导读:本文包含了热误差建模论文开题报告文献综述及选题提纲参考文献，主要关键词:热误差,误差补偿,数控机床,小波神经网络
热误差建模论文文献综述
李彬,张云,王立平,李学昆[1]（2019）在《基于遗传算法优化小波神经网络数控机床热误差建模》一文中研究指出数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。(本文来源于《机械工程学报》期刊2019年21期）
杜柳青,王承辉,余永维,徐李[2]（2019）在《基于深度自编码器的大型龙门加工中心热误差建模方法》一文中研究指出为提高热误差模型的预测能力,提出一种基于深度学习方法的数控机床热误差建模方法。利用模糊聚类法和灰色关联度分析法选取温度变量的热敏感点,采用深度自编码器(Stacked automatic encoder,SAE)网络从选出的输入样本中提取特征,构建特征集,然后使用遗传优化算法(Genetic optimization algorithm,GA)对BP神经网络参数进行寻优,从而提出一种基于SAE-GA-BP的数控机床热误差建模方法。以某大型龙门五面加工中心为实验对象,研究并选择了加工中心加工过程中的主要误差源——主轴热误差进行补偿,对主轴热误差深度学习模型和多元回归模型进行了分析对比。结果表明,在预测精度方面所提出的建模方法优于传统多元回归模型,从而验证了该建模方法的可行性和有效性。(本文来源于《农业机械学报》期刊2019年10期）
辛宗霈,冯显英,杜付鑫,李慧,李沛刚[3]（2019）在《基于BP神经网络的机床热误差建模与分析》一文中研究指出针对机床进给系统热误差,提出了一种复合预测方法。首先使用神经网络对丝杠热变形量进行建模,然后以多项式拟合法来求得平台轴向热误差y与丝杠实际热变形量x之间的关系,建立平台轴向热误差预测模型,称作"两步法"。两步法与BP神经网络直接预测平台轴向热误差的方法(直接法)分别对实验进行预测,将两方法预测结果与实测平台轴向热误差对比。结果表明,实验过程中行程发生变化时,直接法预测得到的热误差残差在-5.4～6.6μm间波动,两步法预测得到的热误差残差在-3.1～2.2μm内波动,两步法预测精度比直接法高了约126%,有较强的工程应用价值。(本文来源于《组合机床与自动化加工技术》期刊2019年08期）
张子祥,李粉霞[4]（2019）在《数控机床热误差建模及预测方法分析》一文中研究指出热误差作为制约数控机床加工精度的关键因素,在重型数控机床上表现得尤为明显。以重型落地镗铣床为例,根据热误差测量试验数据,分析重型数控机床温度场特性,并基于兼顾相关系数和欧式距离的系统聚类准则,对温度测点系统进行优化,以减小温度测点间共线性。通过优化温度测点,采用多元线性回归分析,建立重型数控机床热误差预测模型。由现场试验可知,建立的热误差预测模型可将均方根误差控制在10μm以内,有效地提高了热误差预测精度。(本文来源于《机床与液压》期刊2019年13期）
郑金勇,刘保国,冯伟[5]（2019）在《基于遗传算法优化灰色神经网络的机床主轴热误差建模研究》一文中研究指出针对机床主轴热性能对加工精度产生影响的问题,对机床主轴热误差建模方向进行了试验研究。以数控磨床主轴为研究对象,通过热特性试验获得了阶梯转速下的温度变化数据和热误差数据,对温度数据进行了模糊聚类分组,并采用相关系数法选出了温度敏感测点;通过对灰色神经网络初始参数进行优化,建立了遗传算法(GA)优化的灰色神经网络热误差预测模型;在该模型中,以灰色神经网络的预测输出和实际值的绝对误差作为遗传算法适应度函数,以平均相对误差作为预测模型的评价标准,并与灰色神经网络、BP神经网络预测结果进行了对比。研究结果表明:该预测模型具有更高的预测精度,通过GA对灰色神经网络的初始参数进行优化,可有效地提高网络的预测精度,更好地用于热误差补偿系统。(本文来源于《机电工程》期刊2019年06期）
张欣阳,孙瑞霞,赵振龙,赵海平,张成新[6]（2019）在《CTP制版机丝杠传动系统的热误差建模》一文中研究指出目的为了有效地减少因CTP制版机丝杠传动系统热膨胀所产生的制版质量问题。方法通过对CTP丝杠传动系统进行热误差实验,分析其膨胀量与丝杠温度、丝杠位置的关系,并建立补偿数学模型。结果经检验,所得模型的计算值与实际测量值偏差保持在[0.0320 mm, 0.0406 mm]区间内,基于这一结果,操作人员可以利用CTP驱动软件,应用模型的计算结果对CTP制版机进行热误差优化预设置,补偿扫描头的热误差,进而提高CTP制版质量。结论通过对CTP制版机进行热误差补偿,可以有效地减少因丝杠热膨胀导致的扫描激光头扫描位置发生变化,版材内容发生偏移、变形、套印不准等问题的发生,提高了印刷质量。(本文来源于《包装工程》期刊2019年07期）
王承辉[7]（2019）在《基于深度学习的大型龙门五面加工中心热误差建模方法与补偿》一文中研究指出热误差在数控机床误差源中占据较大比重,而热误差补偿是一种能够减小热误差,提高数控机床加工精度的既经济又有效的方法。本文以大型龙门五面加工中心为研究对象,从结构、热源分析、温度测点的优化、热误差模型的建立和实验补偿验证等方面入手对其加工精度进行了研究。通过热源及结构分析确定了温度传感器的安装部位,并将模糊聚类算法和灰色关联度理论用于对温度测点的优化,之后将深度学习方法引入到热误差建模中,结合温度与热误差检测系统得出的热误差数据和优化后的关键温度测点数据,实现了热误差模型的构建与优化,最后通过实验验证了该方法所建立的模型的有效性,并开发了大型龙门五面加工中心温度测点优化与热误差建模系统。主要工作如下:1)以大型龙门五面加工中心为研究对象,对其结构和热源进行了分析,依此了解了其温度场分布情况,确定了温度传感器的安装部位。分别介绍了模糊聚类算法和灰色关联度理论,并将两种方法相结合用于温度测点的优化选择。2)根据目前热误差补偿技术存在的问题,将深度学习方法引入到大型龙门五面加工中心热误差建模中,采用深度自编码器对温度数据特征进行了自动提取并结合神经网络训练算法建立了大型龙门五面加工中心的热误差模型。3)为便于数据处理和热误差模型的构建优化,以上述研究内容为基础,基于MATLAB GUI开发了大型龙门五面加工中心的温度测点优化与热误差建模系统。并以传感器和数据采集卡等为核心设计了温度与热误差检测系统进行数据的采集,依据所采集数据完成了对热误差模型的优化和热误差补偿实验的验证。(本文来源于《重庆理工大学》期刊2019-03-25）
苗恩铭,吕玄玄,魏新园,宋先进,董云飞[8]（2019）在《基于状态空间模型的数控机床热误差建模》一文中研究指出为了减小机床运行参数变化导致的机床热误差变化对模型预测精度的影响,提出了状态空间建模算法,该算法可根据机床运行参数的变化而自动调整模型,从而使模型对机床运行参数的变化具有良好的自适应性。通过实验比较了模型对机床处于不同条件下的热误差预测精度,并基于状态空间模型在Leaderway V-450型数控机床上进行了平面切削的热误差补偿实验。实验结果表明:与传统热误差建模算法相比较,所提算法的预测精度提高了58.12%,稳健性也得到了有效提升,且实际热误差补偿效果显着。(本文来源于《中国机械工程》期刊2019年09期）
刘旦,于博,吴波,金绍江,李海波[9]（2019）在《数控机床的热误差建模与补偿研究》一文中研究指出数控机床的热变形误差是影响其加工精度的主要因素。针对当前机床热误差难以解决的问题,提出一种融合模糊聚类理论、灰色关联理论和多元线性回归理论的热误差建模及补偿原理,通过应用于实验室自主研制的AGPM,经机床温度场的测点优化分析、多元线性回归求解,建立了精确的热误差补偿模型。经补偿验证,该原理理论正确、简单易行、稳定可靠,可以大幅减小机床的热变形误差。(本文来源于《机床与液压》期刊2019年05期）
张海妮[10]（2019）在《基于改进RBF网络的加工中心主轴热误差建模研究》一文中研究指出加工中心的主轴热误差一直是影响加工精度的主要因素,针对这一问题,本文提出了一种基于改进PSO优化RBF神经网络的机床热误差建模方法 ,对主轴热误差进行精确预测。首先使用优化的自组织映射(Self-organizingMaps,SOM)神经网络算法和相关系数法筛选关键测温点。然后分别使用RBF神经网络和改进的RBF神经网络建立热误差模型,使用MATLAB软件进行实验仿真,并对其结果进行对比。结果表明:改进后的RBF神经网络模型其预测精度较改进前有明显提高,也为后续误差补偿提供科学理论依据。(本文来源于《自动化技术与应用》期刊2019年01期）
热误差建模论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为提高热误差模型的预测能力,提出一种基于深度学习方法的数控机床热误差建模方法。利用模糊聚类法和灰色关联度分析法选取温度变量的热敏感点,采用深度自编码器(Stacked automatic encoder,SAE)网络从选出的输入样本中提取特征,构建特征集,然后使用遗传优化算法(Genetic optimization algorithm,GA)对BP神经网络参数进行寻优,从而提出一种基于SAE-GA-BP的数控机床热误差建模方法。以某大型龙门五面加工中心为实验对象,研究并选择了加工中心加工过程中的主要误差源——主轴热误差进行补偿,对主轴热误差深度学习模型和多元回归模型进行了分析对比。结果表明,在预测精度方面所提出的建模方法优于传统多元回归模型,从而验证了该建模方法的可行性和有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
热误差建模论文参考文献
[1].李彬,张云,王立平,李学昆.基于遗传算法优化小波神经网络数控机床热误差建模[J].机械工程学报.2019
[2].杜柳青,王承辉,余永维,徐李.基于深度自编码器的大型龙门加工中心热误差建模方法[J].农业机械学报.2019
[3].辛宗霈,冯显英,杜付鑫,李慧,李沛刚.基于BP神经网络的机床热误差建模与分析[J].组合机床与自动化加工技术.2019
[4].张子祥,李粉霞.数控机床热误差建模及预测方法分析[J].机床与液压.2019
[5].郑金勇,刘保国,冯伟.基于遗传算法优化灰色神经网络的机床主轴热误差建模研究[J].机电工程.2019
[6].张欣阳,孙瑞霞,赵振龙,赵海平,张成新.CTP制版机丝杠传动系统的热误差建模[J].包装工程.2019
[7].王承辉.基于深度学习的大型龙门五面加工中心热误差建模方法与补偿[D].重庆理工大学.2019
[8].苗恩铭,吕玄玄,魏新园,宋先进,董云飞.基于状态空间模型的数控机床热误差建模[J].中国机械工程.2019
[9].刘旦,于博,吴波,金绍江,李海波.数控机床的热误差建模与补偿研究[J].机床与液压.2019
[10].张海妮.基于改进RBF网络的加工中心主轴热误差建模研究[J].自动化技术与应用.2019