,,,,,,,，，，，，，，，，，，，，，，，，，沈阳理工大学学士学位论文,,,∆∆,沈阳理工大学学士学位论文,,沈阳理工大学学士学位论文,,,,沈阳理工大学学士学位论文附录精密机床热变形补偿误差的温度变量最佳临界值摘要机床热变形误差是加工精度高低的个重要原因。热变形误差补偿在控制精度上是个主要的技术。建立温度误差模型，温度变化量需要在个合适的临界值内分成几组。目前，临界值组的准确性主要由研究人员的经验决定。很少有研究关注温度临界值变量的分组。由于临界值在误差补偿中是非常重要的，因此这篇论文是为了建立个温度误差模型去实现热变形误差的最优。首先，相关系数是用来表示温度变量的等级资格，并且理论的模糊传递闭包的原理被应用去获取温度变化关系矩阵。对概念紧凑度和分离度进行了介绍。其次，建立温度变量集分析模型。最佳临界值和最优温度变化集可通过设置评估模型最大值作为目标来获得。最后，通过温度变量和热变形误差之间的相关系数计算，来找出最佳温度变量对热变形误差建模。实验是在精密卧式加工中心进行。在实验中，三向位移传感器用于测量主轴热变形误差和个温度传感器被用来检测所述加工中心的温度。实验结果表明，该新方法在温度变量优化最优临界值中，成功地摸索出最佳的临界值区间，并从个测温点中选择了个温度变量。该模型在方向的上的误差只有微米。显然，所提出的新的变量优化方法具有简单的计算过程和良好的建模精度，这是相当适合热变形误差补偿。关键词精密机床，热变形误差，矩阵分析。介绍机床的热源，如电机，冷却系统，摩擦生热，环境温度，使温度场变化不规则，导致机床零件结构热变形，最后导致机床热变形误差。研究显示，在整个误差源中，热变形误差占。因此它是影响加工精度的关键因素。在各组中，温度变量的最大相关系数的被分别发现。选定三个变量如可以用作代表变量。因此，最佳温度变量模型是和。因此，在方向的热变形误差主要来自导轨，工作台，丝杠螺母，主轴的温度和周围环境。模糊等价矩阵沈阳理工大学学士学位论文在最佳温度变量下验证模型精度根据实验数据，多元回归分析是用来建立热变形误差模型其中为方向的热变形误差并且是实时温度数据和第温度数据之间的温度差。模拟结果显示于如图。从图中可以看出，预测的曲线非常接近所测量的曲线。补偿前，热变形误差的最大绝对值接近微米。补偿模型可以减少误差到微米。事实上七个温度成功的输入实现高模型精度有力地证明了新的温度变量优化方法的有效性。结论因为温度的变量关系是模糊的，所以相关系数是用来计算温度变量的隶属度。此外，用模糊传递闭包来改变模糊相似矩阵为模糊等价矩阵，这使得温度变化可能集群。研究表明模糊传递闭包的理论在机床温度测点分类有较好的应用价值。热变形误差模型输出曲线沈阳理工大学学士学位论文紧凑度和可分度的概念被首次被提出用来构建聚类评价模型。评估模型为温度可变集群提供了最佳临界值。因此，由主观判断确定临界值的问题可以彻底被解决。在最佳临界值下，代表性温度变量不是通过耦合温度和热变形误差的相关分析获得的。研究表明，新的温度变量优化方法能够成功地从个测温点中挑选出个。当这七个温度变量用作输入，模型精度可达到的区间为，微米。因此，温度变量优化下最佳临界值的方法不仅可以降低实验性的工作，同时也保证了良好的建模精度。残差曲线沈阳理工大学学士学位论文,,,,,沈阳理工大学学士学位论文,,,,。目前，在精确控制方面基于模型的热变形误差补偿方法正在成为个主要的研究方向。在热变形误差模型中，温度经常被用来作为输入量而热变形误差被描述为输出量。因此，补偿模型的合理性在很大程度上依赖于输入的温度。在温度和热变形误差之间的动态特性差异个重要原因是补沈阳理工大学学士学位论文偿模型精度差和稳健性低。适当的传感器分布可以有效地揭示热变形误差的动态变化。为了实现高性能的补偿模型，优化理论需要获得关于机床最适温度的测量点。考虑到系统的可控性和可观察性，研究者往往把温度传感器靠近机床主热源的附近。如果机器温度区域近似均匀，传感器通常放置在固定端。般而言，通过经验和判断来确定传感器的初步位置。然后，些理论被应用到优化温度测量点，以便减小温度传感器的数量和驱除温度变量的耦合。如今，研究人员提出了许多方法，应用到温度测点的优化。最常用的方法是多元逐步回归，神经网络和有限元。第种方法可以分析热变形误差和温度变量之间的相关性，但无法避免温度变量的耦合。神经网络需要很长的训练时间。此外，隐藏层神经细胞是难以确定。在有限元分析中，边界条件和接合在机床表面的热力也是难以确定。在最近几年，新的方法已经出现了。杨等人通过先进的温度选择变量分组优化建模。首先，相互关系被用在可变分组。其次，温度变量的最优组合，被发现是由回归平方与总平方和的比值。张等人利用相关性来实现温度测量点的模糊关系。此外，和采用灰色关联度分别优化的温度传感器。这些新方法避免了常用的三种方法的缺陷。但在温度变化的分组使用组临界值不是准确的理论，而是通过主观判断来决定。所以，随着温度的分组模型变量有效性缺乏科学论证。为了解决温度可变的分组临界值的不确定性的问题，和为热变形误差建模提供个最优温度变量，个基于温度变量优化的最优临界值的方法被提出来了。首先，相互关系分析根据多元统计理论在温度变量之间被提出。其次，模糊传递闭包的理论是用来获取模糊等价矩阵。第三，温度可变聚类分析模型建立，以帮助找出最优临界值。然后，温度变量的最优聚集在最优临界值来实现的。最后，基于温度变量和热变形误差之间的相关性，代表温度变量从各组中最佳聚类中获得。这些代表性的温度变量视为模型的最佳温度变量组合。