150MD24Y20高速电主轴热特性分析

目的分析电主轴热变形产生及分布,为研究电主轴热误差,提高主轴加工精度提供理论依据.方法基于电主轴稳态温度场分布,采用ANSYS顺序耦合理论,分析高速电主轴热变形分布情况.通过电主轴测试系统建立热变形实验,测量高速电主轴工作端热变形,验证有限元仿真结果.结果仿真结果表明:随着电主轴速度增高,主轴热变形和温升也越来越大.电主轴在热稳态下,沿着轴向伸长而径向弯曲变形.结论当主轴材料一定,热变形与速度几乎呈线性关系,同时,主轴温升越大,热变形越大.此结论为有效控制主轴热变形,减小热误差及提高主轴稳定性提供理论基础.     

加工中心高速电主轴综合精度分析

高速电主轴作为加工中心的核心部件,直接影响加工中心的加工精度和工件的表面质量和粗糙度。该文以应用在加工中心上的高速电主轴为研究对象,对电主轴的径向精度、回转倾角、轴向精度进行了分析。基于最小二乘圆近似算法,对电主轴的径向误差运动进行了建模,设计了一种电主轴径向回转精度快速评价方法,建立了倾斜误差运动模型,并给出了电主轴回转轴倾斜角度的计算方法;基于时域和频域信号分析方法,对电主轴轴向运动特征值进行了提取,从而实现电主轴轴向精度的评价。将该综合精度分析方法应用在一种加工中心的高速电主轴上,结果表明:电主轴的径向误差和轴向误差随着转速的升高,先保持不变再升高,回转轴线倾斜角度误差随着转速的升高基本保持不变。该方法可应用在电主轴性能检测和精度衰退试验中。     

两种工况下电主轴热误差的组合预测模型

为了有效地提高数控机床电主轴热变形模型的预测精度,在2种典型工况下,根据电主轴结构热变形的产生机理,提出了一种基于模糊逻辑的组合预测模型.该模型综合了由自回归分析理论和灰色系统预测理论所建立的热误差模型,采用模糊逻辑选取权值,使各单项预测模型能够扬长避短,从而增强了组合预测模型的泛化能力.通过对电主轴热变形工况下的实验结果与计算结果的比较表明,在单项预测模型中的工况1下,灰色系统预测模型的相对误差较小(6.9%),在工况2下,自回归预测模型的相对误差较小(12.1%),而组合预测模型在2种工况下的相对误差分别为2.2%和8.9%.因此,组合预测模型具有较高的精度和较强的鲁棒性.     

基于PLS的高速电主轴热变形建模与分析

目的提出偏最小二乘方法(Partial Least Squares,PLS),对不同工况下的电主轴热变形进行预测,并分析多个温度变量和三维热变形的相关关系.方法以型号为150MD24Z7.5的电主轴为研究对象,采用精密传感器测量稳态条件下电主轴的热变形和温升数据,根据PLS模型内部分析机理,利用提取的主成分对变量的解释能力、精度及变量整体相关关系进行分析.结果分析结果验证了自变量温升之间存在多重相关性,采用PLS方法建模有益于模型精度的提高,模型提取的主成分能够反应原始变量的大多数信息,自变量温升和因变量热变形之间存在明显的线性相关关系,PLS模型的预测精度优于多元回归模型.结论电主轴热变形的PLS模型预测精度较高,适用于实际加工工况,对热误差的补偿具有补充意义.     

基于BP-PID的电主轴单元闭环稳定性温控策略

针对传统开环、同一化循环控温策略对电主轴单元结构温度场及精度稳定性控制方面的不利影响,基于PID控制与BP神经网络相结合的方式,提出了一种适用于电主轴单元结构的差异化和闭环稳定性温控策略,借助BP神经网络实现了PID控制策略在电主轴单元结构温度闭环控制中关键参数的自适应动态调整.最后,通过对比试验的方式验证了BP-PID差异化、闭环温控策略在电主轴单元结构温度场稳定性控制、热误差抑制方面的有效性,有利于精密机床精度及精度稳定性控制的实现.     

数控机床电主轴热敏感特性分析及试验研究

建立了数控机床电主轴的热动力学模型,基于热动力学理论对电主轴系统的热源分布及温度场的传热特性进行分析.采用互相关和互信息量算法研究了数控机床电主轴系统的热敏感特性,分析了温度场对热变形的影响规律及耦合特性,结果表明电主轴系统存在热敏感区域并具有热漂移特性.通过在热敏感区域内筛选温度敏感点从而建立热误差预测模型,实现了对电主轴轴向和径向热变形建模和预测.以YK73200数控齿轮磨床为试验平台开展了电主轴系统的热敏感特性试验.通过对磨床电主轴系统热变形预测值与实测值进行分析和对比,验证了电主轴系统热敏感区域温度与相应热漂移之间的内在关系模型,试验结果为开展精密数控机床热误差补偿技术研究提供理论指导和实验基础.     

机床电主轴热特性卷积建模研究

针对机床电主轴系统温度与热误差普遍存在的非线性等建模难题,提出了一种卷积建模方法。通过传热理论分析与实验数据相结合的方式,对电主轴系统内部测点温度与热源、换热边界条件的复杂关系进行了有效简化,建立了热源温度与测点温度间的微分方程,并给出了响应函数。通过粒子群算法进行响应函数参数的优化,使用热源测点温度变化量与响应函数的卷积积分来估算电主轴系统的各部分温度,并在此基础上,通过卷积参数优化建立了电主轴y方向热误差模型。结果表明,在电主轴系统热特性非线性最严重的运行初始阶段和升降温拐点处,卷积模型比线性模型更能描述电主轴的温度和热变形规律,温度拟合效果在开机初始200 min内最高提升了83.9%,y方向热误差的拟合误差在前100 min由44.07%提高至97.1%。该研究为电主轴和机床温度与热误差建模提供了一种新的有效思路。     

高速电主轴转子系统临界转速的计算与分析

目的为减小传统传递矩阵法计算高速电主轴转子系统临界转速产生的误差,分析高转速对主轴系统的影响,解决传统矩阵法运算精度降低的问题.方法以170SD30电主轴作分析对象,考虑陀螺力矩和剪切等影响因素,利用Riccati传递矩阵法建立电主轴理论模型,同时运用Matlab编程并计算高速电主轴前3阶临界转速和固有频率等动力学参数.结果仿真数据与实验数据对比,Riccati传递矩阵法与实验结果最大误差为7.2%,比传统传递传递矩阵法精度提高了2.3%.结论验证了Riccati传递矩阵法准确性与可行性,提高了传递矩阵法的计算速度与计算稳定性.     

永磁同步电机电主轴热-结构耦合计算方法

为了深入研究永磁同步电机电主轴热特性,综合考虑轴承热诱导预紧力及润滑油黏温效应等因素,并基于系统内部多参量耦合作用关系,建立永磁同步电机电主轴热-结构耦合计算方法.以某型号永磁同步电机电主轴为研究对象,进行了温升及热变形测量,试验结果与仿真计算对比表明所建立的计算方法具有足够的精度.采用该计算方法分析了永磁同步电机电主轴热特性,结果表明:电主轴转子温升较低,前后轴承受配合方式、装配位置及热诱导预紧力等因素影响,使轴芯沿轴向存在13℃左右的温差,导致电主轴轴向热伸长成为影响加工精度的主要原因.     

基于SSO算法优化神经网络的数控机床热误差建模

针对影响五轴数控机床加工精度的复杂热特性,提出了一种用于摇篮式五轴数控机床热误差建模方法.该方法主要采用鲨鱼嗅觉优化(SSO)算法和神经网络的复合建模方式,有效提高了机床热误差预测模型的精度和建模效率.首先通过使用热成像仪筛选出机床的温度敏感点,然后将温度传感器布置在机床热敏感点的位置,将采集到的热特性数据采用本文所提方法进行热误差建模,结果表明,该方法在建模速度和精度上要优于ABC和PSO神经网络,最后将该热误差预测模型应用于五轴数控机床热误差补偿实验,将试件加工精度提高了32%.     

基于模糊聚类测点优化与向量机的坐标镗床热误差建模

为了研究电主轴系统热特性对机床精度的影响,建立了主轴轴向及径向热误差模型.以精密坐标镗床为对象,采用五点法对主轴热误差进行测量,并分析了转速对主轴热误差及温度场的影响规律.利用模糊聚类分析法对温度变量进行分组优化,选出对热误差敏感的温度变量,建立主轴轴向热伸长及径向热倾角的最小二乘支持向量机(LS-SVM)以及多元线性回归(MLRA)的综合热误差模型,并设定了预测优度评价标准.结果表明:模糊聚类分组法能有效降低温度变量间的多重共线性,并提高模型的稳定性;LS-SVM模型具备全局寻优的特点,可实现不同工况的高精度预测,预测精度可达90%,且比传统的MLRA模型有更好的通用性以及更强的泛化能力,可作为后期热误差的补偿模型.     

车用锂离子动力电池剩余寿命非线性组合预测研究

针对单一预测模型难以准确预测锂电池的剩余寿命（remaining useful life, RUL）难题,提出了非线性组合预测方法;利用相空间重构,对实验采集到的数据进行重构,将重构后的数据对改进Elman神经网络和非线性自回归（nonlinear autoregressive with exogenous input,NARX）神经网络这2个单项预测模型进行训练和预测;采用RBF神经网络对2个单项模型的预测值进行非线性组合,获得最终的RUL预测值．结果表明:非线性组合预测方法的均方根误差比PCA-NARX方法提高了近1%,比NARX方法提高了近2%,比改进Elman方法提高了近3%;非线性组合预测方法具有较高的精度及泛化能力,采用相空间重构技术有利于提高非线性组合方法的预测精度．      

基于神经元网络的短期电力负荷预测

基于多层感知器可任意精度逼近线性或非线性函数的基本原理，提出一种考虑气候影响因素的多层前馈神经网络的短期负荷预测方法，并给出相应的反向传播算法（BP）的构造过程和训练方法，研究结果表明，基于神经元网络的短期电力负荷预测方法具有精度高的特点，负荷预测结果的相对误差小于3．67％。     

基于粒子群算法与BP网络的机床主轴热误差建模

为了避免基于反向传播(BP)神经网络的主轴热误差模型精度低、通用性不强和收敛性较差等缺点,利用模糊聚类理论与相关分析法对温度变量进行优化,并且选取热敏感点以挖掘温度变量与热误差间的相关性,降低温度变量间的耦合性.利用粒子群优化算法(PSO)将预测输出与期望输出间误差平方和的倒数作为个体适应度函数,将个体头部分与身体部分的表现码分别映射为网络的隐含层节点数、权值和阈值,实现了对BP网络的拓扑结构的有效优化,通过跟踪个体极值和全局极值实现了粒子群个体速度与位置的更新.分别建立了基于BP和PSO-BP网络的热误差模型,以精密坐标镗床主轴为研究对象,采用五点法对高速主轴热误差进行测量.结果表明,PSO-BP模型可实现不同工况下主轴空间位姿状态的高精度预测,验证了测量及建模方法的有效性.     

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

交通量的灰色神经网络预测方法

结合灰色系统思想与神经网络构成灰色神经网络,根据目前灰色模型与神经网络结合的方法,提出并联型、串联型和嵌入型3种预测模型的结构.并联型灰色神经网络首先采用灰色模型、神经网络分别进行预测,而后对预测结果加以组合作为实际预测值;串联型对多个灰色预测的结果使用神经网络进行组合;嵌入型在神经网络的输入端、输出端分别增加一个灰化层和白化层而构成.对并联型灰色神经网络给出一种根据预测模型的有效度确定加权系数的方法.将上述3种灰色神经网络模型用于对京石高速公路断面机动车实时交通量进行预测,模型精度和预测结果比较理想,优于单一预测模型.实验表明:灰色神经网络可提高预测精度,用于交通量预测方法是有效可行的.     

钢铁企业产成品预报模型

基于某钢铁企业整体产销系统的合同跟踪策略和实现方法 ,利用SAS/EnterpriseMiner软件提供的SEMMA过程 ,对冷轧生产线上产成品的产出规律进行了探索 ,建立了产成品预报的神经网络模型·模型以合同在生产线上最后几道工序的通过日期和通过时间为输入 ,以合同的完成日期为输出·利用SAS/EnterpriseMiner软件提供的神经网络功能进行了大量的试验 ,结果表明神经网络模型是进行产成品预报的有效方法 ,预报精度可达到 91 %以上·试验中也发现 :隐层节点激活函数形式对预测效果有一定影响 ,而隐层节点数对预测效果影响程度较小 ;数据噪声对预测效果有一定的影响     

数控机床热误差变参数GM(1,1)的建模

为提高数控机床的加工精度,减少热误差对零件加工质量的影响,对热误差变参数灰色GM(1,1)在线预测模型进行研究.变参数灰色GM(1,1)在线预测模型能直接运用热误差时间序列值进行单序列建模,并给出模型参数的逐步迭代公式,根据不断输入的新数据,变参数模型能利用迭代公式,及时修正模型参数.以某精密卧式加工中心为研究对象,对所提出的变参数灰色GM(1,1)模型进行应用验证,并与传统的,1)模型和新陈代谢GM(1,1)模型进行对比研究.对比分析的结果表明:变参数灰色GM(1,1)模型很好地解决了传统的GM(1,1)模型难以预测大样本数据和非线性变化趋势的问题,且比新陈代谢GM(1,1)模型建模运算量小、求解时间短.变参数灰色GM(1,1)模型的预测值与实验结果对比表明,该模型预测精度高、通用性好,适用于机床热误差建模预测,进而提高机床的加工精度.     

基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。