一种基于小波神经网络和粒子群算法的热源贡献度分析方法技术

本发明专利技术公开了一种基于小波神经网络和粒子群算法的热源贡献度分析方法，属于机床领域，通过构建了目标产品(丝杠)热变形关于各热源的神经网络模型，求出了热源贡献度的函数表达式，明确了特定工况下丝杠热变形与各热源的量化关系，通过粒子群优化算法分析了某一时刻下各热源贡献度分布，保持各热源贡献度总量不变，确定了一组热变形最小的最优贡献度分布。解决了冷却效果差和冷却成本高的矛盾，使丝杠的冷却资源得到充分使用。的冷却资源得到充分使用。的冷却资源得到充分使用。

【技术实现步骤摘要】
一种基于小波神经网络和粒子群算法的热源贡献度分析方法


[0001]本专利技术涉及机床变形，尤其是涉及基于小波神经网络和粒子群算法的热源贡献度分析方法。

技术介绍

[0002]现代制造业对数控加工中心的要求是高精度、高速加工，这是对加工质量和效率追求的结果。刀具的定位精度主要取决于丝杠进给系统的热变形。这是由于电机、摩擦热等各种热源的存在，使丝杠发生热变形，进而导致工件与刀具之间产生定位误差。诸多研究表明，热误差约占机床总误差的40％～70％。对丝杠进给系统的热误差抑制方法主要包括误差避免法和误差补偿法。
[0003]减小内部热源对丝杠主体影响是误差避免法的主要手段，如冷却、隔热等。热源冷却目前效果显著的方法是设计丝杠内置流道的冷却板并安装于热源处，每一冷却回路单独配置油箱进行独立调温。通过建立进给轴的轴承、电机及丝杠螺母等热源生热模型，精确匹配各热源生热率来控制冷却系统中进出口冷却液的温度，从而差异化地带走不同热源处所产生的热量以控制各部位温度。隔热方法中，一种措施是通过增加滚珠丝杠的热惯性来减少温度波动的方法。比如，设计石蜡基相变蓄热装置，在石蜡熔化和凝固过程中，滚珠丝杠的热惯性增加。另一种措施是通过隔热片等方式阻碍热量向丝杠主体扩散。在现有的方法中，虽然对热源采取了有效冷却和隔热措施，但是都没有能够将冷却资源最大化利用。通过优化分析，在一定的成本下，使热源对丝杠的影响最小，这是实际生产中的必然需求。
[0004]热误差建模是对丝杠进行热误差补偿的主要内容，如有限元建模、神经网络建模等。有限元建模方法中，首先通过实验方法确定边界条件，之后构建有限元温度场并通过实验修正，最后构建有限元热变形模型。神经网络建模方法中，根据采集到的时间序列温度数据，建立了基于神经网络的数据驱动模型。建模之前可以利用优化算法优化温度数据测点。总结以往的建模方法可以看出，可以实现较高精度的预测，但却没有深入到系统内不同热源对系统热误差的具体贡献。热源是丝杠热行为的本质原因，量化热误差与热源的关系将会实现更高的补偿精度。

技术实现思路

[0005]为了克服现有技术的不足，本专利技术的目的之一在于提供一种能够量化热源的影响，平衡热源冷却成本和冷却效果的矛盾问题的基于小波神经网络和粒子群算法的热源贡献度分析方法。
[0006]本专利技术的目的之一采用如下技术方案实现：
[0007]一种基于小波神经网络和粒子群算法的热源贡献度分析方法，包括以下步骤：
[0008]理论求解热源贡献度隐式表达：通过温度场分析求出目标产品温度与热源的函数表达式，通过热变形分析求出目标产品热变形和温度的函数表达式，最终求出热变形与热源的关系式；根据热变形与热源的关系式求出目标产品热源贡献度的隐式函数表达式；
[0009]采用神经网络结构求出热源贡献度显式表达：对目标产品进行温度场实验和热变形实验，为神经网络模型训练与测试构建数据集，利用训练数据集训练神经网络，得到网络结构，构建热变形与各热源的神经网络模型，结合热源贡献度隐式函数表达式，拟合出该函数表达式的待定系数，构建热源贡献度的显式函数表达式；
[0010]优化各热源对热变形的贡献度：利用热源贡献度显式函数表达和热变形与热源的关系式，构建粒子群优化数据集，并保持某一状态下的热源贡献度总和量不变，构建约束条件，以热变形最小为优化目标，输入贡献度数据集，通过粒子群算法寻找热源贡献度最优解。
[0011]进一步的，在采用神经网络结构求出热源贡献度显式表达步骤中，还包括初始化神经网络，设置输入层节点Innum，隐含层节点Midnum，输出层节点Outnum，最大迭代次数MAX。
[0012]进一步的，所述的神经网络为小波神经网络，其中输入层到隐含层的传递函数选用小波基函数为f(x)＝cos(1.75x)exp(
‑
0.5x2)，所述隐含层到输出层的传递函数选用Sigmoid函数为g(x)＝1/(1+exp(
‑
x))。
[0013]进一步的，在采用神经网络结构求出热源贡献度显式表达步骤中，还包括利用测试数据集测试网络结构，得到精确的网络预测模型。
[0014]进一步的，在采用神经网络结构求出热源贡献度显式表达步骤中，还包括提取输入层到隐含层权值v、隐含层阈值a、隐含层到输出层权值w、输出层阈值b、小波基函数平移因子n、小波基函数收缩因子m。
[0015]进一步的，在优化各热源对热变形的贡献度步骤中，还包括利用热源贡献度最优解，将各热源贡献度的变化换算成热源强度的变化，对比优化前与优化后的热变形仿真结果，验证优化结果的准确性，最终得到最优热源贡献度分布。
[0016]进一步的，所述的热源贡献度变化换算成热源强度的变化具体为将热源强度进行等比变换，所述等比变换的比例为热源所对应贡献度的变化比例。
[0017]进一步的，目标产品温度与各热源的函数表达式为ΔL＝C1(t)Q1+C2(t)Q2+C3(t)Q3+C4(t)Q4，其中C
i
(t)为热源Q
i
对于热变形ΔL的贡献度，i＝1～4，t为热源生热时间。
[0018]进一步的，所述的神经网络模型训练与测试数据集为温度测点数据和热变形测点数据的集合，其中温度测点数据为输入数据，热变形测点数据为输出数据。
[0019]进一步的，所述的粒子群优化数据集是热源贡献度分布按相同比例拓展后得到的，所述热源贡献度分布是热源贡献度显式函数表达在某一时刻的具体值。
[0020]相比现有技术，本专利技术基于小波神经网络和粒子群算法的热源贡献度分析方法具有以下优点：
[0021](1)通过构建了目标产品(丝杠)热变形关于各热源的神经网络模型，求出了热源贡献度的函数表达式，明确了特定工况下丝杠热变形与各热源的量化关系。
[0022](2)通过粒子群优化算法分析了某一时刻下各热源贡献度分布，保持各热源贡献度总量不变，确定了一组热变形最小的最优贡献度分布。解决了冷却效果差和冷却成本高的矛盾，使丝杠的冷却资源得到充分使用。
附图说明
[0023]图1为本专利技术基于小波神经网络和粒子群算法的热源贡献度分析方法的流程图；
[0024]图2为热源与温度对应关系图；
[0025]图3为神经网络迭代误差图；
[0026]图4为神经网络预测误差图；
[0027]图5为贡献度结果图；
[0028]图6为粒子群优化过程图；
[0029]图7为粒子的全局最优位置变化过程图；
[0030]图8为优化前仿真结果图；
[0031]图9为优化后仿真结果图。
具体实施方式
[0032]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0033本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波神经网络和粒子群算法的热源贡献度分析方法，其特征在于，包括以下步骤：理论求解热源贡献度隐式表达：通过温度场分析求出目标产品温度与热源的函数表达式，通过热变形分析求出目标产品热变形和温度的函数表达式，最终求出热变形与热源的关系式；根据热变形与热源的关系式求出目标产品热源贡献度的隐式函数表达式；采用神经网络结构求出热源贡献度显式表达：对目标产品进行温度场实验和热变形实验，为神经网络模型训练与测试构建数据集，利用训练数据集训练神经网络，得到网络结构，构建热变形与各热源的神经网络模型，结合热源贡献度隐式函数表达式，拟合出该函数表达式的待定系数，构建热源贡献度的显式函数表达式；优化各热源对热变形的贡献度：利用热源贡献度显式函数表达和热变形与热源的关系式，构建粒子群优化数据集，并保持某一状态下的热源贡献度总和量不变，构建约束条件，以热变形最小为优化目标，输入贡献度数据集，通过粒子群算法寻找热源贡献度最优解。2.根据权利要求1所述的基于小波神经网络和粒子群算法的热源贡献度分析方法，其特征在于：在采用神经网络结构求出热源贡献度显式表达步骤中，还包括初始化神经网络，设置输入层节点Innum，隐含层节点Midnum，输出层节点Outnum，最大迭代次数MAX。3.根据权利要求2所述的基于小波神经网络和粒子群算法的热源贡献度分析方法，其特征在于：所述的神经网络为小波神经网络，其中输入层到隐含层的传递函数选用小波基函数为f(x)＝cos(1.75x)exp(
‑
0.5x2)，所述隐含层到输出层的传递函数选用Sigmoid函数为g(x)＝1/(1+exp(
‑
x))。4.根据权利要求1所述的基于小波神经网络和粒子群算法的热源贡献度分析方法，其特征在于：在采用神经网络结构求出热源贡献度显式表达步骤中，还包...

【专利技术属性】
技术研发人员：卫继健，吴华洋，管强，张丹，陆会鉴，左敦稳，张远灿，孙玉利，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：