论文部分内容阅读
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。