A (zh) | 一种多策略融合的rc柱地震破坏模式识别方法 | |
Hanss et al. | Fuzzy sensitivity analysis for the identification of material properties of orthotropic plates from natural frequencies | |
CN114492914A (zh) | 基于机器学习的岩体表征单元体积数值预测方法及系统 | |
CN113742979A (zh) | 薄壁弧形件装夹用定位点优化布置方法 | |
Shantz | Uncertainty quantification in crack growth modeling under multi-axial variable amplitude loading | |
CN109029334B (zh) | 岩体结构面粗糙度系数尺寸效应全域搜索测量方法 | |
CN112948916A (zh) | 一种岩土体力学参数获取方法 | |
Zoltowski et al. | Vibrations in the assessment of construction state | |
CN110865247A (zh) | 有限空间电场分布确定方法及系统 |
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 |