基于物理驱动的参数识别方法用于高保真提取主轴静态非线性轴向刚度

《Machines》：Physics-Driven Parameter Identification for High-Fidelity Extraction of Spindle Static Nonlinear Axial Stiffness

　　

机床主轴的非线性运行刚度特性直接影响加工精度和轴承使用寿命。传统的静态刚度测试依赖于对原始实验载荷-位移数据进行直接微分运算，这种方法极易受到测量噪声的影响，并且从根本上无法捕捉准确的非线性特征。为克服这一局限性，本研究提出了一种基于物理驱动的参数识别方法，用于在静态非旋转条件下准确提取主轴的静态非线性轴向刚度特性。具体而言，研究人员引入了光滑先验方法（SPA）作为一种稳健的预处理技术，以抑制高频噪声，同时保留潜在的低频位移趋势，从而确保高保真特征提取。随后，研究人员将物理依赖的主轴力学模型与一种结合了全局搜索（Global Search）和模式搜索（Pattern Search）的两阶段混合优化算法直接集成，以逆向重构真实的非线性载荷-位移关系。数值模拟结果表明，该混合优化算法具有较高的计算精度，在理想条件下识别误差仅为0.67%，在高达5%的合成噪声水平下，参数识别误差有界于4.68%以内。此外，在初始预紧力为507 N和862 N的位置预紧主轴实验装置上进行的实验验证，分别产生了12.3%和11.6%的验证误差，证实了所提方法能够有效地从含噪测量中提取主轴的静态非线性刚度特征。结果表明，该方法成功克服了传统技术的瓶颈，为精确表征主轴静态非线性基线刚度提供了一种稳健且实用的工具。虽然目前仅在静态非旋转条件下进行了验证，但所建立的框架为未来将参数识别扩展到动态运行环境提供了一个基础基线。

**论文解读：基于物理驱动的参数识别方法用于高保真提取主轴静态非线性轴向刚度**

**1. 研究背景与问题**

在现代制造业中，高速和高精度加工是核心发展趋势，而机床主轴的性能是实现这一目标的关键前提。主轴刚度作为评价其服役性能的首要指标，受到了广泛关注。然而，主轴内部的角接触球轴承（angular contact ball bearings）由于复杂的接触力学和内部预紧力，表现出高度非线性的刚度特性。传统的静态刚度测试方法通常依赖于对原始实验载荷-位移数据进行直接数值微分，或者通过拟合直线来计算平均斜率，这将主轴刚度视为一个线性常数，从根本上忽略了其固有的非线性特征。这种简化处理在精密重载加工或变载荷切削过程中，会导致理论模型与实际主轴变形之间的严重不匹配，引发不可控的结构振动和不稳定性。尤为关键的是，当外部切削力达到临界值时，非承载侧的轴承会进入“卸载状态”（unloading state），在此拐点处，主轴的局部刚度会发生剧烈的非光滑突变。如果忽视这一非线性突变，机械系统将无法安全预测主轴的临界承载能力，并存在在极端条件下发生突发性结构失效的风险。此外，在实验测试中，原始采样数据极易受到系统不对中、靶盘平面度误差以及传输过程中的电磁干扰等引起的高噪声水平影响。由于计算非线性刚度所需的数学微分运算对数据波动极其敏感，传统的直接微分方法在处理噪声信号时常常导致严重的数值发散，使得刚度特征完全淹没在噪声中。因此，准确、稳健地从包含复杂噪声的原始测量中提取非线性刚度曲线，特别是捕捉轴承卸载状态下的刚度突变，成为该领域的关键瓶颈问题。为了解决这些根本性局限，研究人员开展了本研究，旨在提出一种基于物理驱动的参数识别方法，以准确提取机床主轴在全周期内的连续非线性轴向刚度特性。

**2. 主要关键技术方法**

为开展此项研究，研究人员主要采用了以下关键技术方法：

1. **光滑先验方法（SPA）**：作为一种稳健的基于正则化的信号预处理技术，用于从原始实验数据中滤除高频测量噪声，同时无相位失真地保留真实的低频位移趋势，为后续分析提供高保真数据基础。
2. **物理驱动的轴承力学模型**：基于赫兹接触理论（Hertzian contact theory）和轴承运动学，建立了明确的机制模型，该模型将轴承卸载的临界位移阈值作为硬约束条件嵌入优化循环中，确保识别结果严格遵循物理定律。
3. **两阶段混合优化算法**：结合了全局搜索（Global Search）算法和模式搜索（Pattern Search）算法。全局搜索算法对初值不敏感，用于全局参数空间探索；模式搜索算法具有强鲁棒性，用于局部精细调整。该混合策略有效克服了单一算法易陷入局部最优和存在相位依赖偏差的问题。

**3. 研究结果**

**3.1. 信号预处理**：通过引入光滑先验方法（SPA）对位移信号进行预处理。研究发现，正则化参数λ的选取至关重要。过小会导致滤波不足，过大则会出现“过滤波”现象，滤除有效信息。通过L曲线法客观确定最优λ，可以平衡噪声抑制与信号保真度，有效滤除高频噪声，同时保留反映真实物理趋势的低频分量，为后续参数识别提供高质量数据。

**3.2. 优化算法选择**：基于理论仿真数据，研究人员对比了多种全局优化算法，包括全局搜索、多起点（MultiStart）、遗传算法（GA）和模式搜索。结果表明，单一算法均存在不同程度的误差。例如，全局搜索算法的误差最小，为5.18%；而遗传算法则表现出相位依赖性的偏差。为此，研究人员提出了一种两阶段混合优化算法，即先使用全局搜索算法进行全局优化，再将其最优解作为模式搜索算法的初始条件进行二次优化。计算结果显示，该混合优化算法将误差显著降低至0.67%，证明了其结合了两种算法的优势，显著提高了参数识别的准确性和鲁棒性。进一步的蒙特卡洛模拟（100次独立试验）表明，该算法对初始值不敏感，具有出色的全局收敛性和可重复性。此外，在合成噪声敏感性分析中，当噪声水平从0%增加到5%时，最大参数识别误差仅从0.35%增加到4.12%，刚度曲线重构的均方根误差（RMSE）保持在6.15%以内，证实了其强大的噪声免疫能力。

**3.3. 实验验证**：在位置预紧主轴实验台上，分别施加507 N和862 N的初始预紧力进行实验验证。首先，采用传统直接微分方法处理原始测量数据，结果完全被噪声淹没，无法提取任何非线性特征。相比之下，应用所提出的基于物理驱动的参数识别方法后，成功地从相同的高噪声实验信号中重构出平滑、连续的轴向刚度曲线。该方法清晰地识别出刚度随位移的非线性演变规律，并准确捕捉了轴承卸载状态下的刚度突变点。在507 N和862 N预紧力下，实验与理论预测的最大误差分别为12.3%和11.6%。

**4. 讨论与结论**

**讨论部分**：针对实验中约12%的误差，研究人员进行了定量灵敏度分析。通过建立一个集成结构弹性耦合的力学模型，推导出相对识别误差的解析表达式。数值评估表明，实验误差很好地归因于未被建模的主轴、轴承座等周围结构元件的线性串联柔度（C_struct）。关键在于，这种背景柔度作为线性串联元件，仅均匀地缩放刚度幅值，而不会扭曲非线性轮廓或移动关键轴承卸载拐点。因此，该误差并非算法缺陷，而是理论模型边界条件与实验系统整体结构现实之间的根本性差异所致。

**研究结论**：本研究针对机床主轴轴向刚度测试中提取非线性运行特性所面临的实验信号波动和高水平测量噪声瓶颈问题，提出了一种基于物理驱动的参数识别方法。该方法成功地将用于稳健信号预处理的光滑先验方法（SPA）与基于力学的混合优化算法相结合。本研究的主要结论如下：
（1）**高保真信号预处理**：基于SPA的算法有效滤除了原始实验数据中的高频测量噪声。通过无相位失真地成功保留真实低频位移趋势，该技术有效提高了信噪比，为克服传统微分运算固有引起的数值发散提供了高质量数据基础。
（2）**有效的特征提取与噪声免疫性**：数值模拟（在5%合成噪声下，参数误差小于4.12%）和实验验证均证实，所提出的基于物理驱动的方法成功且准确地提取了主轴非线性轴向刚度轮廓的连续演变。与在噪声干扰下完全失效的传统直接微分技术形成鲜明对比，所提方法清晰地表征了不同的刚度过渡点和轴承卸载状态下的非线性行为。
（3）**结构柔度误差的定量机制**：将解析灵敏度公式集成到理论模型中，以量化未被建模的轴和轴承座弹性的影响。数学推导严格证明，约12%的实验验证误差直接源于周围结构元件的线性串联柔度，同时确认这些宏观结构弹性不会改变非线性演化趋势或关键轴承卸载拐点。