基于深度学习的大型龙门五面加工中心热误差建模方法与补偿
发布时间：2021-01-23 18:17
热误差在数控机床误差源中占据较大比重,而热误差补偿是一种能够减小热误差,提高数控机床加工精度的既经济又有效的方法。本文以大型龙门五面加工中心为研究对象,从结构、热源分析、温度测点的优化、热误差模型的建立和实验补偿验证等方面入手对其加工精度进行了研究。通过热源及结构分析确定了温度传感器的安装部位,并将模糊聚类算法和灰色关联度理论用于对温度测点的优化,之后将深度学习方法引入到热误差建模中,结合温度与热误差检测系统得出的热误差数据和优化后的关键温度测点数据,实现了热误差模型的构建与优化,最后通过实验验证了该方法所建立的模型的有效性,并开发了大型龙门五面加工中心温度测点优化与热误差建模系统。主要工作如下:1)以大型龙门五面加工中心为研究对象,对其结构和热源进行了分析,依此了解了其温度场分布情况,确定了温度传感器的安装部位。分别介绍了模糊聚类算法和灰色关联度理论,并将两种方法相结合用于温度测点的优化选择。2)根据目前热误差补偿技术存在的问题,将深度学习方法引入到大型龙门五面加工中心热误差建模中,采用深度自编码器对温度数据特征进行了自动提取并结合神经网络训练算法建立了大型龙门五面加工中心的热误差模...
【文章来源】：重庆理工大学重庆市
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
船舶发动机缸体加工精度的影响因素基于以上内容，本文在研究机床热误差相关理论的基础上将其与实际应用相结合，对大型龙门五面加工中心的热误差进行深入研究，旨在建立准确的热误差模型并
图 1.2 技术路线3 章节安排第一章：绪论。首先论述了本课题的研究背景及意义，并通过综述数控机床国内外研究现状，指出当前热误差补偿技术存在的一些问题，最后介绍了本来源，技术路线和研究内容。第二章：龙门五面加工中心的热源分析及温度测点优化。以大型龙门五面加研究对象，对其结构和热源进行分析，并将在了解其温度场的分布情况下确感器的安装部位；之后分别介绍和应用模糊聚类算法和灰色关联度理论，并种方法进行大型龙门五面加工中心温度测点的优化选择。第三章：热误差模型的构建。根据目前热误差补偿技术存在的问题，把深度引入到热误差建模中，采用深度自编码器对温度数据特征进行自动提取。并上结合神经网络训练算法建立大型龙门五面加工中心的热误差模型，以提高型的精度和鲁棒性。第四章：温度测点优化与热误差建模系统的开发及热误差补偿实验的验证。
若对大型龙门加工中心进行热误差建模和补偿，首先需要了解该加工中心的温度和热误差变化情况。通过分析龙门五面加工中心的结构特点与发热源，了解龙门五面加工中心的热源分布情况。之后阐述了温度测点优化理论，便于后续模型的建立和数据的处理。2.1 大型龙门五面加工中心分析2.1.1 大型龙门五面加工中心结构分析本文以某大型龙门五面加工中心为研究对象，该加工中心的实物图和结构图分别如图 2.1 和 2.2 所示。该加工中心主要由床身，立柱，连接梁，横梁，溜板，滑枕，主轴，传动系统，电气控制系统等组成。该龙门加工中心采用双立柱动梁式结构：横梁上下移动，龙门固定，工作台前后移动，适合大型和重型零件的加工，可实现零件的五面加工。
【参考文献】：
期刊论文
[1]基于时序深度学习的数控机床运动精度预测方法[J]. 余永维,杜柳青,易小波,陈罡. 农业机械学报. 2019(01)
[2]基于深度学习的大棚及地膜农田无人机航拍监测方法[J]. 孙钰,韩京冶,陈志泊,史明昌,付红萍,杨猛. 农业机械学报. 2018(02)
[3]基于卷积神经网络的鲜茶叶智能分选系统研究[J]. 高震宇,王安,刘勇,张龙,夏营威. 农业机械学报. 2017(07)
[4]基于深度学习特征匹配的铸件微小缺陷自动定位方法[J]. 余永维,杜柳青,曾翠兰,张建恒. 仪器仪表学报. 2016(06)
[5]基于深度学习特征的铸件缺陷射线图像动态检测方法[J]. 余永维,杜柳青,闫哲,许贺作. 农业机械学报. 2016(07)
[6]基于弹性动量深度学习神经网络的果体病理图像识别[J]. 谭文学,赵春江,吴华瑞,高荣华. 农业机械学报. 2015(01)
[7]基于深度学习网络的射线图像缺陷识别方法[J]. 余永维,殷国富,殷鹰,杜柳青. 仪器仪表学报. 2014(09)
[8]数控机床可靠性技术的研究进展[J]. 杨兆军,陈传海,陈菲,李国发. 机械工程学报. 2013(20)
[9]基于模糊聚类与偏相关分析的机床温度测点优化[J]. 赵瑞月,梁睿君,叶文华. 机械科学与技术. 2012(11)
[10]高速滚动轴承力学特性建模与损伤机理分析[J]. 曹宏瑞,何正嘉,訾艳阳. 振动与冲击. 2012(19)
博士论文
[1]数控机床误差补偿关键技术及其应用[D]. 沈金华.上海交通大学 2008
硕士论文
[1]基于STM32-DSP联合控制的GPHA深度人工神经网络CNC实时热补偿系统研究[D]. 张睿.重庆大学 2016
[2]面向数控加工检测一体化的在线检测系统误差预测与补偿[D]. 文章.广东工业大学 2015
[3]大型龙门数控机床温度测点优化与热误差建模技术研究[D]. 赵瑞月.南京航空航天大学 2012
[4]数控机床热误差检测与建模研究[D]. 阳江源.大连理工大学 2010
本文编号：2995692
【文章来源】：重庆理工大学重庆市
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
船舶发动机缸体加工精度的影响因素基于以上内容，本文在研究机床热误差相关理论的基础上将其与实际应用相结合，对大型龙门五面加工中心的热误差进行深入研究，旨在建立准确的热误差模型并
图 1.2 技术路线3 章节安排第一章：绪论。首先论述了本课题的研究背景及意义，并通过综述数控机床国内外研究现状，指出当前热误差补偿技术存在的一些问题，最后介绍了本来源，技术路线和研究内容。第二章：龙门五面加工中心的热源分析及温度测点优化。以大型龙门五面加研究对象，对其结构和热源进行分析，并将在了解其温度场的分布情况下确感器的安装部位；之后分别介绍和应用模糊聚类算法和灰色关联度理论，并种方法进行大型龙门五面加工中心温度测点的优化选择。第三章：热误差模型的构建。根据目前热误差补偿技术存在的问题，把深度引入到热误差建模中，采用深度自编码器对温度数据特征进行自动提取。并上结合神经网络训练算法建立大型龙门五面加工中心的热误差模型，以提高型的精度和鲁棒性。第四章：温度测点优化与热误差建模系统的开发及热误差补偿实验的验证。
若对大型龙门加工中心进行热误差建模和补偿，首先需要了解该加工中心的温度和热误差变化情况。通过分析龙门五面加工中心的结构特点与发热源，了解龙门五面加工中心的热源分布情况。之后阐述了温度测点优化理论，便于后续模型的建立和数据的处理。2.1 大型龙门五面加工中心分析2.1.1 大型龙门五面加工中心结构分析本文以某大型龙门五面加工中心为研究对象，该加工中心的实物图和结构图分别如图 2.1 和 2.2 所示。该加工中心主要由床身，立柱，连接梁，横梁，溜板，滑枕，主轴，传动系统，电气控制系统等组成。该龙门加工中心采用双立柱动梁式结构：横梁上下移动，龙门固定，工作台前后移动，适合大型和重型零件的加工，可实现零件的五面加工。
【参考文献】：
期刊论文
[1]基于时序深度学习的数控机床运动精度预测方法[J]. 余永维,杜柳青,易小波,陈罡. 农业机械学报. 2019(01)
[2]基于深度学习的大棚及地膜农田无人机航拍监测方法[J]. 孙钰,韩京冶,陈志泊,史明昌,付红萍,杨猛. 农业机械学报. 2018(02)
[3]基于卷积神经网络的鲜茶叶智能分选系统研究[J]. 高震宇,王安,刘勇,张龙,夏营威. 农业机械学报. 2017(07)
[4]基于深度学习特征匹配的铸件微小缺陷自动定位方法[J]. 余永维,杜柳青,曾翠兰,张建恒. 仪器仪表学报. 2016(06)
[5]基于深度学习特征的铸件缺陷射线图像动态检测方法[J]. 余永维,杜柳青,闫哲,许贺作. 农业机械学报. 2016(07)
[6]基于弹性动量深度学习神经网络的果体病理图像识别[J]. 谭文学,赵春江,吴华瑞,高荣华. 农业机械学报. 2015(01)
[7]基于深度学习网络的射线图像缺陷识别方法[J]. 余永维,殷国富,殷鹰,杜柳青. 仪器仪表学报. 2014(09)
[8]数控机床可靠性技术的研究进展[J]. 杨兆军,陈传海,陈菲,李国发. 机械工程学报. 2013(20)
[9]基于模糊聚类与偏相关分析的机床温度测点优化[J]. 赵瑞月,梁睿君,叶文华. 机械科学与技术. 2012(11)
[10]高速滚动轴承力学特性建模与损伤机理分析[J]. 曹宏瑞,何正嘉,訾艳阳. 振动与冲击. 2012(19)
博士论文
[1]数控机床误差补偿关键技术及其应用[D]. 沈金华.上海交通大学 2008
硕士论文
[1]基于STM32-DSP联合控制的GPHA深度人工神经网络CNC实时热补偿系统研究[D]. 张睿.重庆大学 2016
[2]面向数控加工检测一体化的在线检测系统误差预测与补偿[D]. 文章.广东工业大学 2015
[3]大型龙门数控机床温度测点优化与热误差建模技术研究[D]. 赵瑞月.南京航空航天大学 2012
[4]数控机床热误差检测与建模研究[D]. 阳江源.大连理工大学 2010
本文编号：2995692
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/2995692.html
