数控车床主轴热误差建模算法研究

发布时间：2024-11-30 23:25

　　随着工业产品技术水平的提高,功能部件的精度要求越来越高,这就对机床的加工精度提出了更高的要求。在影响机床加工精度的多个误差源中,热误差在机床总误差源中所占的比重最大,因此,利用热误差补偿技术对热误差进行补偿是提高机床加工精度的一种经济有效的措施。大量的国内外研究资料表明,热误差补偿技术的重点集中在温度敏感测点的选择、热误差建模以及补偿三个方面,而建立预测精度高、鲁棒性强的热误差预测模型则是热误差补偿技术的关键。针对热误差补偿技术的关键问题,本论文以一台数控车床主轴为研究对象,结合实际测量得到的温度和热误差数据,探索温度敏感点筛选的方法以及有效热误差模型的建立,旨在系统地给出鲁棒性强,预测精度高的误差建模法,以提高热误差补偿技术的精度和稳定性。论文的主要研究内容如下:(1)提出了一种数控车床主轴热误差融合算法模型,利用K-means++聚类算法结合Pearson相关性分析筛选关键温度测点,并给出了聚类结果的评价指标。由于单一的热误差数学模型存在一定的不足,因此,本文利用融合算法的思想,针对小波神经网络受初始值敏感的问题,利用蝙蝠算法对小波神经网络的初始连接系数进行了优化,提出了基于蝙蝠算法...

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景
    1.2 热误差补偿技术的研究现状
        1.2.1 温度测点优化技术研究现状
        1.2.2 热误差建模技术研究现状
    1.3 热误差补偿技术当前存在的问题
    1.4 本论文的主要研究内容
2 机床热误差建模相关理论
    2.1 温度测点优化理论
        2.1.1 K-means聚类算法
        2.1.2 聚类有效性指标
        2.1.3 相关性分析
    2.2 热误差建模方法
        2.2.1 小波神经网络模型
        2.2.2 广义回归神经网络
        2.2.3 灰色神经网络模型
    2.3 本章小结
3 基于蝙蝠算法的小波神经网络主轴热误差建模算法
    3.1 车床主轴热误差测量实验设备
        3.1.1 传感器布置
        3.1.2 主轴温升与热误差测量实验数据获取
    3.2 温度敏感点选择
        3.2.1 基于K-means聚类算法改进的K-means++算法
        3.2.2 温度测点分类
    3.3 蝙蝠算法
        3.3.1 蝙蝠算法的实现
        3.3.2 蝙蝠算法的计算流程
    3.4 蝙蝠算法优化小波神经网络主轴热误差模型
        3.4.1 BA-WNN神经网络
        3.4.2 BA-WNN神经网络主轴热误差建模
    3.5 BA-WNN神经网络热误差建模验证
    3.6 本章小结
4 基于遗传算法优化广义回归神经网络的主轴热误差建模研究
    4.1 温度测点优化
        4.1.1 近邻传播聚类算法
        4.1.2 AP-K-means聚类算法
        4.1.3 温度测点优化结果
    4.2 遗传算法
        4.2.1 遗传算法理论
        4.2.2 遗传算法的实现流程
    4.3 遗传算法优化广义回归神经网络主轴热误差建模
        4.3.1 广义回归神经网络平滑参数的选取
        4.3.2 遗传算法优化广义回归神经网络平滑参数的流程
        4.3.3 遗传算法优化广义回归神经网络建模
    4.4 遗传算法优化广义回归神经网络建模验证
    4.5 本章小结
5 基于果蝇算法优化灰色神经网络的主轴热误差建模
    5.1 果蝇算法相关理论
    5.2 果蝇算法优化灰色神经网络的主轴热误差建模
        5.2.1 果蝇算法优化灰色神经网络建模流程
        5.2.2 果蝇算法优化灰色神经网络建模
    5.3 果蝇算法优化灰色神经网络建模验证
    5.4 热误差建模对比分析
    5.5 本章小结
6 总结与展望
    6.1 主要结论
    6.2 研究展望
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果



本文编号：4013181