基于摊销差异提示学习的机床横梁立柱装配应力预测方法

本发明涉及了一种机床装配应力预测方法，涉及大型数控机床数字化装配、结构状态感知和人工智能辅助工程分析领域，具体涉及一种基于摊销差异提示学习的机床横梁立柱装配应力预测方法。

背景技术：

1、大型龙门机床用于加工米级或更大尺度工件，其横梁和左右立柱构成主要承载框架。横梁通常需要在两立柱之间进行强制配合装配，横梁立柱结合部的装配状态直接影响整机几何精度、刚度保持性和长期运行稳定性。受制造误差、地基调整误差和安装误差影响，左右立柱的前后倾角难以完全一致，双立柱倾角不匹配会在横梁和立柱内部锁定装配应力，并在横梁端部、连接区域和空腔转角处形成局部应力集中。

2、上述装配应力主要分布于结构内部和接触界面附近，常规应变片、位移传感器或几何检测设备难以直接获得完整的三维节点应力场。工程上通常需要根据装配应力是否超过许用范围判断当前装配状态能否验收，或者是否需要拆卸横梁并重新调整立柱姿态。因此，在给定双立柱倾角和横梁几何节点的条件下快速预测装配应力场，是实现装配合规校核和主动重装配决策的重要基础。

3、现有解析力学方法能够依据梁弯曲理论建立倾角差与宏观弯矩、应力之间的关系，计算量较低，但其通常将横梁简化为等截面梁，难以准确表示空腔结构、局部连接、接触非线性和复杂边界条件产生的局部应力集中。有限元方法能够在详细几何和接触条件下获得高保真应力场，但每改变一组左右立柱倾角均需重新求解，计算和建模成本较高，不适于在大量装配状态下反复调用。

4、神经网络和神经算子能够学习装配参数到全场响应的映射，具有较高的在线预测速度。然而，现有方法通常将左右立柱倾角作为全局标量直接附加到网络输入，或者将装配误差离散为若干等级。此类输入只能说明当前属于何种装配工况，不能在节点层面指出倾角差所诱导的弯曲效应应当沿横梁跨度在哪些位置增强，模型需要仅依靠少量高保真样本自行学习应力集中的空间组织规律，容易出现应力场过度平滑和局部峰值遗漏。

5、另一方面，高保真有限元标签数量有限，而解析模型可以低成本生成大量具有宏观趋势信息的低保真标签。若直接将低保真标签与高保真标签混合训练，解析模型在接触区域和空腔附近的系统偏差可能被带入最终预测模型；若完全舍弃低保真标签，又会造成廉价物理知识利用不足。因此，需要一种能够将低保真解析标签中的可靠共享趋势摊销到统一预测算子中，并利用稀缺有限元标签仅修正高保真残差的技术方案。

技术实现思路

1、为了解决背景技术中存在的问题，本发明所提供一种基于摊销差异提示学习的机床横梁立柱装配应力预测方法。本发明解决全局倾角参数缺少节点级空间力学提示、有限元高保真标签获取成本高以及解析低保真标签容易将模型偏差传递至最终预测结果的问题，方法将双立柱倾角差转换为沿横梁跨度连续变化的节点级弯矩梯度提示，并通过低保真解析标签预训练与有限元标签微调的两阶段方式，将共享宏观应力趋势和局部高保真修正分别学习。

2、本发明采用的技术方案是：

3、本发明的基于摊销差异提示学习的机床横梁立柱装配应力预测方法，包括：

4、步骤s1：建立龙门机床的横梁立柱在不同装配工况下的有限元仿真模型，提取每种装配工况下横梁立柱的仿真参数以构建高保真装配应力场数据集。

5、步骤s2：基于高保真装配应力场数据集获得每个装配工况下的高保真应力残差标签以及有限元仿真模型中横梁的各网格节点的物理信息差异提示场。

6、步骤s3：基于高保真装配应力场数据集构造包含八维线性弯曲特征、九维平方及绝对值特征和五维勒让德高阶模态特征的解析力学特征，进而结合高保真应力残差标签获得每个装配工况下的低保真解析应力标签。

7、步骤s4：基于每个装配工况下的物理信息差异提示场和解析力学特征构建节点输入矩阵，将节点输入矩阵、高保真应力残差标签和低保真解析应力标签输入共享神经算子网络中进行两阶段摊销式训练后获得装配应力场预测模型，将待预测的装配状态下的横梁立柱的三维网格模型中横梁的各网格节点的节点坐标和两个立柱的立柱倾角输入装配应力场预测模型中，处理后输出当前装配状态下横梁的节点应力残差预测场，进而获得预测的横梁的节点等效应力场。

8、所述的步骤s1中，在龙门机床的立柱的预设装配容差范围内改变两个立柱的立柱倾角，进而构建不同装配工况的横梁立柱的有限元仿真模型；横梁立柱的仿真参数包括有限元仿真模型中横梁上的每个网格节点的节点坐标和节点等效应力，以及两个立柱的立柱倾角及其之间的倾角误差。

9、所述的步骤s2中，基于当前装配工况下高保真装配应力场数据集中各个网格节点的节点等效应力获取平均值作为空间平均应力，将每个网格节点的节点等效应力减去空间平均应力作为高保真应力残差标签。

10、所述的步骤s2中，将当前装配工况下高保真装配应力场数据集中两个立柱的立柱倾角的平均值作为平均倾角，将倾角误差作为有符号差分倾角，将各装配工况下的平均倾角和有符号差分倾角分别进行标准化后获得标准化平均倾角和标准化有符号差分倾角；将各网格节点的节点坐标在横梁的跨度方向、高度方向和深度方向上分别进行无量纲归一化后获得归一化坐标，归一化坐标包括跨度归一化坐标、高度归一化坐标和深度归一化坐标，针对每个网格节点，将标准化有符号差分倾角和跨度归一化坐标的乘积作为空间调制量，将标准化平均倾角、标准化有符号差分倾角和空间调制量构建为当前网格节点的物理信息差异提示场。

11、所述的步骤s3中，解析力学特征如下：

12、

13、其中，表示网格节点j的解析力学特征；、和分别表示网格节点j的线性弯曲特征、平方及绝对值特征和勒让德高阶模态特征；表示转置；表示平均倾角；表示有符号差分倾角；、和分别表示网格节点j的跨度归一化坐标、高度归一化坐标和深度归一化坐标；、和分别表示线性弯曲量、抛物型弯曲量和均匀倾角弯曲量；和分别表示二阶和三阶勒让德多项式。

14、所述的步骤s3中，将解析力学特征进行逐列标准化获得标准化特征矩阵，然后结合高保真应力残差标签并通过带正则项的岭回归标定获得解析系数，基于解析系数获得初始低保真解析应力标签，对初始低保真解析应力标签时标准化后获得最终的低保真解析应力标签。

15、所述的步骤s4中，节点输入矩阵由横梁的各网格节点的归一化坐标、物理信息差异提示场和解析力学特征拼接后构建获得；进行两阶段摊销式训练时，首先进行第一阶段的预训练，将低保真解析应力标签作为共享神经算子网络的监督信号进行预训练，并根据高保真应力残差标签计算验证损失作为择优指标；当连续预设预训练轮次的验证损失均未低于所有预训练轮次中最小的验证损失，或者达到预设最大训练轮次时，停止第一阶段预训练，选取已执行训练轮次中验证损失最小时共享神经算子网络的网络参数，获得预训练共享神经算子网络，并以所选网络参数作为第二阶段微调训练的初始参数；然后将进行第二阶段的微调训练，以高保真应力残差标签为预训练共享神经算子网络的监督信号对预训练共享神经算子网络的神经算子参数进行微调，获得最终训练的装配应力场预测模型。

16、所述的步骤s4中，装配应力场预测模型处理后输出当前装配状态下横梁中各网格节点的标准化应力残差预测值，对各标准化应力残差预测值进行反标准化，获得各网格节点的具有实际应力单位的节点应力残差预测值，进而构建节点应力残差预测场；当获得当前装配状态下的空间平均应力时，将空间平均应力与各网格节点的节点应力残差预测值相加，获得各网格节点的预测节点等效应力，进而构建预测的横梁的节点等效应力场。

17、本发明的电子设备，包括：相互耦接的存储器和处理器，其中，所述存储器存储有程序数据，所述处理器调用所述程序数据以执行如上述所述的方法。

18、本发明的计算机可读存储介质，其上存储有程序数据，所述程序数据被处理器执行时实现如上述所述的方法。

19、本发明的有益效果是：

20、1）本发明将差分倾角与横梁跨度坐标相乘形成节点级连续提示，使倾角不匹配所诱导的线性弯矩梯度在网络输入端显式可见，降低模型仅凭少量样本自行搜索应力集中位置的难度。

21、2）本发明将解析力学特征同时用于生成低保真标签和增强节点输入，实现同一物理知识的双重利用；解析标签仅负责预热启动，不作为最终高保真监督，可减弱解析模型偏差向最终预测器的传递。

22、3）本发明采用验证损失择优选择第一阶段权重，使预训练在吸收共享宏观趋势后及时停止，随后利用有限元标签对局部峰值和非线性残差进行针对性修正。

23、4）本发明采用神经算子对完整不规则点云执行节点级预测，能够直接输出横梁全场应力残差，在线推理速度显著高于针对每一装配状态重新进行有限元求解。

24、5）本发明预测结果可用于装配许用应力校核、应力集中区域定位、立柱姿态调整和重装配决策，并能够作为大型龙门机床数字孪生和装配质量监测的应力信息来源。