[发明专利]一种轴承预紧力可变的电主轴的热误差预测模型方法

说明书

本发明公开了一种轴承预紧力可变的电主轴的热误差预测模型方法，构建电主轴温度场模型，分析热源温度以及关键部件温度；用不同预紧力条件和该条件下由于温度变化所改变的主轴部件参数，建立电主轴静力学有限元模型，分析电主轴热误差与预紧力和温度关系；通过建立灰狼优化算法(GWO)模型，采用随机生成灰狼种群的方式，初始化灰狼群α、β、δ狼位置，全局搜索狼群各体适应度最优值，找寻支持向量回归(SVM)模型的惩罚因子(C)和核函数宽度(g)；搭建SVM可变预紧力电主轴的热误差预测模型，训练模型使其达到训练精度；最后通过BP神经网络热误差预测模型与DE‑GWO‑SVM热误差预测模型对比，体现出本发明方法较传统模型具有更好的性能。

技术领域

本发明涉及一种高速电主轴热误差分析领域，具体涉及一种基于灰狼算法优化的支持向量回归的电主轴热误差预测模型建模方法。

背景技术

电主轴内部结构中轴承是支撑旋转部件的重要元件，轴承为电主轴提供必要的支撑刚度、负载容限和旋转精度。轴承预紧使轴承得到充分的刚度，减少主轴振动，为电主轴稳定工作提供必要条件。

常用主轴轴承预紧装置预紧力的大小是根据低速重切削和高速轻切削以及换刀力综合考虑确定的，预紧力的数值是恒定的。缺点明显：低速重切时，预紧力偏小导致动刚度小于最大进给速度所需的刚度，为避免主轴在重切时因振动产生的精度问题，通常调小进给量或者降低被吃刀量，这样严重影响加工效率；高速大切削时，预紧力偏大导致轴承温升加剧，主轴出现热伸长误差，润滑失效等问题，既影响轴承寿命又会产生加工误差。这些问题，都是因为预紧力的恒定引起的。

随工况改变预紧力大小是智能主轴提升加工精度的必要条件，预紧力改变会引起主轴系统温度分布改变和由温度引起的主轴轴向热伸长，主轴部件应变累加成主轴前端热伸长。

现阶段电主轴热误差预测模型大多为神经网络模型，精度较高和线性能力强，但是神经网络系统对新样本不能很好的预测结果，实际应用会受到一定限制。采用优化算法优化神经网络模型又会加大计算工作量，降低模型效率，很难及时反馈热误差

相比于神经网络模型，支持向量回归模型具有结构简单、泛化能力强、非线性能力强等特点，通过灰狼优化算法优化的SVM具有更好的避免局部最优的风险，有效解决过学习缺陷，推广能力更加显著。

灰狼优化算法(GWO)是启发式算法一种，在灰狼群内部有严格等级制度。α狼为狼群首领，调度控制狼群搜索、包围和捕获猎物；β狼协助α狼工作，同时管理其它等级狼；ω狼是最底层狼，它服从高等级狼管理，跟随α、β、δ狼对猎物搜索、包围和捕获等工作。具有较强的收敛性能、参数少、易实现等特点。

支持向量机(SVM)在处理小样本的非线性高维数据有较好效果，其核心内容是确定数据分类，以分类面对样本数据分离的准确程度作为训练精度，大的分类面会产生较小的错误风险，实现置信范围最小。在回归预测分析中SVM确定惩罚因子c和核函数宽度g是整个模型的关键所在，这两个参数很大程度决定了模型的准确性。

发明内容

本发明的目的是提供一种轴承预紧力可变的电主轴热误差预测模型方法，以解决现有技术中存在的上述不足。支持向量机理论可以为高速电主轴热误差建模方法提供一种新的研究手段，SVM结构简单、非线性能力强，用SVM所建立的电主轴热误差模型相比于神经网络模型有更高的效率和泛化性。

为实现上述目的，本发明提供如下的技术方案：

步骤a、通过有限元分析方法，在主轴系统只改变预紧力大小情况下，分析不同预紧力条件下电主轴状态，进一步包括：

对电主轴进行结构分析，确定主轴瞬时预紧力应变状态；

对电主轴进行温度分析，确定不同预紧力下整体温度状态；

对电主轴进行温度-结构耦合分析，确定因为不同预紧力所产生的应力与主轴温度变化带来的内应力相结合产生的电主轴热误差改变；