基于综合智能的数控机床热误差补偿研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究的目的与意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11-13页 |
| 1.3 人工神经网络在误差补偿中的应用 | 第13-14页 |
| 1.4 误差补偿原理 | 第14-15页 |
| 1.5 本文主要研究工作 | 第15-16页 |
| 1.5.1 本文研究内容 | 第15页 |
| 1.5.2 论文的创新点 | 第15页 |
| 1.5.3 论文的结构 | 第15-16页 |
| 第二章 数控机床误差分析及辨识 | 第16-25页 |
| 2.1 数控加工中心工作原理 | 第16-17页 |
| 2.2 数控机床误差研究 | 第17-19页 |
| 2.2.1 误差的来源 | 第17-18页 |
| 2.2.2 误差的分类 | 第18-19页 |
| 2.3 数控机床误差辨识 | 第19-20页 |
| 2.3.1 几何误差辨识 | 第19页 |
| 2.3.2 热误差辨识 | 第19-20页 |
| 2.4 减少数控机床热误差的主要方法 | 第20-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 综合智能方法在数控机床中的应用 | 第25-44页 |
| 3.1 粗集理论在数据处理中的应用 | 第25-34页 |
| 3.1.1 粗集理论的基本概念 | 第25-27页 |
| 3.1.2 特征选择和属性约简 | 第27-28页 |
| 3.1.3 粗集理论在热误差补偿中的应用 | 第28-34页 |
| 3.2 蚁群算法在全局寻优中的应用 | 第34-38页 |
| 3.2.1 蚁群算法的概述 | 第35-36页 |
| 3.2.2 蚁群算法在热误差补偿中的应用 | 第36-38页 |
| 3.3 基于BP神经网络的数学模型构建 | 第38-43页 |
| 3.3.1 神经网络的概述 | 第39-41页 |
| 3.3.2 BP神经网络在热误差补偿中的应用 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 数控机床误差补偿实现 | 第44-67页 |
| 4.1 数控机床热误差补偿概述 | 第44-46页 |
| 4.2 基于综合智能的数控机床热误差补偿 | 第46-66页 |
| 4.2.1 GMC2000A机床数据采集 | 第46-52页 |
| 4.2.2 GMC2000A机床数据处理 | 第52-58页 |
| 4.2.3 热误差补偿数学模型构建 | 第58-63页 |
| 4.2.4 GMC2000A机床热误差补偿实验 | 第63-66页 |
| 4.3 本章小结 | 第66-67页 |
| 第五章 全文总结与展望 | 第67-70页 |
| 5.1 全文总结 | 第67-68页 |
| 5.2 后续工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
