基于神经网络的机床横梁分层拓扑优化方法及系统与流程
本发明涉及数控机床结构优化设计,尤其涉及基于神经网络的机床横梁分层拓扑优化方法及系统。
背景技术:
1、机床横梁是龙门加工中心等数控机床的核心承力构件,承载主轴头及滑座并保证其移动过程中的运动精度,其结构性能直接影响机床的加工精度与精度保持性。为兼顾轻量化与高刚度,现有技术普遍采用拓扑优化设计横梁材料分布,并发展出多工况加权柔度优化方法与神经网络代理加速方法。
2、然而,现有技术仍存在以下不足:其一,现有横梁分层优化多按几何位置或人为经验划分设计区域,未考虑多载荷工况下各区域在力流传递中的变形驱动角色差异,分层结果与实际传力机制脱节,层别约束目标缺乏客观依据;其二,横梁与滑座之间的导轨结合面在优化中常被简化为固定约束或均布载荷边界,而实际结合面接触压力随载荷位置及横梁变形动态重分布,压力集中会引发结合面局部磨损,磨损改变轮廓后又进一步加剧压力集中,形成压力与磨损相互加剧的演化环路,现有优化仅针对初始状态,无法预见和抑制该演化,结构服役后精度加速衰退;其三,接触磨损耦合演化分析嵌入拓扑优化需多服役阶段交替迭代计算,成本极高难以实施,而现有神经网络代理优化仅作一次性预测,无法支撑全服役周期的演化预测与优化。
3、因此,亟需一种能够面向全服役周期、兼顾功能分层差异与结合面接触磨损演化的机床横梁分层拓扑优化方法。
技术实现思路
1、本发明的目的是解决现有机床横梁拓扑优化中因按经验划分功能层、导轨结合面接触边界被简化且仅面向初始状态优化,导致无法预见和抑制结合面接触压力与磨损相互加剧的演化、横梁全行程刚度波动且服役后精度加速衰退的问题,而提出的基于神经网络的机床横梁分层拓扑优化方法及系统。
2、为了实现上述目的,本发明采用了如下技术方案:
3、一方面,提供基于神经网络的机床横梁分层拓扑优化方法,包括以下具体步骤:
4、s1.获取机床横梁在加工过程中由主轴头移动切削形成的多载荷工况数据,构建多载荷工况数据集;对机床横梁初始结构在多载荷工况数据集中的每个载荷工况下分别进行有限元静力学分析,获得每个载荷工况下横梁结构各区域的应力分布数据和位移分布数据;基于各载荷工况下横梁结构各区域的应力分布数据和位移分布数据,对各载荷工况分别进行变形主被动关系辨识,获得每个载荷工况下横梁结构各区域的变形驱动类型,变形驱动类型包括主动变形类型和被动变形类型;基于各载荷工况下横梁结构各区域的变形驱动类型,构建横梁结构各区域在多载荷工况下的工况角色映射矩阵;依据工况角色映射矩阵中各区域的变形驱动类型分布,将横梁结构划分为结合传导层、主承力层与约束耦合层,建立分层结构模型,并确定相邻功能层之间的层间耦合界面;
5、s2.针对横梁与滑座之间的导轨结合面,建立接触压力随载荷位置及结合传导层变形而变化的变形耦合接触边界模型,并建立表征结合面磨损深度随接触压力与相对滑移行程累积演化的结合面磨损演化模型;基于分层结构模型、变形耦合接触边界模型与结合面磨损演化模型,对多载荷工况与各功能层材料分布的组合进行沿多个服役阶段交替迭代的接触与磨损耦合演化分析,获得各组合在各服役阶段下的接触压力分布场与分层变形场;构建分层耦合场演化预测神经网络,分层耦合场演化预测神经网络以工况参数、分层材料分布参数与服役阶段参数为输入、以对应服役阶段的接触压力分布场与分层变形场为输出,其内部包括与各功能层一一对应的子网络,且相邻子网络在对应层间耦合界面处共享特征;利用接触与磨损耦合演化分析获得的样本对分层耦合场演化预测神经网络进行训练,得到分层耦合场演化预测神经网络;
6、s3.以工况角色映射矩阵作为各功能层的分层约束条件,根据各功能层内各区域在工况角色映射矩阵中的主导变形驱动类型,分别为各功能层设定与主导变形驱动类型相匹配的刚度约束目标;初始化各功能层的分层材料分布后执行迭代优化:利用分层耦合场演化预测神经网络,对载荷位置的连续变化范围与各服役阶段进行遍历预测,获得全服役周期内的接触压力分布场演化序列与分层变形场;以使结合传导层在全服役周期内的接触压力均匀性漂移最小、主承力层在刚度约束目标下的结构应变能最小且相邻功能层在层间耦合界面处的位移差最小为目标,更新各功能层的分层材料分布;将更新后的分层材料分布重新输入分层耦合场演化预测神经网络以刷新接触压力分布场演化序列,迭代至收敛后对各功能层的分层材料分布进行结构重构,生成机床横梁分层拓扑结构。
7、另一方面,提供基于神经网络的机床横梁分层拓扑优化系统,其特征在于,用于实现基于神经网络的机床横梁分层拓扑优化方法,包括:
8、分层建模模块,用于对机床横梁进行多载荷工况静力学分析,辨识各区域变形驱动类型,构建工况角色映射矩阵;依据所述工况角色映射矩阵将横梁划分为结合传导层、主承力层与约束耦合层,建立含层间耦合界面的分层结构模型;
9、演化预测模块,用于建立导轨结合面变形耦合接触边界模型与结合面磨损演化模型,并将两模型进行耦合;基于分层结构模型进行多服役阶段接触磨损耦合演化分析,以所得样本训练分层耦合场演化预测神经网络;
10、拓扑优化模块,用于在工况角色映射矩阵约束下,利用分层耦合场演化预测神经网络遍历全服役周期工况;以结合传导层接触压力均匀性漂移、主承力层结构应变能及层间耦合界面位移差最小为目标迭代更新分层材料分布,收敛后重构生成横梁分层拓扑结构。
11、本发明的有益效果为:
12、1.本发明经变形主被动辨识构建工况角色映射矩阵,据此将横梁划分为结合传导层、主承力层与约束耦合层,替代人为经验分区,贴合多工况传力角色,并回用于设定层别刚度约束目标,形成辨识、划分、约束闭环,提升精度保持性。
13、2.本发明将变形耦合接触边界模型与结合面磨损演化模型耦合,并借助分层耦合场演化预测神经网络遍历全服役周期工况,使高成本接触磨损拓扑嵌套演化分析可实施,预见并抑制压力与磨损相互加剧的演化,延缓结合面精度衰退。
14、3.本发明以接触压力均匀性漂移、结构应变能及层间耦合界面位移差最小为目标分层协同优化,兼顾全行程压力均匀、传力效率与层间变形协调,避免未采样位置刚度谷值与偏磨,提高横梁全行程加工精度稳定性与精度保持寿命。
1.基于神经网络的机床横梁分层拓扑优化方法,其特征在于,包括:
2.根据权利要求1的基于神经网络的机床横梁分层拓扑优化方法,其特征在于,对机床横梁进行多载荷工况静力学分析,辨识各区域变形驱动类型,构建工况角色映射矩阵,具体包括:
3.根据权利要求2的基于神经网络的机床横梁分层拓扑优化方法,其特征在于,依据所述工况角色映射矩阵将横梁划分为结合传导层、主承力层与约束耦合层,建立含层间耦合界面的分层结构模型,具体包括:
4.根据权利要求1的基于神经网络的机床横梁分层拓扑优化方法,其特征在于,所述建立导轨结合面变形耦合接触边界模型与结合面磨损演化模型,并将两模型进行耦合,具体包括:
5.根据权利要求4的基于神经网络的机床横梁分层拓扑优化方法,其特征在于,所述基于分层结构模型进行多服役阶段接触磨损耦合演化分析,具体包括:
6.根据权利要求5的基于神经网络的机床横梁分层拓扑优化方法,其特征在于,所述以所得样本训练分层耦合场演化预测神经网络,具体包括:
7.根据权利要求1的基于神经网络的机床横梁分层拓扑优化方法,其特征在于,所述在工况角色映射矩阵约束下,利用分层耦合场演化预测神经网络遍历全服役周期工况,具体包括:
8.根据权利要求7的基于神经网络的机床横梁分层拓扑优化方法,其特征在于,所述以结合传导层接触压力均匀性漂移、主承力层结构应变能及层间耦合界面位移差最小为目标迭代更新分层材料分布,具体包括:
9.根据权利要求8的基于神经网络的机床横梁分层拓扑优化方法,其特征在于,所述收敛后重构生成横梁分层拓扑结构,具体包括:
10.基于神经网络的机床横梁分层拓扑优化系统,其特征在于,用于实现权利要求1-9任一项的基于神经网络的机床横梁分层拓扑优化方法,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com