| 【中文题名】 | 数控机床温度测点选取及热误差补偿建模 |
| 【英文题名】 | Selecting the Temperature Measurement Points of the NC Machine Tool and Constructing the Compensated Model of the Thermal Error |
| 【学科专业】 | 机械设计及理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-10 |
| 【中关键词】 | 数控机床,热误差补偿,有限元,神经网络,, |
| 【英关键词】 | NC machine tool,Thermal error compensating,Finite element,Neural network, |
| 【分类导航】 | 工业技术>金属学与金属工艺>金属切削加工及机床>程序控制机床、数控机床及其加工>> |
| 【论文摘要】 |
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Kohon... |
| 【论文题纲】 |
|
摘要 |
7-8 |
|
Abstract |
8-9 |
|
第一章 绪论 |
9-16 |
|
1.1 数控机床热误差补偿技术研究意义 |
9 |
|
1.2 数控机床热误差补偿的过程 |
9-11 |
|
1.3 数控机床热误差补偿技术国内外研究现状 |
11-13 |
|
1.3.1 数控机床热误差补偿技术国外研究现状 |
11-12 |
|
1.3.2 数控机床热误差补偿技术国内研究现状 |
12-13 |
|
1.4 本课题有待解决的关键问题和研究方案的确定 |
13-14 |
|
1.5 本课题研究的主要内容和关键创新点 |
14-16 |
|
第二章 基于ANSYS的热分析原理与过程 |
16-29 |
|
2.1 传热基本概念 |
16-18 |
|
2.1.1 热传递的方式 |
16-17 |
|
2.1.2 热分析分类 |
17-18 |
|
2.2 热传导理论基础 |
18-21 |
|
2.2.1 混度场 |
18-19 |
|
2.2.2 热力学第一定律 |
19 |
|
2.2.3 傅里叶导热定律 |
19-20 |
|
2.2.4 热传导的微分方程 |
20-21 |
|
2.3 温度场的有限元理论 |
21-23 |
|
2.3.1 空间域的离散 |
21-22 |
|
2.3.2 时间域的离散 |
22-23 |
|
2.4 ANSYS热分析 |
23-26 |
|
2.4.1 ANSYS的热分析功能 |
23-24 |
|
2.4.2 边界条件和初始条件 |
24 |
|
2.4.3 ANSYS热分析基本过程 |
24-25 |
|
2.4.4 耦合场分析 |
25-26 |
|
2.5 数控机床热分析的边界条件 |
26-27 |
|
2.5.1 切削热 |
26 |
|
2.5.2 滚动轴承摩擦热 |
26-27 |
|
2.5.3 表面换热 |
27 |
|
2.6 基于ANSYS的数控车床整机热分析过程 |
27-28 |
|
本章小结 |
28-29 |
|
第三章 基于Kohonen网络的温度测点辨识原理 |
29-36 |
|
3.1 人工神经网络的基本理论 |
29-31 |
|
3.1.1 人工神经网络简介 |
29 |
|
3.1.2 人工神经网络的基本特征 |
29-30 |
|
3.1.3 人工神经网络的分类 |
30-31 |
|
3.2 Kohonen神经网络简介 |
31-33 |
|
3.2.1 Kohonen网络结构与原理 |
31-32 |
|
3.2.2 Kohonen神经网络的学习过程 |
32-33 |
|
3.3 基于Kohonen网络的温度测点辨识 |
33-35 |
|
本章小结 |
35-36 |
|
第四章 CK6132数控车床最佳温度测点选取 |
36-45 |
|
4.1 CK6132数控车床整机有限元模型的建立 |
36-38 |
|
4.1.1 基于Pro/E的CK6132数控车床实体建模 |
36-37 |
|
4.1.2 建立CK6132数控车床有限元模型 |
37-38 |
|
4.2 CK6132数控车床整机有限元分析条件 |
38-39 |
|
4.2.1 设置材料特性 |
38 |
|
4.2.2 求解边界条件 |
38-39 |
|
4.3 CK6132数控车床最佳温度测点的选取过程 |
39-44 |
|
4.3.1 有限元计算过程 |
39-42 |
|
4.3.2 运用Kohonen神经网络对节点进行分类 |
42-43 |
|
4.3.2.1 Kohonen神经网络的设计 |
42-43 |
|
4.3.2.2 Kohonen神经网络的节点分类结果 |
43 |
|
4.3.3 CK6132数控车床最佳温度测点的确定 |
43-44 |
|
本章小结 |
44-45 |
|
第五章 基于神经网络的数控机床热误差补偿建模 |
45-60 |
|
5.1 基于Kohonen竞争学习规则的RBF神经网络模型及应用 |
45-50 |
|
5.1.1 RBF神经网络的结构 |
45-46 |
|
5.1.2 RBF神经网络的学习算法 |
46-47 |
|
5.1.3 基于Kohonen竞争学习规则的RBF神经网络 |
47-48 |
|
5.1.4 基于Kohonen竞争学习规则的RBF神经网络热误差补偿建模 |
48-50 |
|
5.2 GRNN神经网络模型及应用 |
50-52 |
|
5.2.1 GRNN神经网络简介 |
50-51 |
|
5.2.2 基于GRNN神经网络热误差补偿建模 |
51-52 |
|
5.3 BP神经网络模型及应用 |
52-56 |
|
5.3.1 BP神经网络简介 |
52-53 |
|
5.3.2 基于BP神经网络热误差补偿建模 |
53-56 |
|
5.4 基于ActiveX的VB与MATLAB的数据交换的实现 |
56-59 |
|
5.4.1 ActiveX部件 |
56-57 |
|
5.4.2 VB与MATLAB数据交换的实现过程 |
57-59 |
|
本章小结 |
59-60 |
|
第六章 总结与展望 |
60-62 |
|
参考文献 |
62-65 |
|
攻读硕士学位期间正式发表的学术论文 |
65-66 |
|
致谢 |
66 |
|
| 【DOI】 | LunWen.ID:2.2008.385257 |
