基于多目標(biāo)的九軸五聯(lián)動(dòng)磨床整機(jī)分析與結(jié)構(gòu)優(yōu)化

梅益 薛茂遠(yuǎn) 甘盛霖 羅寧康 唐方艷 肖展開

摘要：現(xiàn)有的九軸五聯(lián)動(dòng)數(shù)控緩進(jìn)給磨床運(yùn)動(dòng)環(huán)節(jié)多，在工作過程中可能出現(xiàn)剛度不足、床身等鑄件變形及加工精度失準(zhǔn)等問題.以磨床的最大變形量以及模態(tài)分析下的一階固有頻率作為主要優(yōu)化目標(biāo)，整身質(zhì)量作為次要目標(biāo)，利用ANSYS Workbench對磨床進(jìn)行分析與優(yōu)化，結(jié)合靈敏度分析對原有結(jié)構(gòu)進(jìn)行改進(jìn)，得到各關(guān)鍵零部件新的設(shè)計(jì)方案，在磨床整機(jī)質(zhì)量上升一定的程度上，磨床的最大靜變形及一階固有頻率得到很大改進(jìn).再使用遺傳算法（Genetic Algorithm）優(yōu)化后的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型（Extreme Learning Machine）聯(lián)合遺傳算法對該九軸五聯(lián)動(dòng)磨床改進(jìn)結(jié)構(gòu)的一些主要參數(shù)進(jìn)行優(yōu)化：首先，利用灰色關(guān)聯(lián)分析將磨床的整機(jī)質(zhì)量、最大靜變形及一階固有頻率轉(zhuǎn)成綜合目標(biāo)灰色關(guān)聯(lián)度，其次，通過遺傳算法優(yōu)化后的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型（Genetic Algorithm-Extreme Learning Machine）擬合改進(jìn)磨床主要參數(shù)與綜合目標(biāo)灰色關(guān)聯(lián)度之間的非線性耦合關(guān)系，最后，使用GA強(qiáng)大的尋優(yōu)能力在訓(xùn)練好的GA-ELM網(wǎng)絡(luò)模型中尋找最優(yōu)工藝參數(shù)，優(yōu)化后九軸五聯(lián)動(dòng)磨床的整機(jī)質(zhì)量、最大靜變形減小及一階固有頻率相對于改進(jìn)方案得到優(yōu)化.為后續(xù)相關(guān)工藝人員對該磨床的結(jié)構(gòu)和參數(shù)優(yōu)化提供一定理論支撐與參考價(jià)值.

關(guān)鍵詞：九軸五聯(lián)動(dòng)數(shù)控緩進(jìn)給磨床；靈敏度分析；結(jié)構(gòu)優(yōu)化；GA-ELM；GA-ELM-GA；參數(shù)優(yōu)化

中圖分類號：TH12文獻(xiàn)標(biāo)志碼：A

Whole Machine Analysis and Structure Optimization of Nine-axis Five-linkage Grinder Based on Multi-objective

MEI Yi，XUE Maoyuan，GAN Shenglin，LUO Ningkang，TANG Fangyan，XIAO Zhankai

（School of Mechanical Engineering，Guizhou University，Guiyang 550025，China）

Abstract：The existing nine-axis five-linkage CNC slow-feed grinder has many motion links，which may cause many problems during the working process such as insufficient rigidity，deformation of castings like lathe bed and inaccurate machining accuracy. In this work，the maximum deformation of the grinder and the first-order natural frequency under the modal analysis are taken as the main optimization goal and the overall quality as the secondary goal. ANSYS Workbench is used to analyze and optimize the grinder，and the original structure is then improved by the sensitivity analysis，finally obtaining the new design scheme for each key part. When the quality of the whole grinder is improved to a certain extent，the maximum static deformation and first-order natural frequency of thegrinder is greatly improved. Besides，the extreme learning machine network model （Extreme Learning Machine）optimized by genetic algorithm is combined with genetic algorithm to optimize some main parameters of the improved structure of the nine-axis five-linkage grinder. Firstly，the whole machine mass，maximum static deformation and first-order natural frequency of grinding machine are transformed into comprehensive target grey correlation degree via grey correlation analysis. Then，the network model of the extreme learning machine （Genetic Algorithm-Extreme Learning Machine）optimized by the genetic algorithm is used to fit the nonlinear coupling relationship between the main parameters of the grinder and the gray correlation degree of the comprehensive target. Finally，GA's powerful optimization ability is used to find the optimal process parameters in the trained GA-ELM network model. After optimization，the overall quality of the nine-axis five-linkage grinding machine，the reduction of the maximum static deformation and the first-order natural frequency are optimized when compared with the improved scheme. This method provides a certain theoretical support and reference value for the subsequent technicians to optimize the structure and parameters of the grinder.

Key words：Nine-axis five-linkage CNC slow feed grinder；dynamic and static analysis；structure optimization；GA-ELM；GA-ELM-GA；parameter optimization

九軸五聯(lián)動(dòng)數(shù)控緩進(jìn)給磨床樣機(jī)在進(jìn)行加工驗(yàn)證后，發(fā)現(xiàn)存在產(chǎn)品不良頻率高、生產(chǎn)精度難以保證等問題，有必要針對磨床的整體結(jié)構(gòu)及相應(yīng)結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化[1-2].結(jié)構(gòu)優(yōu)化方法有很多，比如Yun T等對一種飛機(jī)零件加工機(jī)床的頭架結(jié)構(gòu)進(jìn)行拓?fù)鋬?yōu)化，實(shí)現(xiàn)高剛度、低振動(dòng)和輕量化的目標(biāo)[3].Besharati等對龍門機(jī)床采用層次分析法、多目標(biāo)遺傳算法進(jìn)行多目標(biāo)選擇與優(yōu)化[4].但這些優(yōu)化方法運(yùn)用有限，目前人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)非線性函數(shù)擬合能力，可以擬合變量與質(zhì)量指標(biāo)之間非線性耦合關(guān)系，再用優(yōu)化算法對此網(wǎng)絡(luò)模型尋優(yōu)，能得到較優(yōu)的工藝[5-6].本文利用Ansys Workbench軟件對磨床整機(jī)進(jìn)行動(dòng)靜態(tài)特性分析與優(yōu)化，同時(shí)結(jié)合靈敏度分析對原有結(jié)構(gòu)進(jìn)行改進(jìn)，整機(jī)的一階固有頻率和最大靜變形得到很大改善.再以整機(jī)一階固有頻率、最大靜變形及整機(jī)質(zhì)量為優(yōu)化質(zhì)量指標(biāo)，使用灰色關(guān)聯(lián)分析法將轉(zhuǎn)成綜合目標(biāo)灰色關(guān)聯(lián)度，再利用GA- ELM-GA對該磨床改進(jìn)后的主要結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，優(yōu)化后改進(jìn)后的九軸五聯(lián)動(dòng)磨床的一階固有頻率、最大靜變形及整機(jī)質(zhì)量得以一定改進(jìn)，驗(yàn)證了該多目標(biāo)優(yōu)化方法的有效性.結(jié)構(gòu)改進(jìn)及優(yōu)化方法為后續(xù)制定新的磨床提供理論參考.

1磨床關(guān)鍵零部件參數(shù)化建模

1.1九軸五聯(lián)動(dòng)數(shù)控磨床樣機(jī)運(yùn)動(dòng)分析

研究的磨床為某公司生產(chǎn)的MKH7150WJ九軸五聯(lián)動(dòng)數(shù)控緩進(jìn)給磨床樣機(jī)，如圖1所示，初始定位精度0.003 mm.為了減少分析時(shí)間，忽略螺釘孔、圓角以及部分凸臺等對分析結(jié)果影響不大的因素，將結(jié)構(gòu)復(fù)雜卻不需要進(jìn)行細(xì)致分析的組件移除.采用等效力的方式體現(xiàn)在有限元分析環(huán)節(jié)，提升整個(gè)工作效率磨床的三維模型簡化后如圖2所示.磨床結(jié)構(gòu)主要由床身、立柱、主軸箱、工作臺和搖籃式工作臺等零部件組成，床身與工作臺、床身與立柱及立柱與主軸箱之間均通過滑塊與滾珠絲杠體分別實(shí)現(xiàn)橫向（X軸）、縱向（Y軸）及垂向（Z軸）三個(gè)方向上的運(yùn)動(dòng)，并通過搖籃式工作臺實(shí)現(xiàn)兩個(gè)旋轉(zhuǎn)軸（A軸、C軸）方向的運(yùn)動(dòng)，如圖3所示.

1.2主軸的參數(shù)化建模

主軸的設(shè)計(jì)是經(jīng)過嚴(yán)格的驗(yàn)證得到的最佳方案，因此僅在有必要進(jìn)行改進(jìn)的情況下對主軸箱與立柱連接部分的高度H_D進(jìn)行改進(jìn)并參數(shù)化設(shè)置，便于滿足實(shí)際加工條件，主軸部件結(jié)構(gòu)如圖4所示.

1.3立柱的參數(shù)化建模

立柱左右兩側(cè)內(nèi)部布置有5塊垂向筋板，橫向布置有10塊橫筋板，如圖5所示，采用這種格柵式筋板布置方式能有效地解決立柱參數(shù)的修改問題.

1.4床身的參數(shù)化建模

床身內(nèi)部布置有7塊筋板，其中前磨床床身有5 塊縱筋板，后磨床床身有2塊橫筋板，如圖6所示.采用布置筋板的方式，能有效地解決減少床身質(zhì)量與提高床身穩(wěn)定性之間互相矛盾的問題.

2磨床整機(jī)靜力學(xué)及模態(tài)分析

2.1磨床整機(jī)應(yīng)力分析

由圖7可知，在模擬的實(shí)際加工工況下，磨床應(yīng)力主要分布在中心加工位置，其最大應(yīng)力7.4952 MPa 遠(yuǎn)低于材料的屈服應(yīng)力250 MPa，后續(xù)優(yōu)化不再討論磨床整機(jī)等效應(yīng)力，在實(shí)際加工過程中不會(huì)因應(yīng)力集中而發(fā)生局部破壞.設(shè)計(jì)時(shí)可以進(jìn)行輕量化處理.

2.2磨床整機(jī)剛度分析

由圖8可知磨床整機(jī)的z方向變形量大于x、y方向的變形量，主要是由于徑向磨削力引起的，也是影響整體變形量大的主要原因.有必要對整體結(jié)構(gòu)改進(jìn)，降低整機(jī)變形，使剛度分布相對更均勻.

2.3磨床整機(jī)模態(tài)分析

圖9為磨床整機(jī)模態(tài)分析，磨床整機(jī)的前六階固有頻率為：63.724 Hz、83.128 Hz、94.907 Hz、119.36 Hz、124.94 Hz、126.04 Hz，其一階振型為立柱主軸部分沿縱向擺動(dòng).其一階固有頻率大于主軸自轉(zhuǎn)所能產(chǎn)生的最高頻率50 Hz.因此在實(shí)際加工過程中并不會(huì)產(chǎn)生共振情況，整機(jī)具有良好的動(dòng)態(tài)性能，但一階固有頻率高出主軸自轉(zhuǎn)所能產(chǎn)生的最高頻率不是太多，還是應(yīng)該盡可能提升整機(jī)的一階固有頻率.

3基于靈敏度分析的磨床零部件改進(jìn)

3.1主軸部件結(jié)構(gòu)改進(jìn)

將主軸相關(guān)參數(shù)導(dǎo)入Direct Optimization模塊進(jìn)行尋優(yōu)分析，生成的部分?jǐn)?shù)據(jù)及對應(yīng)解如表1所示.只有一個(gè)參數(shù)作為變量進(jìn)行分析，其對各目標(biāo)的靈敏度均為1，結(jié)合表1可以得出，當(dāng)主軸箱高度增加，主軸部件與立柱間作用點(diǎn)距離變大，其作用力減小對主軸部件自身的固有頻率及最大靜變形都有不同程度改善.主軸箱內(nèi)部結(jié)構(gòu)復(fù)雜，簡單地增加主軸箱高度H_D并不符合實(shí)際情況，因此采用局部改進(jìn)的方法，通過設(shè)置加強(qiáng)筋的方式，增加主軸箱尾部高度，并將側(cè)面也修改為筋板式，在增高尾部引起主軸箱質(zhì)量增加的同時(shí)，也在側(cè)面進(jìn)行優(yōu)化以減小一些主軸箱質(zhì)量，改進(jìn)后的主軸部件與原方案對比如圖10 所示，將增加的主軸箱尾部上下高度參數(shù)H1、H2作為后續(xù)優(yōu)化變量，如圖11所示，目的在于提升主軸部件自身的固有頻率，降低其最大靜變形.

3.3立柱結(jié)構(gòu)改進(jìn)

將立柱相關(guān)參數(shù)導(dǎo)入Direct Optimization模塊進(jìn)行尋優(yōu)分析，經(jīng)計(jì)算生成的部分?jǐn)?shù)據(jù)組及其對應(yīng)解如表2所示，同時(shí)篩選出表3最佳多目標(biāo)優(yōu)化解集，根據(jù)多目標(biāo)優(yōu)化結(jié)果均值取整導(dǎo)入后續(xù)的結(jié)構(gòu)分析[11-12]，其中各個(gè)變量對各目標(biāo)函數(shù)的靈敏度如圖12所示.

由圖12可知，立柱整體質(zhì)量會(huì)隨著筋板厚度T₃及均布橫向筋板數(shù)量M增加而增加，T₃對床身的最大靜變形、整體質(zhì)量及一階固有頻率有很大影響，選擇T₃作為后續(xù)優(yōu)化參數(shù).立柱部分尺寸T₃、D₄、D₅與N₁對最大靜變形存在一定影響，但結(jié)合表2的分析數(shù)據(jù)來看，其尺寸變化對于靜變形的影響程度很小，且對于一階固有頻率來說，大部分尺寸與一階固有頻率大小幾乎無關(guān)，由此可見，立柱內(nèi)部筋板布置情況對于立柱部件結(jié)構(gòu)的最大靜變形及一階固有頻率影響很小，只是簡單地對其進(jìn)行增加或減小沒有太大意義.為了減小變形，增大一階固有頻率，選擇在立柱兩側(cè)中上位置增設(shè)加強(qiáng)筋，同時(shí)將加強(qiáng)筋厚度T4與T5作為后續(xù)優(yōu)化目標(biāo)，如圖13所示.

3.3床身結(jié)構(gòu)改進(jìn)

基于Direct Optimization模塊，根據(jù)床身相關(guān)參數(shù)設(shè)定100組解集進(jìn)行尋優(yōu)分析，其生成的部分?jǐn)?shù)據(jù)組及對應(yīng)解如表4所示，同時(shí)篩選出表5最佳多目標(biāo)優(yōu)化解集，根據(jù)多目標(biāo)優(yōu)化結(jié)果均值取整導(dǎo)入后續(xù)的結(jié)構(gòu)分析，各個(gè)變量對目標(biāo)函數(shù)的靈敏度如圖14所示.

由圖14可知，床身整體質(zhì)量會(huì)隨著筋板厚度增加而增加，床身部分尺寸T₁、T₂、d₂與d₃對最大靜變形具有不同程度的影響，T₁、T₂、d₆與d₇對一階固有頻率具有顯著影響，故應(yīng)當(dāng)對前床身與后床身的尺寸進(jìn)行優(yōu)化.T₁與T₂對床身的最大靜變形、整體質(zhì)量及一階固有頻率有很大影響，選擇T₁與T₂作為后續(xù)優(yōu)化參數(shù).除了對筋板尺寸優(yōu)化外，還應(yīng)對磨床后床身結(jié)構(gòu)進(jìn)行相應(yīng)優(yōu)化，結(jié)合實(shí)際需求，將筋板數(shù)量N作為后續(xù)優(yōu)化目標(biāo)，以此來提升磨床后床身整體結(jié)構(gòu)強(qiáng)度，目的在于提升其一階固有頻率.如圖15所示.

3.4改進(jìn)后的整機(jī)模型

對改進(jìn)后的整機(jī)模型進(jìn)行動(dòng)靜態(tài)分析，如圖16 所示.在對磨床關(guān)鍵零部件進(jìn)行改進(jìn)后，雖然磨床整體質(zhì)量增加了11.68%，但其最大靜變形減小28.83%，一階固有頻率提升31.28%，提升了磨床的工作精度與性能.

4基于灰色關(guān)聯(lián)分析及GA-ELM-GA的磨

床整機(jī)多目標(biāo)優(yōu)化

磨床的結(jié)構(gòu)復(fù)雜，若只是對組成磨床的各個(gè)關(guān)鍵零部件進(jìn)行改進(jìn)，無法有效地對磨床整體結(jié)構(gòu)性能進(jìn)行加強(qiáng)，因此應(yīng)結(jié)合磨床關(guān)鍵零部件改進(jìn)及分析情況，對磨床整機(jī)的相關(guān)工藝參數(shù)進(jìn)行多目標(biāo)優(yōu)化，才能得出具有實(shí)際意義的優(yōu)化方案[13-14].根據(jù)上文分析設(shè)置了表6參數(shù)及其取值范圍.

4.1灰色關(guān)聯(lián)分析

灰色關(guān)聯(lián)分析可以對多目標(biāo)問題進(jìn)行綜合評價(jià)，從而將多目標(biāo)優(yōu)化問題轉(zhuǎn)換為單目標(biāo)問題進(jìn)行研究.主要步驟如下[15-17]：

1）確定比較系列Y_i（k）與參考系列式Y(jié)₀（k）.

2）本文的最大靜變形與整機(jī)質(zhì)量要求越小越好，使用望小公式歸一化處理，如式（1）.一階固有頻率要求越大越好，使用望大公式歸一化處理，如式（2）.

3）求灰色關(guān)聯(lián)系數(shù)ξ_i（k），如式（3）.

式（3）中：Δ_i（k）為差序列，Δmax、Δmin為差序列的最大差與最小差，ρ為分辨系數(shù)，一般ρ=0.5.

4）計(jì)算灰色關(guān)聯(lián)度γ，如式（4）.

式（4）中：γ為灰色關(guān)聯(lián)度，w_j表示各質(zhì)量指標(biāo)的權(quán)重系數(shù)，本文j=3.

w_j可由變異系數(shù)法求得[18].變異系數(shù)法計(jì)算權(quán)重如式（5）.

通過ANSYS的Optimal Space-Filling Design對表6變量相應(yīng)的范圍生成500組的樣本，通過上述步驟將整機(jī)質(zhì)量、最大靜變形及一階固有頻率三個(gè)質(zhì)量指標(biāo)轉(zhuǎn)成綜合目標(biāo)灰色關(guān)聯(lián)度.

4.2GA-ELM-GA優(yōu)化模型

極限學(xué)習(xí)機(jī)（Extreme Learning Machine）有較強(qiáng)的非線性擬合能力，但由于ELM輸入層與隱含層之間的權(quán)值矩陣w及隱含層神經(jīng)元的閾值矩陣b隨機(jī)產(chǎn)生，導(dǎo)致網(wǎng)絡(luò)模型的預(yù)測擬合能力及預(yù)測穩(wěn)定性不足.使用遺傳算法尋找最優(yōu)的w與b，得到預(yù)測能力及穩(wěn)定性好的GA-ELM網(wǎng)絡(luò)預(yù)測系統(tǒng)，此系統(tǒng)可以較好反映磨床工藝參數(shù)與綜合目標(biāo)灰色關(guān)聯(lián)度之間非線性耦合關(guān)系，最終再通過遺傳算法（GA）在訓(xùn)練好的GA-ELM網(wǎng)絡(luò)預(yù)測模型中尋找最優(yōu)磨床工藝參數(shù)[19-21].

GA-ELM-GA優(yōu)化模型算法步驟如下：

1）輸入500組樣本數(shù)據(jù)，歸一化處理，選擇樣本前400為訓(xùn)練樣本，后100為測試樣本，設(shè)置ELM網(wǎng)絡(luò)模型的迭代次數(shù)100，種群大小50，隱含層神經(jīng)元個(gè)數(shù)17.

2）利用遺傳算法全局尋優(yōu)能力尋找最佳的權(quán)值w與閾值b，在種群初始化階段隨機(jī)取權(quán)值w與閾值b，通過反復(fù)選擇，交叉，變異等操作，獲取最優(yōu)的w與b.

3）將GA優(yōu)化的權(quán)值和閾值傳回ELM網(wǎng)絡(luò)，得到GA優(yōu)化的ELM網(wǎng)絡(luò)模型，分析預(yù)測值與測試值之間的誤差，檢查系統(tǒng)預(yù)測精度.

4）通過遺傳算法在訓(xùn)練好的GA-ELM網(wǎng)絡(luò)預(yù)測模型中尋找最優(yōu)工藝參數(shù).確定遺傳算法的優(yōu)化目標(biāo)為灰色關(guān)聯(lián)度γ_min、優(yōu)化變量及其約束范圍.利用遺傳算法強(qiáng)大的全局尋優(yōu)能力尋找訓(xùn)練好的GA- ELM網(wǎng)絡(luò)模型的最小翹曲變形及對應(yīng)的工藝參數(shù).將訓(xùn)練好的GA-ELM網(wǎng)絡(luò)模型預(yù)測輸出作為個(gè)體適應(yīng)度值，根據(jù)適應(yīng)度值大小篩選出灰色關(guān)聯(lián)度γ最小個(gè)體，淘汰較差個(gè)體.通過選擇、交叉、變異等操作尋找最優(yōu)工藝參數(shù).建立的遺傳算法數(shù)學(xué)模型如式（6）[22].

式（6）中：f（T₁，T₂，N，T₃，T₄，T₅，H₁，H₂）為遺傳算法的適應(yīng)度函數(shù).

4.3GA-ELM預(yù)測結(jié)果

圖17為ELM與GA-ELM網(wǎng)絡(luò)預(yù)測結(jié)果對比，可以看到直接使用ELM網(wǎng)絡(luò)模型預(yù)測時(shí)，R²=0.801 23，均方誤差為0.000 984 37，預(yù)測精度不夠，而使用GA-ELM網(wǎng)絡(luò)模型預(yù)測時(shí)，R²=0.965 41，預(yù)測精度得到很大提升，且相對誤差大部分控制在5%以內(nèi)，止匕GA-ELM網(wǎng)絡(luò)模型作為預(yù)測模型可以較好反映磨床工藝參數(shù)與灰色關(guān)聯(lián)度之間非線性耦合關(guān)系.可以用于后續(xù)GA尋優(yōu)的預(yù)測模型.

4.4GA-ELM-GA尋優(yōu)過程與結(jié)果

利用GA對GA-ELM進(jìn)行全局極值尋優(yōu)，圖18為GA尋優(yōu)適應(yīng)度曲線，迭代約70代后，磨床的綜合評價(jià)指標(biāo)灰色關(guān)聯(lián)度收斂于0.5926處，對應(yīng)的尺寸T₁為11.35 mm，T₂為39.57 mm，N為4塊，T₃為6 mm，T₄為35.37 mm，T₅為37.42 mm，H₁為85.43 mm，H₂為52.32mm.

4.5模擬驗(yàn)證

將GA-ELM-GA優(yōu)化后8個(gè)磨床結(jié)構(gòu)工藝參數(shù)導(dǎo)入ANSYS Workbench仿真平臺進(jìn)行驗(yàn)證，如圖19所示.得到圖20磨床整機(jī)優(yōu)化后的最大靜變形、整機(jī)質(zhì)量及一階固有頻率，可以看到：GA-ELM-GA優(yōu)化后九軸五聯(lián)動(dòng)磨床的整機(jī)質(zhì)量與原始方案相比增11.68%，最大靜變形減小29.68%，一階固有頻率提升了34.71%.

5模擬改進(jìn)后新產(chǎn)品試制方案

結(jié)合結(jié)構(gòu)優(yōu)化及多目標(biāo)優(yōu)化結(jié)果，與實(shí)際相結(jié)合對磨床進(jìn)行對比分析，得出用于新一代基礎(chǔ)緩進(jìn)給磨床試制的參考，并已初步完成了新一代樣機(jī)試制，具體說明如下：

1）主軸箱在進(jìn)行鑄造后，用于帶砂輪修整裝置的磨床結(jié)構(gòu)當(dāng)中，如圖21所示，其砂輪修整結(jié)構(gòu)安裝在主軸上方，其重量會(huì)平衡一部分徑向磨削力帶來的Z方向的變形，相當(dāng)于增設(shè)尾部加強(qiáng)筋，還采用了文中的增加尾部滑塊距離，犧牲一部分Z方向行程，來達(dá)到減小作用力的效果，相當(dāng)于文中通過改進(jìn)主軸箱尾部以減小最大靜變形、增加磨床靜剛度的改進(jìn)方式.

2）通過分析得出，立柱結(jié)構(gòu)的改進(jìn)對于其最大靜變形影響是很大的，因此，從提升磨床靜剛度角度出發(fā)，有必要對立柱進(jìn)行更為完善的改進(jìn).從文中有限元分析結(jié)果可知，現(xiàn)有的磨床立柱內(nèi)部筋板的格柵式布局對立柱性能方面影響不大，文中僅是進(jìn)行了輕量化處理，在進(jìn)行綜合考慮以后，實(shí)際樣機(jī)還對內(nèi)部筋板進(jìn)行了重新設(shè)計(jì)，同時(shí)也參考文中對立柱側(cè)面與立柱托板結(jié)合處的加強(qiáng)取得的顯著效果，對該部分結(jié)構(gòu)進(jìn)行了加強(qiáng)處理，如圖22所示.

3）圖23為現(xiàn)場在整機(jī)安裝前，僅安裝磨床床身、立柱及主軸部件時(shí)照片，對磨床后床身進(jìn)行了改進(jìn)，從圖中可以看到后床身部分筋板進(jìn)行了增多，其主軸部件尾部也進(jìn)行了相應(yīng)的加高處理，且改進(jìn)后的磨床選用了技術(shù)指標(biāo)更為優(yōu)異的絲杠、導(dǎo)軌等部件.圖24為磨床定位精度測試圖，定位精度由原來的0.003 mm變成0.0014，其性能得到明顯提升.

6結(jié)論

1）針對目前九軸五聯(lián)動(dòng)數(shù)控緩進(jìn)給磨床存在的問題，運(yùn)用ANSYS Workbench建立了磨床關(guān)鍵零部件及整機(jī)的有限元模型，對磨床整機(jī)進(jìn)行動(dòng)靜態(tài)特性分析，發(fā)現(xiàn)有必要對整機(jī)結(jié)構(gòu)進(jìn)行優(yōu)化以減小最大靜變形；通過模態(tài)分析結(jié)果得到，該磨床關(guān)鍵零部件及整機(jī)的一階固有頻率均大于主軸自轉(zhuǎn)引起的振動(dòng)頻率，但整機(jī)的一階固有頻率不算太高，因此有必要在優(yōu)化結(jié)構(gòu)以減小最大靜變形的同時(shí)，提升整機(jī)一階固有頻率.

2）根據(jù)ANSYS Workbench優(yōu)化模塊及靈敏度分析對磨床關(guān)鍵零部件進(jìn)行了改進(jìn)，改進(jìn)后進(jìn)行整機(jī)裝配分析，最大靜變形減小28.83%，一階固有頻率提升31.28%.

3）結(jié)合前面分析確定的磨床整機(jī)優(yōu)化參數(shù)，通過灰色關(guān)聯(lián)分析將三個(gè)目標(biāo)轉(zhuǎn)成綜合目標(biāo)灰色關(guān)聯(lián)度，利用遺傳算法優(yōu)化后的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型（GA-ELM）擬合磨床結(jié)構(gòu)工藝參數(shù)與綜合目標(biāo)灰色關(guān)聯(lián)度之間的非線性耦合關(guān)系，再通過遺傳算法強(qiáng)大的尋優(yōu)能力在訓(xùn)練好的GA-ELM網(wǎng)絡(luò)模型中極值尋優(yōu).通過GA-ELM-GA優(yōu)化后的最大靜變形一階固有頻率及整機(jī)質(zhì)量得到了優(yōu)化.最后與工廠初試制產(chǎn)品進(jìn)行對比分析，驗(yàn)證了進(jìn)行一切工作的必要性.

參考文獻(xiàn)

[1]施云高，楊爽，陳紅，等.基于有限元法的輕量化支架力學(xué)分析[J].機(jī)械制造，2020，58（8）：10-13.

SHI Y G，YANG S，CHEN H，et al. Mechanical analysis of lightweight support based on finite element method [J]. Machinery，2020，58（8）：10-13.（In Chinese）

[2] BAERTSCH F，AMELI A，MAYER T. Finite-element modeling and optimization of 3D-printed auxetic reentrant structures withstiffness gradient under low-velocity impact [J]. Journal of Engineering Mechanics，2021，147（7）：（ASCE）EM. 1943-7889.0001923.

[3] YUN T，LEE S. Topology optimization design of machine tools head frame structures for the machining of aircraft parts [J]. Journal of Aerospace System Engineering，2018，12（4）：18—25.

[4]BESHARATI SR，DABBAGH V，AMINIH，et al. Multi-objective selection and structural optimization of the gantry in a gantry machine tool for improving static，dynamic，and weight and cost performance[J]. Concurrent Engineering，2016，24（1）：83-93.

[5]于長亮，張輝，王仁徹，等.機(jī)床整機(jī)動(dòng)剛度薄弱環(huán)節(jié)辨識與優(yōu)化方法研究[J].機(jī)械工程學(xué)報(bào)，2013，49（21）：11-17.

YU C L，ZHANG H，WANG R C，et al. Study on method for weak link identification of dynamic stiffness of a machine tool and optimization design[J]. Journal of Mechanical Engineering，2013，49（21）：11-17.（In Chinese）

[6]李艷萍，黃小平.基于BP-GA算法的環(huán)肋錐柱殼多目標(biāo)優(yōu)化設(shè)計(jì)[J].艦船科學(xué)技術(shù)，2021，43（3）：6-12.

LI Y P，HUANG X P. Multi-objective optimization design of ring- stiffened cone-cylinder shell based on BP-GA algorithm[J]. Ship Science and Technology，2021，43（3）：6-12.（In Chinese）

[7]孟鑫，張丹丹，楊曉楠.煙稈拔稈破碎機(jī)機(jī)架輕量化設(shè)計(jì)與動(dòng)靜態(tài)特性分析[J].農(nóng)業(yè)技術(shù)與裝備，2019（10）：88.

MENG X，ZHANG D D，YANG X N. Lightweight design and dynamic and static characteristics analysis of the straw stalk crusher frame [J]. Agricultural Technology & Equipment，2019 （10）：88. （In Chinese）

[8]毛繼哲，邢佑兵，齊光輝，等.整體式多級離心壓縮機(jī)大齒輪轉(zhuǎn)子承載特性分析及關(guān)鍵制造工藝研究[J].現(xiàn)代制造工程，2021（3）：87-93.

MAO J Z，XING Y B，QI G H，et al. The loading characteristic analysis and key manufacturing process research of bull gear rotor in integrally multistage centrifugal compressors[J]. Modern Manufacturing Engineering，2021（3）：87-93.（In Chinese）

[9]馮帆.基于有限元方法的汽車減震系統(tǒng)建模與仿真分析[J].電子設(shè)計(jì)工程，2021，29（6）：16-19.

FENG F. Modeling and simulation analysis of automobile damping system based on finite element method[J]. Electronic Design Engineering，2021，29（6）：16-19.（In Chinese）

[10]馬碩，姜興宇，楊國哲，等.廢舊機(jī)床主軸剩余壽命評估模型[J].機(jī)械工程學(xué)報(bào)，2021，57（4）：219-226.

MA S，JIANG X Y，YANG G Z，et al. Prediction and evaluation model for the residual life of wasted machine tool spindle[J]. Journal of Mechanical Engineering，2021，57（4）：219-226.（In Chinese）

[11]文孝霞，杜子學(xué)，申震，等.單軌車輛參數(shù)對輪胎磨損的影響及優(yōu)化研究[J].機(jī)械設(shè)計(jì)與制造，2014（9）：214-217.

WEN X X，DU Z X，SHEN Z，et al. The monorail tire parameters affect on tire wear and optimization analysis on curve driving condition[J]. Machinery Design & Manufacture，2014（9）：214-217. （In Chinese）

[12]熊世磊，丁賽飛，王啟慧，等.籽瓜破碎取籽分離機(jī)機(jī)架的有限元分析及優(yōu)化[J].森林工程，2021，37（2）：86-94.

XIONG S L，DING S F，WANG Q H，et al. Finite element analysisand optimization of the frame of seed melon crushing separator[J]. Forest Engineering，2021，37（2）：86-94.（In Chinese）

[13]倪恒欣，閻春平，陳建霖，等.高速干切滾齒工藝參數(shù)的多目標(biāo)優(yōu)化與決策方法[J].中國機(jī)械工程，2021，32（7）：832-838.

NI H X，YAN C P，CHEN J L，et al. Multi-objective optimization and decision-making method of high speed dry gear hobbing processing parameters[J]. China Mechanical Engineering，2021，32 （7）：832-838.（In Chinese）

[14]楊澤青，呂碩穎，薄敬東，等.基于GRA-PCA的機(jī)床主軸系統(tǒng)熱敏感點(diǎn)優(yōu)化[J].機(jī)床與液壓，2020，48（23）：93-98.

YANG Z Q，LV S Y，BO J D，et al. Thermal sensitive point optimization for machine tool spindle system based on GRA-PCA[J]. Machine Tool & Hydraulics，2020，48（23）：93-98.（In Chinese）

[15]王平，程貴海，鄧春海，等.基于灰色關(guān)聯(lián)分析法探析隧道中深孔楔形掏槽爆破[J].中國礦業(yè)，2020，29（11）：165-171.

WANG P，CHENG G H，DENG C H，et al. Exploration of wedge cutting blasting in tunnel based on grey relational analysis[J]. China Mining Magazine，2020，29（11）：165-171.（In Chinese）

[16]趙靜，王選倉，丁龍亭，等.基于灰色關(guān)聯(lián)度分析和支持向量機(jī)回歸的瀝青路面使用性能預(yù)測[J].重慶大學(xué)學(xué)報(bào)，2019，42（4）：72-81.

ZHAO J，WANG X C，DING L T，et al. Performance prediction of asphalt pavement based on grey relational analysis and support vector machine regression[J]. Journal of Chongqing University，2019，42（4）：72-81.（In Chinese）

[17]嚴(yán)嘉倫，林俊光，樓可煒，等.基于AHP-變異系數(shù)法的樓宇型綜合能源系統(tǒng)評價(jià)體系[J].熱力發(fā)電，2019，48（12）：25-30.

YAN JL，LINJG，LOU K W，et al. Evaluation system for building integrated energy system based on AHP-CV method[J]. Thermal Power Generation，2019，48（12）：25-30.（In Chinese）

[18] ZHENG G Z，HUA W H，QIU Z H，et al. Detecting water depth from remotely sensed imagery based on ELM and GA-ELM[J]. Journal of the Indian Society of Remote Sensing，2021，49（4）：947-957.

[19]孫全龍，梅益，楊幸雨.壓鑄模型腔曲面銃削表面粗糙度GA- ELM預(yù)測[J].機(jī)械設(shè)計(jì)與制造，2020（8）：188-191.

SUN Q L，MEI Y，YANG X Y. GA-ELM prediction of surface roughness of Die casting Die cavity surface milling[J]. Machinery Design & Manufacture，2020（8）：188-191.（In Chinese）

[20] ALHARBI A. A genetic-ELM neural network computational method for diagnosis of the Parkinson disease gait dataset[J]. International Journal of Computer Mathematics，2020，97（5）：1087- 1099.

[21]劉強(qiáng)，陳洪榮，梅端，等.基于正交試驗(yàn)與BPNN-GA的航標(biāo)燈外殼注塑工藝參數(shù)優(yōu)化[J].塑性工程學(xué)報(bào)，2020，27（7）：123-129.

LIU Q，CHEN H R，MEI D，et al. Process parameters optimization of injection molding of beacon light cover based on orthogonal test and BPNN-GA[J]. Journal of Plasticity Engineering，2020，27 （7）：123-129. （In Chinese）

[22] QI J T，ZHAO W W，KAN Z，et al. Parameter optimization of double-blade normal milk processing and mixing performance based on RSM and BP-GA[J]. Food Science & Nutrition，2019，7 （11）：3501-3512.