隨著工業(yè)產(chǎn)品技術(shù)水平的提高,功能部件的精度要求越來(lái)越高,這就對(duì)機(jī)床的加工精度提出了更高的要求。在影響機(jī)床加工精度的多個(gè)誤差源中,熱誤差在機(jī)床總誤差源中所占的比重最大,因此,利用熱誤差補(bǔ)償技術(shù)對(duì)熱誤差進(jìn)行補(bǔ)償是提高機(jī)床加工精度的一種經(jīng)濟(jì)有效的措施。大量的國(guó)內(nèi)外研究資料表明,熱誤差補(bǔ)償技術(shù)的重點(diǎn)集中在溫度敏感測(cè)點(diǎn)的選擇、熱誤差建模以及補(bǔ)償三個(gè)方面,而建立預(yù)測(cè)精度高、魯棒性強(qiáng)的熱誤差預(yù)測(cè)模型則是熱誤差補(bǔ)償技術(shù)的關(guān)鍵。針對(duì)熱誤差補(bǔ)償技術(shù)的關(guān)鍵問(wèn)題,本論文以一臺(tái)數(shù)控車床主軸為研究對(duì)象,結(jié)合實(shí)際測(cè)量得到的溫度和熱誤差數(shù)據(jù),探索溫度敏感點(diǎn)篩選的方法以及有效熱誤差模型的建立,旨在系統(tǒng)地給出魯棒性強(qiáng),預(yù)測(cè)精度高的誤差建模法,以提高熱誤差補(bǔ)償技術(shù)的精度和穩(wěn)定性。論文的主要研究?jī)?nèi)容如下:(1)提出了一種數(shù)控車床主軸熱誤差融合算法模型,利用K-means++聚類算法結(jié)合Pearson相關(guān)性分析篩選關(guān)鍵溫度測(cè)點(diǎn),并給出了聚類結(jié)果的評(píng)價(jià)指標(biāo)。由于單一的熱誤差數(shù)學(xué)模型存在一定的不足,因此,本文利用融合算法的思想,針對(duì)小波神經(jīng)網(wǎng)絡(luò)受初始值敏感的問(wèn)題,利用蝙蝠算法對(duì)小波神經(jīng)網(wǎng)絡(luò)的初始連接系數(shù)進(jìn)行了優(yōu)化,提出了基于蝙蝠算法...

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 熱誤差補(bǔ)償技術(shù)的研究現(xiàn)狀
        1.2.1 溫度測(cè)點(diǎn)優(yōu)化技術(shù)研究現(xiàn)狀
        1.2.2 熱誤差建模技術(shù)研究現(xiàn)狀
    1.3 熱誤差補(bǔ)償技術(shù)當(dāng)前存在的問(wèn)題
    1.4 本論文的主要研究?jī)?nèi)容
2 機(jī)床熱誤差建模相關(guān)理論
    2.1 溫度測(cè)點(diǎn)優(yōu)化理論
        2.1.1 K-means聚類算法
        2.1.2 聚類有效性指標(biāo)
        2.1.3 相關(guān)性分析
    2.2 熱誤差建模方法
        2.2.1 小波神經(jīng)網(wǎng)絡(luò)模型
        2.2.2 廣義回歸神經(jīng)網(wǎng)絡(luò)
        2.2.3 灰色神經(jīng)網(wǎng)絡(luò)模型
    2.3 本章小結(jié)
3 基于蝙蝠算法的小波神經(jīng)網(wǎng)絡(luò)主軸熱誤差建模算法
    3.1 車床主軸熱誤差測(cè)量實(shí)驗(yàn)設(shè)備
        3.1.1 傳感器布置
        3.1.2 主軸溫升與熱誤差測(cè)量實(shí)驗(yàn)數(shù)據(jù)獲取
    3.2 溫度敏感點(diǎn)選擇
        3.2.1 基于K-means聚類算法改進(jìn)的K-means++算法
        3.2.2 溫度測(cè)點(diǎn)分類
    3.3 蝙蝠算法
        3.3.1 蝙蝠算法的實(shí)現(xiàn)
        3.3.2 蝙蝠算法的計(jì)算流程
    3.4 蝙蝠算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)主軸熱誤差模型
        3.4.1 BA-WNN神經(jīng)網(wǎng)絡(luò)
        3.4.2 BA-WNN神經(jīng)網(wǎng)絡(luò)主軸熱誤差建模
    3.5 BA-WNN神經(jīng)網(wǎng)絡(luò)熱誤差建模驗(yàn)證
    3.6 本章小結(jié)
4 基于遺傳算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)的主軸熱誤差建模研究
    4.1 溫度測(cè)點(diǎn)優(yōu)化
        4.1.1 近鄰傳播聚類算法
        4.1.2 AP-K-means聚類算法
        4.1.3 溫度測(cè)點(diǎn)優(yōu)化結(jié)果
    4.2 遺傳算法
        4.2.1 遺傳算法理論
        4.2.2 遺傳算法的實(shí)現(xiàn)流程
    4.3 遺傳算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)主軸熱誤差建模
        4.3.1 廣義回歸神經(jīng)網(wǎng)絡(luò)平滑參數(shù)的選取
        4.3.2 遺傳算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)平滑參數(shù)的流程
        4.3.3 遺傳算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)建模
    4.4 遺傳算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)建模驗(yàn)證
    4.5 本章小結(jié)
5 基于果蠅算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的主軸熱誤差建模
    5.1 果蠅算法相關(guān)理論
    5.2 果蠅算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的主軸熱誤差建模
        5.2.1 果蠅算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)建模流程
        5.2.2 果蠅算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)建模
    5.3 果蠅算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)建模驗(yàn)證
    5.4 熱誤差建模對(duì)比分析
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 主要結(jié)論
    6.2 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間的科研成果



本文編號(hào)：4013181