150MD24Y20高速电主轴热特性分析

目的分析电主轴热变形产生及分布,为研究电主轴热误差,提高主轴加工精度提供理论依据.方法基于电主轴稳态温度场分布,采用ANSYS顺序耦合理论,分析高速电主轴热变形分布情况.通过电主轴测试系统建立热变形实验,测量高速电主轴工作端热变形,验证有限元仿真结果.结果仿真结果表明:随着电主轴速度增高,主轴热变形和温升也越来越大.电主轴在热稳态下,沿着轴向伸长而径向弯曲变形.结论当主轴材料一定,热变形与速度几乎呈线性关系,同时,主轴温升越大,热变形越大.此结论为有效控制主轴热变形,减小热误差及提高主轴稳定性提供理论基础.     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

数控滚齿机工作台热-力变形分析及预测建模

为了减小滚齿机工作台变形对加工精度的影响,对工作台热、力变形进行了研究,提出一种基于子种群自适应思维进化算法优化反向传播（SAMEA-BP）神经网络的滚齿机工作台热-力变形预测方法。通过SAMEA对BP神经网络的初始值、权重和阈值等参量进行调整,有效提升了基于神经网络的热-力变形预测准确度。结合K均值聚类策略和灰色关联分析（GRA）对影响热误差的温度测点进行耦合性和关联度分析,将热误差输入变量从8个测点减少到3个;针对滚齿加工中切削力导致的工作台变形,利用机床主轴电流表征切削力,并作为预测模型的输入变量。试验结果表明：本文模型平均预测精度为95.1%,与其他模型进行的对比分析验证了本文SAMEA-BP模型的有效性和泛化性。     

基于BP神经网络的丝杠硬旋铣热伸长研究

研究硬旋铣加工时工件的热变形对提高工件加工精度、掌握硬旋铣加工技术是至关重要的。文章基于高效环保的滚珠丝杠螺纹硬旋铣工艺,围绕提高硬旋铣加工螺距精度问题,针对加工过程中的工件热伸长及误差补偿方法,通过基于BP神经网络算法的热伸长研究及补偿实验研究,探索了工件热伸长变化的特征值提取、BP预测模型的建立及验证、热伸长误差的补偿方法。结果表明:根据特征值法建立的BP神经网络热伸长预测模型精度较高,根据模型预测结果进行螺距误差插补补偿加工能够提高滚珠丝杠硬旋铣加工的螺距精度。     

基于接触热阻的高速精密电主轴热特性分析

主轴系统热问题是高精度机床必须要考虑的关键问题,接触热阻的大小影响机床的传热性能,从而影响其加工精度. 利用表面接触的分形理论,计算接触面的量纲一的接触面积,针对接触微凸体的热阻由基体热阻和收缩热阻形成接触对,建立了一个考虑接触界面基体热阻和收缩热阻的表面接触热阻模型,讨论了不同的分形参数对接触热阻的影响. 以立式加工中心电主轴系统为研究对象,分析了电机的损耗发热和轴承的摩擦发热,运用有限元软件对电主轴模型在有无接触热阻2种情况下的稳态温度场和稳态热变形进行仿真分析. 讨论了有无热阻情况下电主轴温度和变形变化量,论证了接触热阻对电主轴热温度场和热变形的影响. 结果表明:电主轴考虑接触电阻时温度将升高,变形将增加.     

基于损耗实验的电主轴温度场分析

目的分析高速电主轴温度场分布情况,为研究高速电主轴温升、热变形预测提供理论依据．方法建立高速电主轴1／4三维有限元模型,基于损耗实验计算主轴电机及轴承生热率前提下分析高速电主轴温升分布情况．通过电主轴测试系统建立温升实验,测量高速电主轴外壳不同部位温升验证有限元仿真结论．结果仿真结果表明：高速电主轴稳态温度场中转子处温度最高,温度为84．40C;高速主轴壳体最高温升出现在电主轴轴头处,温升为23℃,与实验结果相比误差为8．6％．结论通过分析温升仿真和实验得到高速主轴外壳不同部位温升不同,外壳温度变化是一个非线性变化过程,前2000s温度快速升高,2000s后温度逐步稳定．此结论为有效控制高速主轴温升,减小主轴变形及提高主轴精度提供理论基础．     

高速木工机械电主轴热态特性分析

介绍了高速木工机械电主轴的特点,分析了高速木工机械电主轴单元的热变形机理.建立了某型高速木工机械电主轴热态特性有限元分析模型,利用ANSYS进行了稳态温度场分析,并利用分布加载瞬态热分析模拟了机床的实际工作情况,得到了电主轴的温度场分布情况,为有效控制电主轴的温升提供了理论依据.在分析结果的基础上,提出了改善电主轴热态特性的措施,为电主轴冷却结构设计提供了参考.     

精密机械热动态误差模糊神经网络建模研究

结合模糊逻辑与人工神经网络的优点,提出精密机械热动态误差的模糊神经网络模型,并在多变量模糊模型后件结构与参数辨识中提出了主分量分析建模的新方法.基于语言控制规则的模糊模型,采用模糊推理方法,建模的关键在于结构辨识和参数辨识. 采用主分量分析方法可有效地辨识模型后件的结构与参数.为克服建模用的有效数据量少于后件参数,而无法建立相应的模糊模型这一问题,采用一种多变量系统的模糊神经网络建模方法,利用神经网络具有学习的能力,通过使用适当数量的具有充分激励信息的优选数据组作为学习样本对神经网络进行训练,从而建立起模糊神经网络模型.当辨识的模型精度达不到要求时,可应用模糊神经网络的多次训练获取更高的模型精度.实测数据建模表明,模糊神经网络模型能有效地描述热动态误差.     

动态模糊神经网络在变形预测中的应用

为了得到更好的桥梁墩台沉降变形预测精度,减少工程监测实践的误差,分别介绍了基于扩展径向基函数神经网络（RBFNN）与动态模糊神经网络（DFNN）的学习算法和参数的确定方法。选取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训练,进行桥梁墩台沉降变形预测。实例分析结果表明,径向基函数神经网络预测误差达到0.15 mm,而动态模糊神经网络预测误差达到0.07 mm,显然动态模糊神经网络具有更高的预测精度,从而证实了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。     

精密数控立式静压圆台磨床热特性分析

通过建立高精密数控立式静压圆台磨床的有限元模型,进行磨床热源分析,研究了各热源发热量的计算方法,进行了温度场分析求解、热结构耦合分析,得到了立式磨床的热特性、热变形误差。通过机床热变形对精度的影响计算分析,提出发热量控制、优化机床结构、减少热误差措施。     

机床主轴轴向热误差一阶自回归建模方法

针对机床主轴热误差经验建模法缺乏物理意义,建模精度和鲁棒性受热变形伪滞后效应影响较大的问题,从理论角度推导出一种具有明确物理意义且不受伪滞后效应影响的主轴热误差建模方法。将主轴简化为一维杆件,考虑主轴圆柱面与空气的对流散热,利用传热学得到一维杆在单端热源条件下温度场和热变形的解析表达式;对热变形表达式进行形式变换,推导得到一维杆在单端固定热源条件下热变形的一阶自回归表述形式;推导验证在变化热源条件下,一维杆热变形一阶自回归模型的有效性,并指出自回归模型系数与主轴物理特性、自回归时间间隔、热源条件的关系;进行有限元仿真,并在海德曼T65车床上进行实验验证。仿真结果表明,一阶自回归模型可有效估计一维杆在变化热源条件下的热变形,不受伪滞后效应影响。在T65车床上的实验结果表明,与多元线性回归模型相比,一阶自回归模型的鲁棒性更高且具有明确的物理意义。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

基于模糊神经网络的模糊辨识方法及其应用研究

利用模糊神经网络（FNN）的学习能力从控制操作的现场数据中获取模糊规则,并自动调节隶属函数,把建模的过程转化为FNN网络结构多数的生成与学习问题。用于一个非线性过程的模糊模型参数辨识问题,取得了满意的结果。     

高速电主轴轴承温度预测与温升影响因素分析

高速电主轴轴承在运转过程中产生大量的摩擦热,而轴承温度是影响主轴系统刚度和精度的主要因素。通过高速电主轴空载运转实验,测试了在不同转速下主轴轴承的温度,获得了151组温度值;基于BP神经网络,对每个测试点温度,利用前100个温度数据进行网络构建和训练,求解了后51个数据的误差绝对值累积和,网络训练结果表明所建立的BP神经网络泛化能力强;进行了5种工况的温度预测,其预测结果表明温度预测值与实验值绝对误差小,精度高。此外,文章还分析了轴承的预紧力、主轴转速及润滑油的黏度对轴承温升的影响,其分析结果表明主轴转速是影响轴承温升的主要因素。     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。     

基于不同神经网络模型的冷凝器两相换热量的研究

在混合工质下利用4种神经网络模型(反馈神经网络模型(BP)、遗传神经网络模型(GA - BP)、极限学习机网络模型(ELM)和递归神经网络模型(RNN))预测了板式换热器的换热量(含相变换热).结果显示:热源温度为30、40、50 ℃时,GA - BP神经网络模型的平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)均小于其他3种神经网络模型,且与实际值接近.该结果表明,GA - BP神经网络模型比其他3种神经网络模型更适用于预测板式冷凝器的换热量(含相变换热).     

具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样复杂的动态特性,其对非线性系统具有很好的建模能力.