熱誤差在數(shù)控機床誤差源中占據(jù)較大比重,而熱誤差補償是一種能夠減小熱誤差,提高數(shù)控機床加工精度的既經(jīng)濟又有效的方法。本文以大型龍門五面加工中心為研究對象,從結(jié)構(gòu)、熱源分析、溫度測點的優(yōu)化、熱誤差模型的建立和實驗補償驗證等方面入手對其加工精度進行了研究。通過熱源及結(jié)構(gòu)分析確定了溫度傳感器的安裝部位,并將模糊聚類算法和灰色關(guān)聯(lián)度理論用于對溫度測點的優(yōu)化,之后將深度學習方法引入到熱誤差建模中,結(jié)合溫度與熱誤差檢測系統(tǒng)得出的熱誤差數(shù)據(jù)和優(yōu)化后的關(guān)鍵溫度測點數(shù)據(jù),實現(xiàn)了熱誤差模型的構(gòu)建與優(yōu)化,最后通過實驗驗證了該方法所建立的模型的有效性,并開發(fā)了大型龍門五面加工中心溫度測點優(yōu)化與熱誤差建模系統(tǒng)。主要工作如下:1)以大型龍門五面加工中心為研究對象,對其結(jié)構(gòu)和熱源進行了分析,依此了解了其溫度場分布情況,確定了溫度傳感器的安裝部位。分別介紹了模糊聚類算法和灰色關(guān)聯(lián)度理論,并將兩種方法相結(jié)合用于溫度測點的優(yōu)化選擇。2)根據(jù)目前熱誤差補償技術(shù)存在的問題,將深度學習方法引入到大型龍門五面加工中心熱誤差建模中,采用深度自編碼器對溫度數(shù)據(jù)特征進行了自動提取并結(jié)合神經(jīng)網(wǎng)絡訓練算法建立了大型龍門五面加工中心的熱誤差模... 

【文章來源】：重慶理工大學重慶市

【文章頁數(shù)】：91 頁

【學位級別】：碩士

【部分圖文】：

船舶發(fā)動機缸體加工精度的影響因素基于以上內(nèi)容，本文在研究機床熱誤差相關(guān)理論的基礎上將其與實際應用相結(jié)合，對大型龍門五面加工中心的熱誤差進行深入研究，旨在建立準確的熱誤差模型并

圖 1.2 技術(shù)路線3 章節(jié)安排第一章：緒論。首先論述了本課題的研究背景及意義，并通過綜述數(shù)控機床國內(nèi)外研究現(xiàn)狀，指出當前熱誤差補償技術(shù)存在的一些問題，最后介紹了本來源，技術(shù)路線和研究內(nèi)容。第二章：龍門五面加工中心的熱源分析及溫度測點優(yōu)化。以大型龍門五面加研究對象，對其結(jié)構(gòu)和熱源進行分析，并將在了解其溫度場的分布情況下確感器的安裝部位；之后分別介紹和應用模糊聚類算法和灰色關(guān)聯(lián)度理論，并種方法進行大型龍門五面加工中心溫度測點的優(yōu)化選擇。第三章：熱誤差模型的構(gòu)建。根據(jù)目前熱誤差補償技術(shù)存在的問題，把深度引入到熱誤差建模中，采用深度自編碼器對溫度數(shù)據(jù)特征進行自動提取。并上結(jié)合神經(jīng)網(wǎng)絡訓練算法建立大型龍門五面加工中心的熱誤差模型，以提高型的精度和魯棒性。第四章：溫度測點優(yōu)化與熱誤差建模系統(tǒng)的開發(fā)及熱誤差補償實驗的驗證。

若對大型龍門加工中心進行熱誤差建模和補償，首先需要了解該加工中心的溫度和熱誤差變化情況。通過分析龍門五面加工中心的結(jié)構(gòu)特點與發(fā)熱源，了解龍門五面加工中心的熱源分布情況。之后闡述了溫度測點優(yōu)化理論，便于后續(xù)模型的建立和數(shù)據(jù)的處理。2.1 大型龍門五面加工中心分析2.1.1 大型龍門五面加工中心結(jié)構(gòu)分析本文以某大型龍門五面加工中心為研究對象，該加工中心的實物圖和結(jié)構(gòu)圖分別如圖 2.1 和 2.2 所示。該加工中心主要由床身，立柱，連接梁，橫梁，溜板，滑枕，主軸，傳動系統(tǒng)，電氣控制系統(tǒng)等組成。該龍門加工中心采用雙立柱動梁式結(jié)構(gòu)：橫梁上下移動，龍門固定，工作臺前后移動，適合大型和重型零件的加工，可實現(xiàn)零件的五面加工。

【參考文獻】：
期刊論文
[1]基于時序深度學習的數(shù)控機床運動精度預測方法[J]. 余永維,杜柳青,易小波,陳罡.  農(nóng)業(yè)機械學報. 2019(01)
[2]基于深度學習的大棚及地膜農(nóng)田無人機航拍監(jiān)測方法[J]. 孫鈺,韓京冶,陳志泊,史明昌,付紅萍,楊猛.  農(nóng)業(yè)機械學報. 2018(02)
[3]基于卷積神經(jīng)網(wǎng)絡的鮮茶葉智能分選系統(tǒng)研究[J]. 高震宇,王安,劉勇,張龍,夏營威.  農(nóng)業(yè)機械學報. 2017(07)
[4]基于深度學習特征匹配的鑄件微小缺陷自動定位方法[J]. 余永維,杜柳青,曾翠蘭,張建恒.  儀器儀表學報. 2016(06)
[5]基于深度學習特征的鑄件缺陷射線圖像動態(tài)檢測方法[J]. 余永維,杜柳青,閆哲,許賀作.  農(nóng)業(yè)機械學報. 2016(07)
[6]基于彈性動量深度學習神經(jīng)網(wǎng)絡的果體病理圖像識別[J]. 譚文學,趙春江,吳華瑞,高榮華.  農(nóng)業(yè)機械學報. 2015(01)
[7]基于深度學習網(wǎng)絡的射線圖像缺陷識別方法[J]. 余永維,殷國富,殷鷹,杜柳青.  儀器儀表學報. 2014(09)
[8]數(shù)控機床可靠性技術(shù)的研究進展[J]. 楊兆軍,陳傳海,陳菲,李國發(fā).  機械工程學報. 2013(20)
[9]基于模糊聚類與偏相關(guān)分析的機床溫度測點優(yōu)化[J]. 趙瑞月,梁睿君,葉文華.  機械科學與技術(shù). 2012(11)
[10]高速滾動軸承力學特性建模與損傷機理分析[J]. 曹宏瑞,何正嘉,訾艷陽.  振動與沖擊. 2012(19)

博士論文
[1]數(shù)控機床誤差補償關(guān)鍵技術(shù)及其應用[D]. 沈金華.上海交通大學 2008

碩士論文
[1]基于STM32-DSP聯(lián)合控制的GPHA深度人工神經(jīng)網(wǎng)絡CNC實時熱補償系統(tǒng)研究[D]. 張睿.重慶大學 2016
[2]面向數(shù)控加工檢測一體化的在線檢測系統(tǒng)誤差預測與補償[D]. 文章.廣東工業(yè)大學 2015
[3]大型龍門數(shù)控機床溫度測點優(yōu)化與熱誤差建模技術(shù)研究[D]. 趙瑞月.南京航空航天大學 2012
[4]數(shù)控機床熱誤差檢測與建模研究[D]. 陽江源.大連理工大學 2010



本文編號：2995692