基于机床导轨装配精度预测的多向装配载荷优化方法
本发明涉及机床装配工艺优化,尤其涉及一种基于机床导轨装配精度预测的多向装配载荷优化方法。
背景技术:
1、机床导轨是数控机床实现进给运动的核心基础部件。随着先进制造技术的发展,数控机床对定位精度和承载能力的要求日益严苛。在机床的实际装配工艺中,直线运动导轨的运动误差主要受导轨形貌误差的影响,而这直接影响加工零件的精度。
2、在现有研究中,机床装配精度的建模面临着巨大的挑战。机床导轨系统的误差实际上呈现层次化传递的特征,可依次划分为基准层、导轨层、滑块层和工作台层四个层级。然而,现有的预测与优化方法大多存在以下技术缺陷:
3、第一,传统有限元方法在计算带有多点接触的高阶非线性装配时极其耗时。虽然部分研究引入了机器学习等代理模型进行加速,但其训练数据往往强绑定于特定的导轨截面尺寸,一旦面临工业界普遍采用的异形导轨,原有模型立刻失效,泛化能力弱。
4、第二,多数模型在装配载荷设定上仅考虑“垂直螺栓预紧力”,忽略了侧向调直楔形块推力对导轨形貌的耦合影响,导致预测结果与实际装配工况存在偏差。
5、第三,现有绝大多数基于数据驱动的研究仅将预测目标停留在“导轨本体静态形变”,未能深入至滑块层与工作台层,未能建立“多向载荷→导轨变形→滚子弹性接触→整机动态直线度”的完整物理力学传递链条。此外,现有装配工艺优化多依赖人工经验进行反复试调,缺乏基于直线度预测结果驱动多向装配载荷反向优化的系统性方法。
技术实现思路
1、有鉴于此,有必要提供一种基于机床导轨装配精度预测的多向装配载荷优化方法,用以解决现有技术中机器学习代理模型无法泛化适配异形导轨、仅考虑单向装配载荷导致预测精度低,以及缺乏从直线度预测到多向装配载荷反向优化完整闭环的技术问题。
2、为了解决上述问题,第一方面,本发明提供一种基于机床导轨装配精度预测的多向装配载荷优化方法,包括:
3、获取映射数据集,所述映射数据集为利用构建的导轨系统的参数化有限元模型提取受载导轨三维形貌散点数据构建得到,所述参数化有限元模型以垂直向螺栓预紧力与水平向楔形块调直推力作为多向装配载荷;
4、基于所述映射数据集训练深度神经网络预测模型,所述深度神经网络预测模型用于建立从装配载荷与导轨几何参数到导轨三维变形形貌的代理映射关系;
5、将待装配异形导轨对应的等效虚拟矩形宽高输入至训练好的深度神经网络预测模型进行求解以及采用傅里叶级数展开,得到展开后的三维变形形貌;
6、将所述展开后的三维变形形貌作为基础接触边界条件确定滑块层各个滑块在运动过程中的局部姿态误差;
7、基于方向余弦变换矩阵将滑块层各个滑块的局部姿态误差耦合至工作台层,得到工作台沿运动轴向的装配精度,所述装配精度包括直线度误差与角误差;
8、以所述直线度误差最小化及多向装配载荷方差最小化为双适应度函数,并采用多目标优化算法进行反向迭代寻优,得到多向装配载荷优化方案。
9、在一种可能的实现方式中,所述深度神经网络预测模型的训练过程采用均方误差与l2正则化项结合的损失函数,所述损失函数的计算公式为:
10、
11、其中,为样本量,为有限元真实变形矩阵,为网络预测输出矩阵,为正则化系数,为网络权重。
12、在一种可能的实现方式中,所述方法还包括:
13、获取所述待装配异形导轨沿运动轴向的截面主惯性矩;
14、基于面积分等效原理建立截面主惯性矩与等效矩形宽高的关系式:
15、
16、
17、对所述关系式进行解析反推,得到等效矩形宽度与等效矩形高度,计算公式为:
18、
19、
20、其中,和为截面主惯性矩,为等效矩形宽度与为等效矩形高度。
21、在一种可能的实现方式中,所述采用傅里叶级数展开为将深度神经网络输出的离散三维变形形貌采用傅里叶级数展开为连续函数:
22、
23、其中,为导轨长度,和为傅里叶系数,为深度神经网络输出的离散三维变形形貌。
24、在一种可能的实现方式中,所述滑块层各个滑块在运动过程中的局部姿态误差引入预紧量及接触角,相应的变形协调条件满足:
25、
26、
27、其中,为外部载荷,为接触载荷,为滚子受载弹性变形量,为预紧量,为接触角。
28、在一种可能的实现方式中,所述滑块层各个滑块在运动过程中的力与力矩平衡方程分别为:
29、
30、
31、其中,为系统静态接触刚度,,为滚子组中心距滑块中心的距离,由确定,局部直线运动误差,滚子组在y方向上的总接触承载力。
32、在一种可能的实现方式中,所述基于方向余弦变换矩阵将滑块层各个滑块的局部姿态误差耦合至工作台层,得到工作台沿运动轴向的装配精度,包括:
33、以全局坐标系与局部工作台坐标系为基准,利用滑块层各个滑块的局部坐标构建方向余弦矩阵;
34、通过所述方向余弦矩阵变换得到测试点实际位置矢量与理想坐标矢量,并根据所述测试点实际位置矢量与所述理想坐标矢量确定工作台沿运动轴向的直线度误差:
35、
36、
37、
38、其中,、、为测试点实际位置矢量,、、为理想坐标矢量。
39、在一种可能的实现方式中,所述双适应度函数包括极小化工作台运行直线度的目标函数与极小化装配载荷分布方差的目标函数,所述极小化工作台运行直线度的目标函数为:
40、
41、所述极小化装配载荷分布方差的目标函数为:
42、
43、其中,和为工作台的直线度误差,为第i个装配载荷,为装配载荷均值。
44、第二方面,本发明还提供一种基于机床导轨装配精度预测的多向装配载荷优化装置,包括:
45、映射数据集获取模块,用于获取映射数据集,所述映射数据集为利用构建的导轨系统的参数化有限元模型提取受载导轨三维形貌散点数据构建得到,所述参数化有限元模型以垂直向螺栓预紧力与水平向楔形块调直推力作为多向装配载荷;
46、深度神经网络训练模块,用于基于所述映射数据集训练深度神经网络预测模型,所述深度神经网络预测模型用于建立从装配载荷与导轨几何参数到导轨三维变形形貌的代理映射关系;
47、形貌预测与连续化模块,用于将待装配异形导轨对应的等效虚拟矩形宽高输入至训练好的深度神经网络预测模型进行求解以及采用傅里叶级数展开,得到展开后的三维变形形貌;
48、滑块姿态解算模块,用于将所述展开后的三维变形形貌作为基础接触边界条件确定滑块层各个滑块在运动过程中的局部姿态误差;
49、工作台精度耦合模块,用于基于方向余弦变换矩阵将滑块层各个滑块的局部姿态误差耦合至工作台层,得到工作台沿运动轴向的装配精度,所述装配精度包括直线度误差与角误差;
50、多目标优化模块,用于以所述直线度误差最小化及多向装配载荷方差最小化为双适应度函数,并采用多目标优化算法进行反向迭代寻优,得到多向装配载荷优化方案。
51、第三方面,本发明还提供一种电子设备,包括数据采集器、存储器和处理器,其中,所述数据采集器,用于获取映射数据集;
52、所述存储器,用于存储程序;
53、所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述任意实现方式中所述的基于机床导轨装配精度预测的多向装配载荷优化方法中的步骤。
54、本发明的有益效果是:本发明提供的基于机床导轨装配精度预测的多向装配载荷优化方法,通过参数化有限元模型生成多向载荷条件下的导轨形貌数据集,并训练深度神经网络作为代理模型,解决了传统有限元方法计算耗时的问题;通过截面惯性矩解析反推等效虚拟矩形宽高,使训练好的深度神经网络能够跨截面适配异形导轨;通过将深度神经网络预测的离散形貌进行傅里叶级数展开并依次经hertz接触力学、滑块静力学平衡及方向余弦变换矩阵的多层级传递,打通了从多向载荷、导轨变形、滚子弹性接触及工作台动态直线度的完整物理力学传递链条;最终以直线度误差和载荷方差为双目标进行反向优化,实现了装配载荷从依赖人工经验到数据驱动智能寻优的跨越。由此,成功解决了现有技术中机器学习代理模型无法泛化适配异形导轨、仅考虑单向装配载荷导致预测精度低,以及缺乏从直线度预测到多向装配载荷反向优化完整闭环的技术问题,实现了异形导轨在多向载荷下的直线度预测及装配载荷的智能优化。
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