数控机床主轴的神经网络热评价模型研究

热误差作为影响机床加工精度的重要因素之一,严重制约着机床加工精度的提高。而主轴是数控机床的关键功能部件,对其进行热特性研究对提高机床的加工精度具有重要的意义。将同一类型、不同使用年限的机床主轴温度值和热变形值作为评价指标,建立数控机床主轴的神经网络热评价模型;针对BP神经网络易陷入局部最优值、收敛速度慢等问题,采用粒子群优化(PSO)算法优化加权朴素贝叶斯(WNB)的初始权值,获取权值全局最优解,构建了粒子群优化加权朴素贝叶斯机床主轴热评价模型,实现对机床主轴热特性的评价。MATLAB仿真结果表明:PSO-WNB模型精度为94.1%,收敛速度快,预测精度高,优于BP神经网络,为数控机床热特性评价提供了新思路。

基于二维分形与弹性理论的表面接触形变

两接触导体的接触面积影响了其导电性能,对2个接触表面施加负载,可以增大其接触面积,从而提高它们的导电性能。为了研究两接触表面外加载荷和接触面积的关系,从研究接触表面的单对微凸体出发,基于二维分形理论与弹性理论,建立了微凸体接触载荷与接触面积关系的力学模型;通过对微凸体表面进行有限元仿真分析,研究接触载荷、接触面积、微凸体变形量与时间的关系,得到单对微凸体接触载荷与接触面积的关系曲线。所建模型的计算结果与仿真曲线的变化趋势一致,验证了该模型的有效性,对研究两接触导体的导电性具有一定的理论意义。

基于神经网络的数控机床丝杠热评价模型

对在使用年限中的数控机床滚珠丝杠进行热评价,提出了基于支持向量机(support vector machine,SVM)与BP神经网络的数控机床滚珠丝杠热评价模型。采集同一类型、不同年限数控机床的滚珠丝杠温度变化数据,利用粒子群优化支持向量机(PSO-SVM)、BP神经网络以及分数阶粒子群优化BP(FPSO-BP)神经网络分别建立热评价模型并且仿真验证,验证结果显示PSO-SVM与FPSO-BP神经网络准确率都高于90%。模型的提出为数控机床的设计使用和故障诊断提供了思路和方法。