细长轴是典型的难加工工件之一,在生产生活中有着广泛的应用。当前,细长轴的加工主要依靠操作者的经验,缺乏系统有效的理论指导,对工人的技术水平要求高,生产效率低,产品质量很不稳定。影响细长轴加工质量的主要原因是加工过程中工件的受力变形和振动,这种影响在普通轴加工中表现并不突出,故对普通轴的研究方法并不完全适用于细长轴。因此,通过理论分析定量研究细长轴车削加工中的尺寸误差和振动特性,并用其指导工程实践,对于细长轴工件车削加工具有重要的理论意义和应用价值。本文在概括总结和分析细长轴车削加工特点及难点的基础上,围绕细长轴加工中的尺寸误差和切削稳定性进行了深入研究,为细长轴的实际生产提供了系统有效的指导。考虑到当前阶段跟刀架仍然是细长轴车削加工中必不可少的辅助工具,故重点研究了跟刀架对细长轴加工中的尺寸误差和振动特性的影响,以指导大长径比细长轴工件的车削加工。首先,深入分析了细长轴车削加工中尺寸误差的形成过程,建立了使用跟刀架车削细长轴时的尺寸误差预测模型。该模型综合考虑了工件、跟刀架、夹具和刀架弹性变形对尺寸误差的影响。基于建立的预测模型,分析研究了工件的装夹方式、跟刀架的刚度和切削用量对尺寸误差的影响规律。试验结果显示,建立的尺寸误差预测模型具有良好的预测精度,为减小细长轴车削加工中的尺寸误差、优化切削参数提供了依据。然后,深入研究了细长轴车削加工中的振动特性,针对再生型颤振建立了细长轴车削加工稳定性极限的预测模型。定量研究了工件的装夹方式、跟刀架的刚度、重叠系数及工艺系统动力学参数对稳定性极限的影响规律,并在此基础上给出了提高细长轴车削稳定性的措施。试验表明,建立的加工稳定性预测模型预测精度良好,为改善细长轴加工稳定性、优化切削参数提供了依据。再后,采用遗传算法对细长轴多次走刀加工中的切削参数进行了优化。由于细长轴车削加工中所采用的背吃刀量远小于普通轴加工,往往需要进行多次走刀加工才能完成细长轴切削,故建立了多次走刀加工中参数优化的数学模型。进而利用尺寸误差模型和切削稳定性模型对优化过程进行了约束,使得细长轴加工既可实现无颤振切削,又能在保证产品质量的前提下,显著提高加工效率。最后,建立了基于人工神经网络的细长轴车削加工尺寸误差实时监测系统。结合正交试验法和神经网络建模技术,对实时预测模型的输入参数进行了选择,提高了尺寸误差的实时预测精度。结果显示,进给量、工件长径比、背向力、进给力和切削点位置是构成细长轴尺寸误差实时预测神经网络模型的最佳输入参数组合。在线监测试验表明,建立的实时监测系统具有良好的预测精度,完全可用于实际生产中尺寸误差的实时监测,并为尺寸误差的在线补偿提供了依据。