基于深度学习的蜗轮副热变形预测研究

2022-11-04黄浩

科技与创新 2022年21期

黄浩

（重庆理工大学，重庆 400054）

蜗杆传动结构紧凑、传动比大、传动平稳、啮合冲击小、噪声小，并且当蜗杆的导程角小于啮合轮齿间的当量摩擦角时，又具有自锁性，这些特点使蜗轮蜗杆传动在工程中应用广泛。根据研究表明，热误差占了精密机床总误差的40%～70%，而蜗轮副的传动精度是影响机床加工精度的重要因素，所以研究蜗轮副热变形预测具有重要的学术意义[1]。

深度学习凭借强大的数据建模和处理能力，受到国内外众多学者的好评，并逐渐将深度学习理论引入装备预测中。为了预测不同环境温度下的蜗轮副齿高的变形量，本文提出了基于深度学习和有限元仿真的热变形量预测方法。

首先采用深度学习的方式建立环境温度与蜗轮副齿高变形量的关系模型，接着通过有限元软件对蜗轮副进行热-结构分析，得出环境温度与蜗轮副齿高的变形量，并对温度与变形量进行拟合，比较预测值与仿真值的关系，得出基于深度学习模型预测蜗轮副热变形的准确性。

1 深度学习预测结构模型

1.1 深度学习简介

深度学习的原理基本上是来自于人工神经网络，它把其中的一些低级特征类别组合起来，可以形成更为高级且复杂的属性特征，为了找出数据中的分布式特征进行表示。深度学习也算是属于机器学习方面的，主要就是适用于学习数据的特征分类表示。

学习模式可以分为有监督的、半监督的及无监督的。深度学习中神经网络模型的结构类型可以是单层结构，同样也可以是多层结构，它可以分为输入层、数据隐藏层和输出层[2]。一个普通的神经网络模型如图1 所示。

图1 神经网络模型

深度学习是用数学知识和计算机算法建立起来的整体架构，再通过大量训练数据与计算机强大的运算能力相结合去调节内部的参数，尽可能地接近问题目标的半理论、半经验的建模方式。深度学习的神经网络层数很多，宽度也非常广，理论上可以映射到任意函数，所以能解决很复杂的问题。它高度依赖数据，数据量越大，它的表现就越好。在图像识别、面部识别、NLP 等部分任务甚至已经超过了人类的表现，同时还可以通过调参进一步提高上限[3]。

深度学习和传统机器学习在数据预处理方面有一些相似之处，最核心区别主要是在于特征识别提取环节。在深度学习的处理过程中，机器可以通过自行完成特征信息提取，完成的过程无需人工提取。它是学习样本数据的内在规律和表征层次。在学习过程中获得的信息对文本、图像、声音等数据的解读有很大程度的帮助。它的最终目标是让深度学习的机器能够像人类一样进行分析和学习，从而识别文本、图像和声音等数据。随着深度学习机器的快速进步和发展，最新的深度机器学习算法在数据质量预测和分类精度方面已经远远甚至超过了传统的机器学习算法。

1.2 预测模型架构

预测模型总体框架如图2 所示。首先通过有限元仿真得到蜗轮副在不同环境温度下的热变形数据，然后将这些数值进行数据预处理，并对数据进行归一化处理。将这些数据划分成2 部分，一部分用于训练模型的样本训练，另一部分用于评价模型效果的样本测试。初始化模型参数包括神经网络隐含层数、输入层大小、输出层数量等[4]。利用训练样本训练模型，并保存训练参数。最后利用测试样本数据测试经训练的模型预测效果并输出结果。

图2 模型流程图

2 蜗轮副有限元仿真

2.1 ANSYS 软件简介

ANSYS 软件由美国专家于1970 年创立，是当今最受欢迎的CAE 软件之一。当时，它仅限于热分析和线性结构分析，但随着功能需求的不断发展和计算机科学的进步，ANSYS 已经是一个多功能、通用的有限元方法软件，具有许多功能模块。它用于处理声学、热学、结构静力学等，并且被广泛应用于许多领域[5]。蜗轮蜗杆有限元分析主要涉及到热-结构分析。

2.2 蜗轮蜗杆有限元仿真

首先确定蜗轮蜗杆所选择的材料和材料的属性，如表1 所示。

表1 材料的属性

将Solidworks 建立的蜗轮蜗杆三维模型导入到ANSYS 中，如图3 所示。在做ANSYS 仿真时，蜗轮会在其啮合点自动生成接触对，并可根据需要啮合。进行网格划分时，网格尺寸是2 mm，这样确保了网格划分的精密性。蜗轮蜗杆网格划分后的模型如图4 所示。

图3 蜗轮蜗杆有限元模型

图4 网格划分后的模型

因为本文只考虑环境温度，所以选择的是第一类边界条件。设置的约束方式为：在蜗轮的内圈施加“frictionless support”（无摩擦约束），在蜗杆两端的轴承配合处施加“cylindrical support”（圆柱约束），设定环境温度为35 ℃。在求解完成后，对蜗轮副热变形的情况进行查看，如图5 所示。