一种高精密主轴性能测试方法及系统与流程

文档序号:39998844发布日期:2024-11-15 14:58阅读:7来源:国知局
一种高精密主轴性能测试方法及系统与流程

本发明涉及机床主轴,具体为一种高精密主轴性能测试方法及系统。


背景技术:

1、高精密主轴是工业生产中关键的核心部件之一,通过提供高精度、高稳定性的旋转运动确保机械设备能够实现高质量的加工效果。为了确保在实际生产条件下保持高精度和稳定性,需要在出厂前对高精密主轴进行性能测试,通过验证动平衡、热稳定性和振动控制等关键指标,保证设备的长期可靠运行和加工质量。通过性能测试,可以识别并消除潜在缺陷,延长高精密主轴寿命,提升生产效率和产品质量。

2、在当前研究中,高精密主轴的性能测试主要集中于抗形变能力的检测。通过静态和动态测试参数的参数,能够评估主轴在各种负载和运行条件下的形变特性。例如,通过在主轴静止状态下施加外力来测量主轴的形变量,得到主轴在不受外部动力影响下的形变数据;或是通过在主轴高速旋转时施加负载,并使用高精度传感器或检测装置来实时监测主轴的形变量。再例如,采用虚拟建模和模拟技术,通过生成三维主轴结构模型模拟不同负载和运行条件下的主轴形变情况,提供全面的高精密主轴形变预测。

3、现有技术提升了高精密主轴性能测试效果,但仍存在一定缺陷。现有技术仅考虑了形变情况的检测,难以提供对高精密主轴综合性能的全面评估。

4、为此,提出一种高精密主轴性能测试方法及系统。


技术实现思路

1、本发明的目的在于提供一种高精密主轴性能测试方法及系统,通过采集不同工况条件下的高精密主轴性能相关的参数数据,分别综合多重特征与方法对各类数据进行处理。结合时间序列特征对热膨胀数据进行处理,得到第一测试指标;结合动平衡修正对振动与动平衡数据进行分析,得到第二测试指标;对刚性与动态负载数据建模处理捕捉全局依赖关系,得到第三测试指标;采用多层神经网络分析旋转精度和状态数据,得到第四测试指标。最后,综合所有测试指标进行非线性融合分析,生成综合测试指标。通过对多维度性能数据进行分析处理,提高了测试的准确性和可靠性,实现了对高精密主轴性能的全面评估。

2、为实现上述目的,本发明提供一种高精密主轴性能测试方法及系统,包括:

3、设计不同转速与负载条件,连续采集高精密主轴在不同工况条件的性能相关参数数据,包括热膨胀数据、振动与动平衡数据、刚性与动态负载数据以及旋转精度与状态数据。

4、进一步地,所述第一测试指标的获取过程包括:

5、对所述热膨胀数据进行预处理形成时间序列特征后,对每个时间步的序列特征,计算其与相邻时间步序列特征之间的初始依赖特征,构成序列依赖特征;

6、将所述序列依赖特征输入至全连接层计算热膨胀预测值,反归一化后得到第一测试指标。

7、;

8、其中,表示第一测试指标,表示时间步数量,表示时间步的热膨胀预测值,和分别表示热膨胀预测最大值和最小值,表示全连接层的权重矩阵,表示时间步的依赖特征,表示偏置项;所述序列特征依赖的获取公式为:

9、;

10、其中,表示序列依赖特征,表示时间步的序列特征,和表示时间步差异计算权重矩阵,表示偏置。

11、进一步地,将所述振动与动平衡数据进行预处理后输入第一卷积层中获取局部特征,再经过第一池化层中进行降维得到初步特征图,所述初步特征图包含多个初步特征子图;

12、;

13、表示初步特征图,表示所述局部特征,表示输入数据,表示第一卷积层的权重矩阵,表示第一卷积层的偏置;表示最大池化操作,表示激活函数,表示卷积操作。

14、将所述初步特征图输入至第二卷积层中提取复杂特征;再经过第二池化层中进行降维得到复杂特征图,所述复杂特征图包含多个复杂特征子图;

15、;

16、其中,表示复杂特征图,表示所述复杂特征,表示第二卷积层的权重矩阵,表示第二卷积层的偏置;

17、根据所述复杂特征图,结合当前主轴转速,使用动平衡算法计算出修正量;再将所述修正量与所述复杂特征图结合生成第二测试指标。

18、;

19、其中,表示所述第二测试指标,表示卷积层通道数,表示第个复杂特征子图中提取的振动幅度,表示动平衡修正的权重系数,表示动平衡修正量,表示不平衡力,表示角速度,表示修正配重的半径。

20、进一步地,将所述刚性与动态负载数据归一化后按时间序列组织,形成序列数据结构后映射生成对应的序列特征向量;

21、通过自注意力机制计算每个时间步数据与其他时间步数据的相关性,提取时间依赖特征;

22、采用多头注意力机制从所述时间依赖特征中捕捉多层次特征;

23、;

24、其中,表示时间步和之间的特征向量时间序列关系,表示多头注意力机制计算函数。

25、通过前馈神经网络对所述多层次特征进行非线性转换,提取高级特征后进行加权组合,生成所述第三测试指标。

26、;

27、其中,表示所述第三测试指标,表示时间步的数量,表示所述序列数据中的特征数量,表示外层权重,表示内层权重,和分别表示内外层的非线性激活函数,和分别表示缩放参数和偏移参数;表示高级特征,表示前馈神经网络计算函数;为交互项。

28、进一步地,将所述旋转精度与状态数据预处理后转换为数据特征向量;所述数据特征向量的形式为,表示初始转换矩阵,表示输入数据,表示初始偏置,表示非线性激活函数。

29、将所述数据特征向量输入至第一隐层,通过第一全连接层进行线性变换,应用relu处理后提取初步特征向量;

30、将所述初步特征向量输入至第二隐层,通过第二全连接层进行进一步线性变换,应用relu处理后提取高级特征向量;

31、对所述高级特征向量进行线性组合,获得第四测试指标。

32、;

33、其中,表示所述第四测试指标,表示数据特征向量中的特征数量,表示第个特征的高级特征向量,表示特征对应的权重参数,表示第个特征的激活函数,表示高级特征向量之间的交互权重系数,表示偏置项。

34、进一步地,将所述第一测试指标、所述第二测试指标、所述第三测试指标和所述第四测试指标通过非线性融合分析,得到综合测试指标;

35、;

36、其中,所述表示所述综合测试指标,表示非线性转换函数,、、和分别表示所述第一测试指标、所述第二测试指标、所述第三测试指标和所述第四测试指标,、、和分别表示、、和的非线性函数,表示交互影响项;、、、和表示权重系数,满足。

37、一种高精密主轴性能测试系统,其特征在于,包括:

38、性能数据采集单元:用于设计不同工况条件,采集不同工况条件下的高精密主轴性能相关的参数数据;所述参数数据包括热膨胀数据、振动与动平衡数据、刚性与动态负载数据和旋转精度与状态数据;

39、热膨胀分析单元:用于对所述热膨胀数据采用长短期记忆网络进行分析处理,得到第一测试指标;

40、振动与动平衡分析单元:用于对所述振动与动平衡数据采用卷积神经网络结合动平衡算法进行分析处理,得到第二测试指标;

41、刚性与动态负载分析单元:用于对所述刚性与动态负载数据采用transformer模型进行建模处理,得到第三测试指标;

42、旋转精度与状态分析单元:用于对所述旋转精度和状态数据采用多层神经网络模型进行分析处理,得到第四测试指标;

43、非线性融合分析单元:用于将所述第一测试指标、所述第二测试指标、所述第三测试指标和所述第四测试指标进行非线性融合分析,得到综合测试指标。

44、与现有技术相比,本发明的有益效果为:

45、1、本发明通过将热膨胀数据处理为时间序列特征,采用lstm的多层网络结构提取初始时间依赖特征和隐藏状态向量,再经过全连接层生成热膨胀预测值,反归一化后得到第一测试指标;本方法通过对热膨胀数据的深度分析和处理,捕捉主轴在运转过程中的热膨胀行为预测。同时,本发明还通过卷积神经网络提取振动与动平衡数据中的局部特征和复杂特征,经过池化降维后结合动平衡修正算法计算修正量,最终生成第二测试指标。本方法通过精细化处理振动特征和应用动平衡算法,以预修正程度反映主轴在运转过程中的振动情况。本方法通过提升热膨胀测试与主轴振动特征测试的准确度,为高精密主轴性能的全面评估提供了数据支持。

46、2、本发明通过将刚性与动态负载数据构成序列组织结构,采用自注意力机制计算不同时间步数据之间的相关性,提取时间依赖特征;再采用多头注意力机制捕捉多层次特征,经过前馈神经网络对多层次特征进行非线性转换,最终加权组合生成第三测试指标。同时,本发明还通过将旋转精度和状态数据转换为数据特征向量,输入至多层神经网络逐步提取中的初步特征与高级特征,最终经过线性组合生成第四检测指标。本方法通过精确评估主轴在动态负载下的刚性表现和旋转状态,为高精密主轴性能的全面评估提供了科学依据。

47、3、本发明通过采集不同工况下的高精密主轴性能相关参数数据,将时间依赖与数据交互依赖等多重特征与深度学习方法进行综合,对各类数据进行针对性处理分析,分别获取相应测试指标。最后根据各类数据之间的相互作用关系,采用非线性融合分析方法生成综合测试指标。本方法通过多种处理方式的联合应用,系统地捕捉和分析了高精密主轴在实际工况状态下的关键性能特征,确保了对高精密主轴的各个性能维度进行全面、精准的综合评估。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1