一种滚柱直线导轨副的预紧拖动力预测方法技术

本发明专利技术公开了一种滚柱直线导轨副的预紧拖动力预测方法，该方法为：采集滚柱直线导轨副中导轨滚道多个区域对应的表面二维轮廓，同时测量滚柱直线导轨副预紧拖动力变化；使用几何参数法、单重分形法、递归分析法提取所得表面二维轮廓的四个特征参数；通过灰色关联度法计算所采集预紧拖动力与四个特征参数的关联度，对比关联度大小得到与预紧拖动力相关性最高的特征参数作为最优特征参数；将得到的最优特征参数和预紧拖动力进行多项式拟合，提取拟合曲线中的数值点构建训练集；建立高斯回归过程模型，将训练集导入模型进行训练得到最终高斯回归过程模型，用于滚柱直线导轨副的预紧拖动力预测。本发明专利技术适用于小样本、实用性好、精确率高。率高。率高。

【技术实现步骤摘要】
一种滚柱直线导轨副的预紧拖动力预测方法


[0001]本专利技术涉及预紧拖动力的监测
，特别是一种滚柱直线导轨副的预紧拖动力预测方法。

技术介绍

[0002]滚柱直线导轨副是广泛应用于机床和精密测量仪器的关键传动部件，具有承载能力高、传动精度高、寿命长等特点。由于在运行过程中摩擦摩损，滚柱直线导轨副的滚动体与滚道之间的过盈量会逐渐减小，直接导致预紧力减小进而影响其传动精度以及数控机床的加工精度。滚柱直线导轨副的预紧力无法直接测量，一般通过测量其预紧拖动力（摩擦力）来间接计算，因此检测滚柱直线导轨副在服役过程中的预紧拖动力退化情况十分重要。
[0003]目前关于预紧拖动力的监测多采用基于振动信号的特征提取的与识别方法，但是该方法易受到外界噪声的干扰。此外，由于滚柱直线导轨副的磨损实验需要大型加载设备作为支撑，以滚道形貌磨损过程表征滚柱直线导轨副预紧拖动力退化的研究较少，相关的研究主要集中在对材料磨损规律的探究，存在样本需求量大、实用性较差等缺点。

技术实现思路

[0004]本专利技术的目的在于提供一种有效的滚柱直线导轨副的预紧拖动力预测方法，适用于小样本的情况，且实用性好、精确率高。
[0005]实现本专利技术目的的技术解决方案为：一种滚柱直线导轨副的预紧拖动力预测方法，包括以下步骤：步骤1，通过泰勒霍普森轮廓仪，采集滚柱直线导轨副中导轨滚道M个区域对应的表面二维轮廓，并对表面二维轮廓进行去除形状以及高斯滤波处理，同时测量滚柱直线导轨副预紧拖动力变化；M为大于5的自然数；步骤2，使用几何参数法、单重分形法、递归分析法提取步骤1所得表面二维轮廓的特征参数，特征参数包括轮廓算数偏差R
a
、最大峰谷距R
t
、分形维数D、递归率R
r
；步骤3，基于所得到的四个特征参数，通过灰色关联度法计算步骤1所采集预紧拖动力与四个特征参数的关联度，对比关联度大小得到与预紧拖动力相关性最高的特征参数作为最优特征参数；步骤4，将得到的前M
‑
1个区域的最优特征参数和预紧拖动力进行M
‑
1次多项式拟合，提取拟合曲线中的数值点，最优特征参数作为样本特征，预紧拖动力数值作为标签，构建训练集；步骤5，建立高斯回归过程模型，将训练集导入高斯回归过程模型进行训练；步骤6，将第M个区域的最优特征参数导入训练好的高斯回归过程模型，预测得到预紧拖动力数值，并与真实值进行比较，验证高斯回归过程模型准确性；步骤7，将验证后的高斯回归过程模型用于滚柱直线导轨副的预紧拖动力预测。
[0006]本专利技术与现有技术相比，其显著优点为：（1）基于滚道形貌特征参数进行预紧拖动
力预测，通多对小样本数据进行合理扩充，并基于高斯过程回归模型，可以实现对滚柱直线导轨副预紧拖动力的准确预测；（2）不仅可以克服传统根据电流信号、振动信号等手段识别检测滚柱直线导轨副预紧拖动力时存在的噪声干扰的缺点，而且适用于小样本的情况，实用性好、精确率高。
附图说明
[0007]图1为本专利技术滚柱直线导轨副的预紧拖动力预测方法的流程图。
[0008]图2为本专利技术实施例提供的滚柱直线导轨副加载运行试验台结构示意图。
[0009]图3为本专利技术实施例提供的滚柱直线导轨副滚道形貌采集装置结构示意图。
[0010]图4为本专利技术实施例提供的滚柱直线导轨副预紧拖动力测量试验台结构示意图。
[0011]图5为本专利技术实施例提供的基于滚道形貌特征参数的滚柱直线导轨副预紧拖动力预测方法的流程示意图。
[0012]图6为本专利技术实施例提供的滚柱直线导轨副疲劳剥落示意图。
[0013]图7为本专利技术实施例提供的四个特征参数与预紧拖动力退化率关联度示意图。
[0014]图8为本专利技术实施例提供的高斯回归过程模型训练示意图。
[0015]图9为本专利技术实施例提供的高斯回归模型预测示意图。
具体实施方式
[0016]由于滚柱直线导轨副的预紧力退化情况与滚道表面形貌参数的变化情况存在较强的映射关系，本专利技术提出了一种基于滚道表面形貌特征参数的滚柱直线导轨副预紧拖动力预测方法，用于解决滚柱直线导轨副预紧拖动力预测的技术问题。
[0017]结合图1，本专利技术一种滚柱直线导轨副的预紧拖动力预测方法，包括以下步骤：步骤1，通过泰勒霍普森轮廓仪，采集滚柱直线导轨副中导轨滚道M个区域对应的表面二维轮廓，并对表面二维轮廓进行去除形状以及高斯滤波处理，同时测量滚柱直线导轨副预紧拖动力变化；M为大于5的自然数；步骤2，使用几何参数法、单重分形法、递归分析法提取步骤1所得表面二维轮廓的特征参数，特征参数包括轮廓算数偏差R
a
、最大峰谷距R
t
、分形维数D、递归率R
r
；步骤3，基于所得到的四个特征参数，通过灰色关联度法计算步骤1所采集预紧拖动力与四个特征参数的关联度，对比关联度大小得到与预紧拖动力相关性最高的特征参数作为最优特征参数；步骤4，将得到的前M
‑
1个区域的最优特征参数和预紧拖动力进行M
‑
1次多项式拟合，提取拟合曲线中的数值点，最优特征参数作为样本特征，预紧拖动力数值作为标签，构建训练集；步骤5，建立高斯回归过程模型，将训练集导入高斯回归过程模型进行训练；步骤6，将第M个区域的最优特征参数导入训练好的高斯回归过程模型，预测得到预紧拖动力数值，并与真实值进行比较，验证高斯回归过程模型准确性；步骤7，将验证后的高斯回归过程模型用于滚柱直线导轨副的预紧拖动力预测。
[0018]作为一种具体示例，步骤1中M=6，首先在滚柱直线导轨副的导轨滚道上选取6个测量区域，每个测量区域选取3个位置进行标记；对滚柱直导轨副进行摩擦磨损试验，每运转
5km停机，使用泰勒霍普森轮廓仪采集滚柱直线导轨副中导轨滚道6个区域对应的18个表面二维轮廓，并对表面二维轮廓进行去除形状以及高斯滤波处理，同时利用预紧拖动力试验台测量滚柱直线导轨副预紧拖动力，得到预紧拖动力变化曲线。
[0019]作为一种具体示例，使用几何参数法提取步骤1所得表面二维轮廓的轮廓算数偏差R
a
、最大峰谷距R
t
，具体如下：，具体如下：其中，L为采样长度，z(x)为测量轮廓高度函数，z
max
为表面轮廓高度的最大值，z
min
为表面轮廓高度最小值；z
i
为第i个采样点的轮廓高度，i=1,2,
…
N，N为采样点数。
[0020]作为一种具体示例，使用单重分形法提取步骤1所得表面二维轮廓的分形维数D，具体如下：W
‑
M函数被用来模拟和表征表面二维轮廓，表达式为：其中，G为表面二维轮廓的特征粗糙度；D为表面二维轮廓的分形维数；γ表示表面二维轮廓粗糙度的频谱，若表面轮廓服从正态分布，则γ=1.5；n为频率指数，当取最低采样频率n
min
时，；测量轮廓高度函数z(x)的功率谱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚柱直线导轨副的预紧拖动力预测方法，其特征在于，包括以下步骤：步骤1，通过泰勒霍普森轮廓仪，采集滚柱直线导轨副中导轨滚道M个区域对应的表面二维轮廓，并对表面二维轮廓进行去除形状以及高斯滤波处理，同时测量滚柱直线导轨副预紧拖动力变化；M为大于5的自然数；步骤2，使用几何参数法、单重分形法、递归分析法提取步骤1所得表面二维轮廓的特征参数，特征参数包括轮廓算数偏差R
a
、最大峰谷距R
t
、分形维数D、递归率R
r
；步骤3，基于所得到的四个特征参数，通过灰色关联度法计算步骤1所采集预紧拖动力与四个特征参数的关联度，对比关联度大小得到与预紧拖动力相关性最高的特征参数作为最优特征参数；步骤4，将得到的前M
‑
1个区域的最优特征参数和预紧拖动力进行M
‑
1次多项式拟合，提取拟合曲线中的数值点，最优特征参数作为样本特征，预紧拖动力数值作为标签，构建训练集；步骤5，建立高斯回归过程模型，将训练集导入高斯回归过程模型进行训练；步骤6，将第M个区域的最优特征参数导入训练好的高斯回归过程模型，预测得到预紧拖动力数值，并与真实值进行比较，验证高斯回归过程模型准确性；步骤7，将验证后的高斯回归过程模型用于滚柱直线导轨副的预紧拖动力预测。2.根据权利要求1所述的滚柱直线导轨副的预紧拖动力预测方法，其特征在于，步骤1中M=6，首先在滚柱直线导轨副的导轨滚道上选取6个测量区域，每个测量区域选取3个位置进行标记；对滚柱直导轨副进行摩擦磨损试验，每运转5km停机，使用泰勒霍普森轮廓仪采集滚柱直线导轨副中导轨滚道6个区域对应的18个表面二维轮廓，并对表面二维轮廓进行去除形状以及高斯滤波处理，同时利用预紧拖动力试验台测量滚柱直线导轨副预紧拖动力，得到预紧拖动力变化曲线。3.根据权利要求1所述的滚柱直线导轨副的预紧拖动力预测方法，其特征在于，步骤2中，使用几何参数法提取步骤1所得表面二维轮廓的轮廓算数偏差R
a
、最大峰谷距R
t
，具体如下：下：其中，L为采样长度，z(x)为测量轮廓高度函数，z
max
为表面轮廓高度的最大值，z
min
为表面轮廓高度最小值；z
i
为第i个采样点的轮廓高度，i=1,2,
…
N，N为采样点数。4.根据权利要求3所述的滚柱直线导轨副的预紧拖动力预测方法，其特征在于，步骤2中，使用单重分形法提取步骤1所得表面二维轮廓的分形维数D，具体如下：W
‑
M函数被用来模拟和表征表面二维轮廓，表达式为：其中，G为表面二维轮廓的特征粗糙度；D为表面二维轮廓的分形维数；γ表示表面二维轮廓粗糙度的频谱，若表面轮廓服从正态分布，则γ=1.5；n为频率指数，当取最低采样频率
n
min
时，；测量轮廓高度函数z(x)的功率谱函数S(ω)为：定义z(x)的增量方差为结构函数，如下式所示：其中，S(t)表示表面轮廓高度函数的结构函数，[<...

【专利技术属性】
技术研发人员：周长光，刘璐，李万平，翁熠扬，李壮，陈虎，冯虎田，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：