一种高速电主轴水冷系统智能调控方法与流程

1.本发明涉及一种高速电主轴水冷系统调控领域，特别涉及高速电主轴一种基于遗传算法优化的grnn高速电主轴智能调控冷却介质流量方法。


背景技术：

2.现在高速电主轴实际运行中主轴内部发热量大、温度升高、转速快等导致主轴热变形而影响电主轴加工精度问题，电主轴热态特性的好坏不仅与主轴内部热源发热有关，它与电主轴冷却系统性能的好坏也是分不开的。电主轴相关技术中，电主轴冷却技术可以说是及其重要的一部份，它直接影响着主轴的加工性能和使用寿命。
3.marvin l.biesack等人对电主轴冷却方式进行设计，提出了一种螺旋冷却电主轴，使冷却液通过主轴外壳内的螺旋槽带走热量，进而达到冷却效果。日本的shigenori ando 和narashino提出了一种集中冷却润滑系统，在主轴内部开设冷却通道直接对轴承进行冷却，开设另一条通道对轴承进行润滑，实验证明润滑冷却效果较好，但整体冷却上有局限性且成本较高。2008年，c.h.chien和j.y.jang对高速电主轴的螺旋冷却水套进行了三维数值求解，分析了冷却水在冷却套里的流动状态和温度的分布，并对其进行了实验验证。 kang y等提出了一种新型轴芯冷却结构，相比无轴心冷冷却的电主轴热变形减少50.2％，热平衡时间缩短50％，提高了加工精度和效率。grama s n等提出了一种冷却器触发模型(ctm)，对传统的浴式循环冷却器进行控制，显著提高了冷却效果。elsevier ltd基于环形热虹吸管设计了一种磨削电主轴的轴冷却结构，环形热虹吸管的蒸发和冷凝部分位于同一管上，使电主轴的最高温度降低了约28％。2015年魏效玲等对主轴电机的油水循环系统进行数值分析，提出油水循环系统可以较有效的对主轴电机进行散热。2016年李安玲等对高速磨削电主轴的温升情况进行了分析，对原有的主轴冷却系统进行改进并提出一种新型螺旋冷却装置，使主轴在性能上有较大提升。
4.随着加工的精度刚度提高和智能化的需求，电主轴智能冷却成为影响电主轴加工精度的最主要的因素。因此，提出将遗传算法和广义回归神经网络结合在一起，构建热特性分析模块，使非线性曲线拟合效果更准确。电主轴温度控制模块根据数据采集模块采集到的前轴承温度传感器和后轴承温度传感器的温度信号以及主轴的热特性模型，通过数据采集模块控制高速电主轴冷却装置以调节主轴的冷却速率。


技术实现要素：

5.针对上述现有技术的不足，本发明所要解决的技术问题是：提供一种基于遗传算法优化的grnn电主轴智能调控冷却介质流量方法，采用遗传算法对光滑因子σ选优赋值，建立高速电主轴的温度预测冷却介质流量模型，提高其训练时的精度和鲁棒性。
6.为实现上述目的，本发明提供如下的技术方案：
7.本发明首先提出一种基于遗传算法优化的grnn的电主轴智能调控冷却介质流量方法，包括如下步骤：
8.a、建立rbf神经网络的结构；
9.b、在rbf神经网络改进上，建立四层ga
‑
grnn神经网络结构框架；
10.c、遗传算法搜索全局最小值，择优选取光滑因子σ。
11.遗传算法寻找最优光滑因子的计算步骤如下所示：
12.c1、随机初始化种群，确定基因尺寸d
n
，种群规模p
n
，交叉率p
c
和变异率p
m
。随机初始化个体基因，使用二进制编码，本文设grnn的平滑因子σ取值范围为0到10之间的实数，个体基因可由下式进行翻译：
[0013][0014]
c2、选取适应度函数并计算个体适应度，本文建立的高速电主轴热特性调控冷却介质流量模型的预测输出与实际值越接近越好，采用grnn模型的预测温度特性来构造适应度函数：
[0015][0016]
式中：f(σ)为适应度函数，e(σ)为grnn预测冷却介质流量。
[0017]
c3、在构造完适应度函数之后，需要对种群执行自然选择操作，对个体进行选择、交叉和变异操作使种群进化：选择适应度高的个体构建新的种群，按照交叉率选择两个个体基因进行重组，按照变异率改变个体基因某一位的取值，从0变为1或从1变为0。
[0018]
c4、重复c2、c3，直到满足精度或最大迭代次数停止。
[0019]
本发明的有益效果在于以下几点：
[0020]
1.本发明的智能调控冷却介质流量方法具有自动调节冷却介质流量大小功能，可根据电主轴的实时温度和预测温升自主调节冷却介质流量为需求大小，其中的算法ga
‑
grnn与 bp神经网络相比，grnn具有较强的深度学习能力和学习速度，试验的样本适中时收敛速度快，效率提高，非线性拟合能力强，预测效果好。
[0021]
2.grnn建模过程出现精度问题，利用遗传算法，模拟达尔文的遗传学原理和自然选择规律，得到光滑因子σ的最优解，优化了模型的精度，对复杂的非线性系统有更好的拟合和泛化能力。
[0022]
3.隐含层采用径向基的非线性映射函数，考虑了不同类别的模式的影响，兼容性强。只要有足够的数据样本都可以收敛到贝叶斯分类器，没有bp神经网络的局部极小值问题。
[0023]
4.广义回归神经网络(grnn)是径向神经网络(rbf)的一种，在某些方面比径向神经网络更具优势。广义回归神经网络具有很强的非线性映射能力和学习速度，比径向神经网络具有更强的优势，且最后普收敛于样本量集聚较多的优化回归，样本数据少时，预测效果很好，网络还可以处理不稳定数据。
附图说明
[0024]
图1为本发明中rbf网络结构图；
[0025]
图2为rbf网络中径向基函数示意图；
[0026]
图3为本发明的ga
‑
grnn网络结构图；
[0027]
图4为本发明中寻找最优光滑因子的ga
‑
grnn流程图。
具体实施方式
[0028]
以下结合附图和具体实施例对本发明作进一步的详细描述。
[0029]
本实施例基于遗传算法优化的广义神经网络电主轴热特性调控冷却介质流量建模方法具体步骤包括：
[0030]
a、建立rbf神经网络结构
[0031]
a1、rbf神经网络主要特点是能够将低维空间中的问题转化到高维空间中去求解，这也决定了rbf神经网络训练快、能够解决任意非线性问题的特点。
[0032]
如图1所示rbf网络结构图，径向基函数的自变量是一个表示距离的实数，其数学形式可以由公式表示
[0033][0034]
具体有三种形式的径向基函数：
[0035]
gaussian函数：
[0036][0037]
reflected sigmoidal函数：
[0038][0039]
逆multiquadric函数：
[0040][0041]
由图2中rbf网络的径向基函数示意图可知，当输入x与中心点c距离较近时，函数的输出值较大，当输入x与中心点c距离较远时，函数输出值较小，所以径向基函数对输入变量有一个选择的作用，即距离中心点c较近的输入变量对函数的输出贡献较大，所以 rbf神经网络的泛化能力和预测精度较高。
[0042]
rbf神经网络中的输入层到隐藏层之间的运算，是非线性运算，激活函数通常为高斯核函数。隐藏层中第h个神经元的输出可由公式进行计算：
[0043][0044]
式中：δ
h
为高斯核函数的宽度参数；c
h
为第h个神经元高斯核函数的中心。
[0045]
rbf神经网络中的隐藏层到输出层之间的运算，是普通的加权求和运算，没有激活函数。输出层的输出o可由公式进行计算：
[0046][0047]
a2、rbf神经网络有三个参数需要学习，分别为高斯核函数的中心、宽度以及线性层的权值。本文使用梯度下降法优化这三个参数。
[0048]
目标函数的定义如公式所示:
[0049][0050]
1、确定径向基函数中心c
h
[0051]
基于目标函数的公式计算e对于c
h
的偏导数，计算公式所示：
[0052][0053]
所以第n 1次迭代相比于第n次迭代时，c
h
的改变如下所示：
[0054][0055]
2、确定径向基函数的宽度δ
h
[0056]
基于目标函数的公式计算e对于δ
h
的偏导数，计算公式如下所示：
[0057][0058]
所以第n 1次迭代相比于第n次迭代时，δ
h
的改变如下所示：
[0059][0060]
3、确定隐藏层与输出层权值
[0061]
计算e对于ω
h
的偏导数，计算公式如下所示:
[0062][0063]
所以第n 1次迭代相比于第n次迭代时，δ
h
的改变如下所示：
[0064][0065]
b、基于rbf神经网络的改进，建立ga
‑
grnn神经网络的体系结构
[0066]
b1、ga
‑
grnn网络结构如图3所示，对应的输入为x＝[x1,x2,
…
,x
n
]，对应的输出为 y＝[y1,y2,
…
,y
k
]。
[0067]
输入层直接输入学习样本，对于高速电主轴热特性建模，输入层直接输入温度影响因子，对温度影响因子不做任何处理直接传递给模式层。
[0068]
模式层，对于高速电主轴热特性调控冷却介质流量建模，模式层中保存着训练集数据，主要对输入样本和训练集样本之间进行计算。模式层神经元的激活函数为：
[0069][0070]
式中：x为网络输入变量；x
i
为模式层第i个神经元对应的训练样本；σ为grnn的光滑因子。
[0071]
求和层，grnn的求和层包含两种不同的神经元，第一种神经元的个数只有一个激活函数如下公式所示。
[0072]
[0073]
另一种神经元的激活函数如下公式所示：
[0074][0075]
式中：y
ij
为训练集样本中，第i个样本的第j个元素。
[0076]
输出层中第j个神经元的输出如公式下所示：
[0077][0078]
b2、grnn在理论上基于条件均值的思想，目的就是根据输入变量x计算最大概率的输出值首先要通过训练数据集计算输入变量x和输出变量y之间的联合概率密度f(x,y)。那么当输入为x时，grnn的预测输出的计算公式如下所示：
[0079][0080]
式中：是输入为x的条件下，y的预测值。
[0081]
可以采用核参数估计的方法对函数f(x,y)进行估计，基于训练样本数据 {(x
i
,y
i
)|i＝1,2,
…
,n}，f(x,y)的估计的计算公式如下所示。
[0082][0083]
式中：n为样本容量；p为输出矩阵x的维数；σ为高斯核函数的宽度系数，这里为光滑因子。
[0084]
用代替f(x,y)带入公式(5
‑
18)中，得到grnn的输出：
[0085][0086]
c、遗传算法优化光滑因子
[0087]
对于广义回归神经网络，各个神经层之间没有需要训练的权值和阈值，但是有一个超参数σ需要提前确定，当σ特别大时，grnn的预测输出接近于训练样本y的平均值，则预测效果不好，而当σ特别小时，grnn的预测输出接近于训练样本的值，则预测精度高但是泛化能力差，所以选择一个合适的σ的值对于grnn预测模型非常重要。
[0088]
遗传算法(ga)作为一种全局搜索算法，能够简单方便的找到全局最小值，可以用于 grnn中光滑因子σ的选取。ga
‑
grnn流程如图4所示。
[0089]
c1、随机初始化种群，确定基因尺寸d
n
，种群规模p
n
，交叉率p
c
和变异率p
m
。随机初始化个体基因，使用二进制编码，本文设grnn的平滑因子σ取值范围为0到10之间的实数，个体基因可由下式进行翻译：
[0090]
[0091]
c2、选取适应度函数并计算个体适应度，本文建立的高速电主轴热特性调控冷却介质流量模型的预测输出与实际值越接近越好，采用grnn模型的预测温度来构造适应度
[0092]
函数：
[0093][0094]
式中：f(σ)为适应度函数，e(σ)为grnn预测冷却介质流量。
[0095]
c3、在构造完适应度函数之后，需要对种群执行自然选择操作，对个体进行选择、交叉和变异操作使种群进化：选择适应度高的个体构建新的种群，按照交叉率选择两个个体基因进行重组，按照变异率改变个体基因某一位的取值，从0变为1或从1变为0。
[0096]
c4、重复c2、c3，直到满足精度或最大迭代次数停止。