车削中心电主轴热态分析及热误差研究

摘要

由于高速电主轴具有结构简单、传动效率高以及响应快等优点，已经广泛应用于高速加工设备中。随着电主轴的运转速度越来越高，主轴发热也愈加严重，电主轴的热误差也越来越大，而电主轴作为高速高精密装备的核心部件，热误差对装备的精度损害很大。要想达到控制电主轴热误差的目的，就需要对电主轴温度和热误差情况进行深入研究，探索电主轴热误差产生规律，这对于精确进行电主轴热误差补偿意义重大。本文围绕高速电主轴热态特性及误差预测模型建立展开深入分析研究。主要内容包括:
　　(1)基于热力学知识计算得到热分析参数，分析了主轴系统的主要热量传递形式及特点，并根据具体的热量计算经验公式，详细计算了主轴系统中的生热及换热参数。运用有限元方法电主轴模型，进行了热稳态分析，并且分析了电主轴热态性能。
　　(2)进行电主轴热误差实验，精确测量电主轴温度测点温度及其实时热位移，根据实验所得数据，采用BP神经网络建模方法，基于三种不同温度变量建立了电主轴热误差预测模型，并分析网络对实验数据的拟合性、残余误差及误差百分比等，提出了BP神经网络进行误差预测存在的局限性。
　　(3)针对神经网络误差预测的缺陷，提出运用遗传算法进一步优化BP神经网络热误差预测的方法，然后应用此方法对前面建立的三种热误差预测网络进行优化操作，绘制网络的适应度曲线和误差平方和曲线进行对比分析，并分析优化后热误差预测网络对实验数据的拟合性、残余误差及误差百分比等性能参数。
　　通过分析表明，主轴温度最高位置位于电机转子处，主轴冷却装置可以有效降低电机定子温度，主轴轴承温升较大可以采取措施进一步降低。同时，对于主轴热变形也进行了分析，得出主轴热变形最大方向在轴向，故应该采取措施进行轴向位移补偿，以降低主轴加工误差。
　　通过误差网络建模分析表明，BP神经网络具有较强的非线性拟合及泛化能力，基于三种不同的温度变量所建模型可以很好地契合实验数据，基于相对温升变量的BP神经网络模型，模型残余误差的百分比最小，为3.35％;基于三种不同的温度变量GA优化BP网络的残余误差百分比相对于单纯BP神经网络有较大改善，可以说明优化后网络的稳定性得到了较大改善，用遗传算法优化的BP网络具有较高的网络收敛速度，更好的稳定性和预测精度。

目录

摘要

第一章 绪论

1．1 课题研究背景

1．2 国内外研究现状及分析

1．1．1 高速电主轴静动态性能的研究现状

1．1．2 高速电主轴热特性及机床热误差的研究现状

1．2 本文研究内容

第二章 车削中心电主轴热态特性分析

2．1 引言

2．2 高速电主轴结构

2．3 车削中心电主轴的热源分析

2．3．1 电机发热分析与计算

2．3．2 轴承发热分析与计算

2．4 车削中心电主轴传热机制

2．4．1 传热基础理论

2．4．2 电机定子与冷却系统的换热

2．4．3 电动机定子与转子之间气隙的自然对流换热

2．4．4 主轴外表面与周围空气的换热

2．4．5 电主轴端部与周围空气的换热

2．5 本章小结

第三章 高速电主轴热态特性有限元分析

3．1 引言

3．2 有限元仿真模型

3．2．1 有限元模型处理

3．2．2 模型边界

3．2．3 轴承接触设计

3．2．4 高速轴承拟动处理

3．2．5 对流换热设置

3．2．6 模型辐射设置

3．3 高速电主轴温度场特性分析

3．3．1 电主轴散热和温度场特性

3．3．2 电主轴主要部件的温度场特性

3．4 本章小结

第四章 电主轴热误差及其BP神经网络建模

4．1 电主轴热误差实验方法

4．1．1 温度测点的布置

4．1．2 热误差传感器测点的选取

4．1．3 温度与热误差检测硬件系统

4．1．4 热误差检测系统

4．2 电主轴热误差分析

4．3 热误差数据分析

4．4 神经网络基础知识

4．4．1 人工神经网络模型

4．4．2 神经网络的基本结构

4．4．3 神经网络的学习

4．5 BP神经网络

4．5．1 BP网络结构模型

4．5．2 BP网络训练算法

4．6 基于不同的温度变量的BP网络建模

4．6．1 基于不同的温度变量的BP神经网络建模预测效果的比较

4．6．2 BP神经网络建模分析

4．7 本章小结

第五章 基于遗传算法优化的BP网络热误差建模

5．1 遗传优化算法分析

5．1．1 遗传算法基本理论

5．2 基于遗传算法(GA)和BP神经网络的热误差优化建模

5．2．1 遗传算法优化的可行性和必要性

5．2．2 GA与BP融合建模的理论基础

5．3 基于不同温度变量的GA优化BP热误差建模优化

5．4 本章小结

总结与展望

参考文献

攻读学位期间发表的论文

声明

致谢