论文部分内容阅读
对于数控机床而言,热误差是其最大的加工精度误差源,可达机床加工精度总误差的70%。要提高加工精度,减少热误差,就必须对其进行有效的补偿。而如何选择最佳的温度测点及如何建立有效的热误差补偿模型是进行热误差补偿时需要解决的两个关键问题。本文针对这两方面的问题开展相应的研究工作。针对最佳温度测点的选取,本文提出了运用有限元和Kohonen神经网络相结合的新方法来选取最佳温度测点。首先运用有限元分析软件ANSYS对研究对象进行有限元实体建模,用有限元节点温度变化来表示研究对象所有位置的温度变化情况,并通过热——结构耦合分析,计算出实体模型整体的热变形量;然后将ANSYS分析所得的各节点温度值和主轴头部的热变形量作为数据样本,再结合Kohonen神经网络进行选点。结果表明运用此方法进行最佳温度测点的选择,选点过程简单且较容易实现。本文运用此方法结合具体的一台CK6132数控车床进行测点分析,证明了此方法的可行性和有效性,为今后在数控机床上布置温度传感器提供了理论的指导和依据。针对如何建立有效的数控机床热误差补偿模型,本文提出了基于Kohonen竞争学习规则的RBF神经网络,即采用Kohonen自组织学习规则来确定RBF神经网络隐层中心向量,该算法具有简单有效,运算量小,程序运行时间短的特点,提高了RBF网络的工作性能。然后运用此RBF网络建立数控机床热误差补偿模型,并将该模型的预报结果与GRNN网络、BP网络、多元线性回归的建模效果进行比较。结果表明,基于Kohonen竞争学习规则建立的RBF神经网络热误差补偿模型,具有较高的模型预报精度和反应速度快的优点,适用于数控机床热误差实时补偿。本文最后利用ActiveX技术,将用MATLAB编制好的RBF网络程序嵌入到VB程序中,使VB能够隐式调用MATLAB应用程序,从而很方便的实现了神经网络预测机床热误差的功能。