基于形貌锚定平均流的机床横梁-立柱接触面位移预测方法

本发明属于大型精密机床装配精度预测领域，具体涉及了一种基于形貌锚定平均流的机床横梁-立柱接触面位移预测方法。

背景技术：

1、大型龙门机床广泛应用于航空航天、能源、船舶和大型模具制造等领域。横梁-立柱接触面承担移动横梁重力及加工载荷的传递，其局部压缩、翘曲和不均匀变形会经横梁长悬臂结构放大至刀具中心点，进而形成轮廓偏差和尺寸漂移。因此，在实际装配前准确预测接触面的法向位移场，是装配合格判定、预装性能评估和接触面刮研的重要基础。传统装配通常依靠反复试装、检测、拆卸和人工刮研保证接触质量，不仅周期长、成本高，而且较依赖操作人员经验，难以在正式装配前获得整个接触面的定量位移分布。

2、横梁-立柱接触面通常是具有内外非凸边界、多个螺栓孔及局部镂空结构的复杂区域。上下配合面的宏观平面度、弯曲和扭曲误差，表面波纹度和微观粗糙度，以及螺栓预紧力分布、拧紧顺序、摩擦状态和装配平移、转角偏差，都会共同影响真实接触状态。螺栓孔边缘、自由边界和形貌突变位置附近容易形成较大的位移梯度，也是装配质量判断和刮研时需要重点关注的区域。即使名义几何尺寸和装配条件相同，由于未测得的微观形貌及拧紧过程差异，最终位移场仍可能不同，因此装配条件与位移响应之间具有一对多的条件分布关系。

3、高保真有限元接触分析能够描述复杂几何边界、螺栓预紧和表面形貌，并获得较准确的位移场结果。然而，大型机床接触问题涉及复杂网格和非线性接触迭代，单次求解通常需要较长时间。当需要对不同表面形貌、预紧力和装配偏差进行批量分析时，计算成本进一步增加，难以满足装配现场快速评估和参数调整的需求。因此，有限元方法更适合作为离线数据生成和机理分析工具，难以直接作为现场快速预测手段。

4、为提高预测效率，现有技术通常采用回归网络、神经算子等确定性代理模型，学习装配条件到位移场之间的映射关系。该类方法虽然推理速度较快，但往往将同一条件下可能出现的多种位移响应压缩为单一条件均值，容易平滑螺栓孔和自由边界附近的局部峰值及陡峭梯度，使预测结果能够反映整体变形趋势，却难以保留对刮研和异常区域判断具有重要作用的局部细节，同时也难以表征装配过程中的随机性。

5、扩散模型和流匹配模型等生成式物理场求解方法能够学习条件分布，但通常从与具体接触面无关的各向同性高斯噪声开始迭代。对于带孔、镂空且具有非凸边界的接触区域，不同样本均从相似随机状态出发，容易造成概率输运路径重叠。模型不仅需要学习局部形貌引起的复杂残差，还需要重新生成由结构刚度和载荷决定的整体弹性变形趋势。在训练样本有限或推理步数较少时，预测结果容易出现块状伪影、边界噪声和收敛不稳定等问题。

6、采用线性解析估计作为物理先验能够减少模型对整体弹性变形的重复学习，但直接在原始位移场空间使用简单线性估计仍存在适配困难。接触面的非凸轮廓、螺栓孔及多尺度表面形貌会削弱线性叠加关系，使解析估计在不同位置产生形貌诱导偏差，难以准确描述自由边界和螺栓孔附近的局部变形。因此，需要一种能够根据每个接触面的形貌、螺栓载荷和装配状态生成专属流起点，并在适宜表示空间中校准物理先验偏差的位移预测方法，使模型主要学习解析估计无法表达的局部残差，在较少推理步骤下稳定保留局部位移梯度，从而满足装配前快速评估、装配合格判定和接触面异常区域定位的需求。

技术实现思路

1、为了解决背景技术中存在的问题，本发明提供了一种基于形貌锚定平均流的机床横梁-立柱接触面位移预测方法，解决了现有技术中机床横梁-立柱接触面位移预测过程中，由于结合面复杂形貌特征难以有效融入生成过程，以及传统生成方法依赖随机噪声初始化导致位移场预测精度和稳定性不足的技术问题。本发明方法针对待预测接触面的形貌锚替代通用噪声，并通过物理对齐潜空间提高形貌锚对目标位移潜变量的解释能力，使潜空间平均流生成器集中学习形貌驱动的残差输运。

2、本发明的机床横梁-立柱接触面位移预测方法采用的技术方案是：

3、s1、获取横梁-立柱接触面的条件数据和对应的目标法向位移场，构建接触面位移预测数据集。

4、s2、构建形貌锚生成模型，利用接触面位移预测数据集对形貌锚生成模型进行训练，得到训练完成的形貌锚生成模型；所述形貌锚生成模型包括变分自编码器和逐潜体素解析回归器。

5、s3、构建潜空间平均流生成器；基于训练完成的形貌锚生成模型构建条件源分布，从条件源分布中采样源潜变量，训练潜空间平均流生成器学习由源潜变量至目标位移潜变量的残差输运。

6、s4、获取待预测接触面的条件数据并生成对应形貌锚，根据形貌锚确定积分初值，从积分初值出发，通过训练完成的潜空间平均流生成器进行常微分方程积分，将积分所得预测位移潜变量映射回物理空间，获得待预测接触面的法向位移预测场。

7、所述条件数据包括空间条件和标量条件；所述空间条件包括螺栓预紧力分布、上接触面形貌、下接触面形貌、螺栓距离场、内边界距离场和外边界距离场；所述标量条件包括上接触面粗糙度参数、下接触面粗糙度参数、上接触面波纹度参数、下接触面波纹度参数以及装配偏移参数；所述目标法向位移场为横梁-立柱接触面为在进行螺栓装配后产生的法向位移场。

8、所述步骤s1具体为：

9、s11、将横梁-立柱接触区域离散为h×w网格，建立用于标识有效接触区域的二值框形掩码。

10、s12、根据h×w网格，分别确定各网格点处的螺栓预紧力分布值、上接触面形貌值和下接触面形貌值，并将各网格点对应的三类数值按通道组成原始空间条件。

11、s13、计算每个网格点分别至最近螺栓中心、内自由边界和外自由边界的归一化欧氏距离，得到螺栓距离场、内边界距离场和外边界距离场，并与原始空间条件共同组成空间条件。

12、s14、获取上接触面粗糙度幅值、下接触面粗糙度幅值、上接触面波纹度幅值、下接触面波纹度幅值以及上接触面相对于下接触面的装配偏移参数，共同组成标量条件；空间条件和标量条件共同构成横梁-立柱接触面的条件数据。

13、s15、在步骤s14得到的条件数据对应的装配状态下，横梁-立柱接触面在进行螺栓装配后产生位移场；从位移场中，获取h×w网格中各网格点处的法向位移分量；根据二值框形掩码，保留二值框形掩码中标记为接触的网格点对应的法向位移分量，作为目标法向位移场。

14、s16、重复步骤s11-步骤s15若干次，采集不同条件数据对应的目标法向位移场，从而构建接触面位移预测数据集。

15、所述步骤s2具体为：

16、s21、利用变分自编码器中的编码器将目标法向位移场映射为潜变量分布的均值和对数方差，根据均值和对数方差确定潜变量分布，并通过对潜变量分布进行重参数采样获得目标位移潜变量。

17、s22、利用逐潜体素解析回归器，对原始空间条件进行平均池化后，将池化后的原始空间条件和标量条件分别进行线性映射后进行融合，得到对应的形貌锚。

18、s23、利用变分自编码器中的解码器对目标位移潜变量进行重建得到重建位移场，根据目标法向位移场与重建位移场在有效接触区域内的差异构建有效接触区域重建损失；根据潜变量分布与标准正态分布之间的差异构建潜变量分布正则损失；根据潜变量分布的均值与形貌锚之间的差异构建潜变量对齐损失。

19、s24、构建由有效接触区域重建损失、潜变量分布正则损失和潜变量对齐损失组成的联合损失，对形貌锚生成模型进行训练，得到训练完成的形貌锚生成模型。

20、所述联合损失按以下公式进行设置：

21、；

22、；

23、；

24、；

25、其中，为联合损失；为有效接触区域重建损失；为潜变量分布正则损失；为潜变量对齐损失；和均为权重系数；为对潜变量分布求期望；和分别为编码器输出的潜变量分布的均值和方差；为变分自编码器中的解码器；为二值框形掩码；为逐元素乘积；为目标法向位移场；为形貌锚。

26、所述步骤s3具体为：

27、s31、利用训练完成的变分自编码器的编码器和逐潜体素解析回归器，计算数据集中每个样本的潜变量分布的均值与对应形貌锚之间的残差，根据所有样本的残差计算经验标准差，并构建条件源分布。

28、s32、从条件源分布中采样源潜变量，以源潜变量作为潜空间平均流生成器进行流匹配的起点，以目标位移潜变量作为潜空间平均流生成器进行流匹配的终点，以两个潜变量之差作为速度目标进行流匹配学习，训练潜空间平均流生成器学习由源潜变量至目标位移潜变量的残差输运，最终得到训练完成的潜空间平均流生成器。

29、所述步骤s32还包括：

30、在源潜变量和目标位移潜变量之间建立线性插值路径，线性插值路径上每个时间步对应一个潜变量；所述潜空间平均流生成器的输入包括线性插值路径上的潜变量、时间区间以及条件数据；潜空间平均流生成器输出线性插值路径上给定时间区间的平均速度，并通过流训练损失进行训练。

31、所述潜空间平均流生成器训练时采用的流训练损失按以下公式进行设置：

32、；

33、其中，为流训练损失；为潜空间平均流生成器预测的平均速度；为速度目标；为停止梯度；为重建辅助项权重；和为时间区间的两个端点；为线性插值路径在时间步的潜变量；为目标位移潜变量；为源潜变量。

34、所述步骤s4具体为：

35、s41、获取待预测接触面的条件数据，利用训练完成的形貌锚生成模型中的逐潜体素解析回归器，根据条件数据中的原始空间条件和标量条件生成待预测接触面的形貌锚。

36、s42、根据待预测接触面的形貌锚确定积分初值，从积分初值出发，将积分区间划分为k步，在每一步中将当前潜变量、时间区间和条件数据输入训练完成的潜空间平均流生成器得到平均速度预测，按显式欧拉法逐步更新潜变量，得到预测位移潜变量。

37、s43、将预测位移潜变量输入训练完成的形貌锚生成模型中的解码器，并对解码结果施加二值框形掩码和反归一化处理，得到物理量纲下的法向位移预测场。

38、所述步骤s42中：以待预测接触面的形貌锚直接作为积分初值；或以形貌锚为均值构建条件源分布，从条件源分布中独立采样出积分初值。

39、本发明的有益效果是：

40、1、本发明针对每个接触面生成形貌锚并将其作为流起点，替代所有实例共享的初始化噪声，减少概率输运路径重叠，使潜空间平均流生成器无需重复学习由条件数据决定的整体弹性位移。

41、2、本发明利用潜变量对齐损失把形貌锚与编码器输出的潜变量分布的均值对齐，降低非凸镂空边界和离散螺栓加载造成的形貌诱导偏差，提高解析先验在潜空间中的方差解释能力。

42、3、本发明采用潜空间平均流和少步常微分方程积分，在提高预测效率的同时抑制通用噪声初始化导致的块状伪影，并保持螺栓孔、内自由边界和外自由边界附近的高梯度位移特征。

43、4、本发明输出位移场和误差区域具有明确空间位置，可用于装配合格判定、异常接触区域定位以及实际紧固前的刮研或返修指导；通过从条件源分布独立采样可获得同一条件数据下的预测分布。