论文部分内容阅读
本文以建立数控机床主轴热误差模型为主要内容。在分析了当前国内外热误差建模方法的研究现状的基础上，进行了热关键点的辨识，提出了多种热误差预测模型。并通过数控铣床的实验应用分析对模型进行了验证。主要研究工作包括：（1）数控机床热误差检测实验。采用CCD激光位移传感器和SMT温度测试仪对KXK-713型数控铣床的温度和主轴热误差进行测量，制定了实验方案并获得了所需实验数据。（2）热关键点的辨识。根据实验测得的温度和热误差序列，建立了灰关联分析模型，分析了机床温度场分布中的各因素对热误差的影响程度，并对其进行性能评价和相对优劣排序，经过温度测点的筛选，有效的减少了测点数量，优化了测点布置，简化了热误差预测模型的结构，提高了模型的鲁棒性。（3）基于神经网络的热误差建模及预测。提出了基于BP和RBF神经网络进行机床主轴热误差建模的基本原理与方法，并应用所测的温度和热误差序列对KXK-713型数控铣床的主轴轴向热误差进行建模和预测，同时对模型的预测能力进行了验证。（4）基于灰色系统的热误差建模及预测。提出了基于灰色GM(1，N)模型的数控机床主轴热误差建模的基本原理与方法，应用所测的温度和热误差序列对KXK-713型数控铣床的主轴轴向热误差进行建模和预测，并对模型的预测能力进行了验证。（5）基于灰色系统和神经网络的热误差组合预测。在分析了灰色系统和神经网络特性的基础上,建立了灰色GM(1，N)与神经网络相结合的灰色神经网络模型，将模型应用于KXK-713型数控铣床主轴热误差的预测，并对模型的预测结果进行了验证。通过分析比较上述三种热误差预测模型的预测精度，灰色神经网络模型的优越性得到了体现。该组合模型兼具BP神经网络对非线性函数的逼近能力和灰色模型无需大量样本信息、建模简便的优势，相比于两种单项预测模型获得了更高的预测精度，为热误差的实时补偿奠定了基础。