随着对数控机床的性能要求进一步提高,机床机构的动力学特性成为高精度机床加工质量提升的重要影响因素。机床作为一个由多部件组成的复杂系统,其振动特性的影响因素繁多,位置和速度作为影响加工精度的关键因素,大量学者在这方面做了相当的工作,但都是通过对机床不同状态下进行传统实验模态或运行模态分析获得的模态参数进行简单对比总结机床动态特性在不同因素影响下的变化规律,并未深入到机理层面讨论不同因素引起动力学特性变化的原因,此外该方法不仅需要大量实验和实验数据分析,费时费力,效率低下,且分析结果不具普适性,即分析结果仅对测试机床适用。针对以上现阶段研究存在的问题,本文引入深度学习算法对机床动力学特性随位置和速度因素影响变化规律进行实验研究,本文主要在以下几方面做了相关工作:基于随机激励原理,设计了不同速度随机激励序列在七轴五联动数控机床上进行空运行实验,获得机床不同速度状态下的模态信息,同时进行变位置实验,研究了机床不同位置模态参数变化规律;根据实验结果从动力学原理角度分析了速度和位置因素对机床动力学特性的不同影响机理。建立变结构多自由度仿真模型,讨论仿真系统输入激励序列影响因素,确定激励序列参数,提取模态质量分布矩阵为位置敏感特征值,建立训练数据集使用两层SAE模型结合BP神经网络对结构响应进行预测,验证了方法的可行性。提出根据敲击获得质量矩阵与空运行振型获得机床空运行下模态质量分布矩阵,建立三层SAE网络结合BP神经网络对脉冲响应进行预测,然后使用LSCE算法辨识模态参数,提出使用余弦距离综合评价指标对机床动态特性随位置变化的规律进行表征,最后在DM4600上实验验证了方法的有效性。研究结果表明机床的模态参数不受运行速度的影响,速度变化主要引起机床主振模态的变化,而机床位置变化主要引起动力学参数质量矩阵M和刚度矩阵K变化,通过仿真和实验成功验证基于SAE与BP神经网络的深度学习算法在机床变位置动态特性研究中的可行性,以及余弦距离作为综合评价指标对机床动力学特性随位置变化规律表征的合理性。同时,多层SAE模型结合BP神经网络的深度学习方法在机床动态特性研究中显示出高效快速处理大量数据的能力,对机床动态特性的在线辨识提供了一种有效解决方案。