车削中心电主轴热态分析及热误差研究

发布时间：2017-08-04 17:26

  本文关键词：车削中心电主轴热态分析及热误差研究

  更多相关文章： 高速电主轴 热态分析 热误差预测 神经网络 遗传算法

【摘要】：由于高速电主轴具有结构简单、传动效率高以及响应快等优点,已经广泛应用于高速加工设备中。随着电主轴的运转速度越来越高,主轴发热也愈加严重,电主轴的热误差也越来越大,而电主轴作为高速高精密装备的核心部件,热误差对装备的精度损害很大。要想达到控制电主轴热误差的目的,就需要对电主轴温度和热误差情况进行深入研究,探索电主轴热误差产生规律,这对于精确进行电主轴热误差补偿意义重大。本文围绕高速电主轴热态特性及误差预测模型建立展开深入分析研究。主要内容包括：(1)基于热力学知识计算得到热分析参数,分析了主轴系统的主要热量传递形式及特点,并根据具体的热量计算经验公式,详细计算了主轴系统中的生热及换热参数。运用有限元方法电主轴模型,进行了热稳态分析,并且分析了电主轴热态性能。(2)进行电主轴热误差实验,精确测量电主轴温度测点温度及其实时热位移,根据实验所得数据,采用BP神经网络建模方法,基于三种不同温度变量建立了电主轴热误差预测模型,并分析网络对实验数据的拟合性、残余误差及误差百分比等,提出了BP神经网络进行误差预测存在的局限性。(3)针对神经网络误差预测的缺陷,提出运用遗传算法进一步优化BP神经网络热误差预测的方法,然后应用此方法对前面建立的三种热误差预测网络进行优化操作,绘制网络的适应度曲线和误差平方和曲线进行对比分析,并分析优化后热误差预测网络对实验数据的拟合性、残余误差及误差百分比等性能参数。通过分析表明,主轴温度最高位置位于电机转子处,主轴冷却装置可以有效降低电机定子温度,主轴轴承温升较大可以采取措施进一步降低。同时,对于主轴热变形也进行了分析,得出主轴热变形最大方向在轴向,故应该采取措施进行轴向位移补偿,以降低主轴加工误差。通过误差网络建模分析表明,BP神经网络具有较强的非线性拟合及泛化能力,基于三种不同的温度变量所建模型可以很好地契合实验数据,基于相对温升变量的BP神经网络模型,模型残余误差的百分比最小,为3.35%；基于三种不同的温度变量GA优化BP网络的残余误差百分比相对于单纯BP神经网络有较大改善,可以说明优化后网络的稳定性得到了较大改善,用遗传算法优化的BP网络具有较高的网络收敛速度,更好的稳定性和预测精度。
【关键词】：高速电主轴 热态分析 热误差预测 神经网络 遗传算法
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TG51
【目录】：

• 摘要4-6
• ABSTRACT6-14
• 第一章 绪论14-20
• 1.1 课题研究背景14-15
• 1.2 国内外研究现状及分析15-18
• 1.2.1 高速电主轴静动态性能的研究现状15-17
• 1.2.2 高速电主轴热特性及机床热误差的研究现状17-18
• 1.3 本文研究内容18-20
• 第二章 车削中心电主轴热态特性分析20-34
• 2.1 引言20
• 2.2 高速电主轴结构20-21
• 2.3 车削中心电主轴的热源分析21-27
• 2.3.1 电机发热分析与计算22-25
• 2.3.2 轴承发热分析与计算25-27
• 2.4 车削中心电主轴传热机制27-33
• 2.4.1 传热基础理论27-30
• 2.4.2 电机定子与冷却系统的换热30-31
• 2.4.3 电动机定子与转子之间气隙的自然对流换热31-32
• 2.4.4 主轴外表面与周围空气的换热32-33
• 2.4.5 电主轴端部与周围空气的换热33
• 2.5 本章小结33-34
• 第三章 高速电主轴热态特性有限元分析34-47
• 3.1 引言34
• 3.2 有限元仿真模型34-41
• 3.2.1 有限元模型处理35
• 3.2.2 模型边界35
• 3.2.3 轴承接触设计35-36
• 3.2.4 高速轴承拟动处理36-38
• 3.2.5 对流换热设置38-39
• 3.2.6 模型辐射设置39-41
• 3.3 高速电主轴温度场特性分析41-45
• 3.3.1 电主轴散热和温度场特性41-42
• 3.3.2 电主轴主要部件的温度场特性42-45
• 3.4 本章小结45-47
• 第四章 电主轴热误差及其BP神经网络建模47-67
• 4.1 电主轴热误差实验方法47-51
• 4.1.1 温度测点的布置47-48
• 4.1.2 热误差传感器测点的选取48-50
• 4.1.3 温度与热误差检测硬件系统50-51
• 4.1.4 热误差检测系统51
• 4.2 电主轴热误差分析51-52
• 4.3 热误差数据分析52-54
• 4.4 神经网络基础知识54-57
• 4.4.1 人工神经网络模型54-56
• 4.4.2 神经网络的基本结构56-57
• 4.4.3 神经网络的学习57
• 4.5 BP神经网络57-59
• 4.5.1 BP网络结构模型58
• 4.5.2 BP网络训练算法58-59
• 4.6 基于不同的温度变量的BP网络建模59-65
• 4.6.1 基于不同的温度变量的BP神经网络建模预测效果的比较60-65
• 4.6.2 BP神经网络建模分析65
• 4.7 本章小结65-67
• 第五章 基于遗传算法优化的BP网络热误差建模67-78
• 5.1 遗传优化算法分析67-69
• 5.1.1 遗传算法基本理论67-69
• 5.2 基于遗传算法(GA)和BP神经网络的热误差优化建模69-72
• 5.2.1 遗传算法优化的可行性和必要性69-70
• 5.2.2 GA与BP融合建模的理论基础70-72
• 5.3 基于不同温度变量的GA优化BP热误差建模优化72-77
• 5.4 本章小结77-78
• 总结与展望78-80
• 参考文献80-85
• 攻读学位期间发表的论文85-87
• 致谢87

【相似文献】

中国期刊全文数据库 前10条

1 赵海涛;冯伟;杨建国;;分段修正系数建模数控机床热误差[J];上海交通大学学报;2011年11期

2 谢锋云;;基于隐马尔科夫模型的机床轴承热误差状态表征[J];机床与液压;2012年17期

3 仇健;刘春时;刘启伟;林剑峰;;龙门数控机床主轴热误差及其改善措施[J];机械工程学报;2012年21期

4 姜辉;杨建国;李自汉;姚晓栋;;基于误差分解的数控机床热误差叠加预测模型及实时补偿应用[J];上海交通大学学报;2013年05期

5 陈松;王永青;;数控机床热误差实时补偿研究[J];机械设计与制造;2013年09期

6 卢晓红;贾振元;张智聪;于小艳;;基于灰关联分析的热误差测点优化[J];组合机床与自动化加工技术;2011年02期

7 张琨;张毅;侯广锋;杨建国;;基于热模态分析的热误差温度测点优化选择[J];机床与液压;2012年07期

8 阳红;向胜华;刘立新;李昭平;殷国富;张s，

本文编号：620834