對于高速高精加工中心,機床主軸往往存在熱變形現(xiàn)象,并由此導致了零件加工過程中的熱誤差問題。為解決此問題,通常讓機床在加工之前空跑一段時間,等到機床達到熱穩(wěn)態(tài)再進行加工,但同時也降低了機床的加工效率。另外針對機床熱變形的建模研究往往消耗大量的時間成本,并且所建立的模型往往不具有通用性。針對上述問題,本文先后以兩臺機床為研究對象,建立了基于機床實時運行數(shù)據(jù)和環(huán)境溫度的熱變形預測模型,并利用遷移學習方法縮短了機床熱變形模型的獲取時間。本文首先分析了主軸的熱特性,然后得到了影響主軸熱變形的關(guān)鍵因素。并以關(guān)鍵因素對機床原始數(shù)據(jù)進行計算處理,進而得到與機床主軸產(chǎn)熱散熱相關(guān)的能耗數(shù)據(jù)。以能耗數(shù)據(jù)為模型輸入,然后分別建立了主軸熱變形預測的多層感知機模型,卷積神經(jīng)網(wǎng)絡模型。對比結(jié)果顯示,由于神經(jīng)網(wǎng)絡具有較好的學習能力,因此也具有較好的預測效果。然后又利用LSTM網(wǎng)絡的特性解決了卷積神經(jīng)網(wǎng)絡中所遇到的誤差累積的問題,使得模型的預測精度進一步提高,達到了5微米以內(nèi)。由于在實際應用中無法事先對所研究機床進行大量實驗和研究,因此本文提出了以遷移學習的方法縮短機床主軸熱變形研究中的模型獲取時間。結(jié)果表明,使用遷移...

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【部分圖文】：

圖2-1主軸散熱簡化圖

圖2-1主軸散熱簡化圖，在此對其散熱情況進行簡化這里將外殼簡化為一個單層圓如上圖所示，假設單層圓筒壁的度，由軸承處的運動摩擦發(fā)析，假設材料的導熱系數(shù)為坐標系，則問題就變?yōu)檠刂?0時，=；當=時，=積分，得到下式：....

圖3-54000r/min轉(zhuǎn)速實驗預測效果圖

圖3-54000r/min轉(zhuǎn)速實驗預測效果圖3-6為模型針對轉(zhuǎn)速為10000r/min速度下其中紅色曲線對應為主軸熱變形，黑色曲線對應為模型對熱變形額預測值。綠色為預測誤差。通過預測效果發(fā)現(xiàn)模型對于10000r/min轉(zhuǎn)速下的預測精度為20微米左右，并且存在....

圖3-78000r/min轉(zhuǎn)速實驗預測效果圖

圖3-78000r/min轉(zhuǎn)速實驗預測效果圖上預測效果可以發(fā)現(xiàn)模型在預測過程中會存在預測誤差隨著時間增加，同時模型針對不同速度下的預測效果會略有不同。于卷積神經(jīng)網(wǎng)絡熱變形預測模型積神經(jīng)網(wǎng)絡是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡，是的算法之一。對卷積神經(jīng)網(wǎng)絡的研究始于....

圖3-8卷積神經(jīng)網(wǎng)絡模型結(jié)構(gòu)圖

圖3-8卷積神經(jīng)網(wǎng)絡模型結(jié)構(gòu)圖，模型訓練其中模型的訓練所使用的訓練集的數(shù)據(jù)處理方法與前一節(jié)中所使用方法相同，此不做贅述。模型的訓練過程依然使用最小二乘作為優(yōu)化目標，輸入訓練集數(shù)據(jù)進訓練得到模型參數(shù)文件。.2.2模型效果模型的預測過程與2.4節(jié)中的預測過程一致，將處理之后....

本文編號：3983873