-
题名数控机床主轴CAE数字孪生代理模型研究
- 1
-
-
作者
卢宥嘉
尹志宏
李再参
南朋涛
朱升硕
山伟杰
-
机构
昆明理工大学机电工程学院
中国机械总院集团云南分院有限公司
大连理工大学力学与航空航天学院
-
出处
《机床与液压》
北大核心
2025年第13期58-63,共6页
-
基金
云南省科技厅重点研发计划项目(202301AT070172)。
-
文摘
为保证数控机床数字孪生虚实模型的高保真性和实时性,以数控机床主轴系统为对象,提出一种建模策略,即基于数据驱动的泰勒网络模型,用泰勒网络代替神经网络模型,降低样本需求。同时为了提高样本利用效率,将动力学演化样本生成方法引入代理模型优化设计,采用拉丁超立方抽样得到初始样本点集,再基于动力学演化计算生成均匀性更佳的样本点集,并结合泰勒网络构建出各自的机床主轴系统代理模型。通过与CAE仿真结果进行对比获得各自的平均误差,作为所构建的主轴系统代理模型精度的衡量标准。结果表明:借助泰勒网络模型的映射能力,成功地将主轴荷载与响应的高维、强非线性函数关系表示出来,所构建的代理模型平均误差均小于10%,且平均误差小于1%占比均高于85%;模型预测计算方面,单点预测耗时均小于10 ms,批量(100点)预测耗时最大为0.21 s,能够满足实时性需求。因此,将动力学演化点集应用在数控机床主轴系统代理模型构建中,能够建立实时性强且精度高的代理模型,在各误差范围内所构建的代理模型占比均明显优于未演化点集所构建的代理模型,适用于构建数控机床数字孪生高效准确的CAE代理模型。
-
关键词
数字孪生
机床主轴系统
动力学演化采样
代理模型
-
Keywords
digital twin
machine tool spindle system
dynamic evolution sampling(DES)
surrogate model
-
分类号
TG659
[金属学及工艺—金属切削加工及机床]
-
