| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 电主轴概述 | 第11-13页 |
| 1.1.1 电主轴概念 | 第11页 |
| 1.1.2 电主轴的基本结构与关键技术 | 第11-13页 |
| 1.2 电主轴温度预测研究的目的及意义 | 第13-14页 |
| 1.3 电主轴热特性的国内外研究现状 | 第14-15页 |
| 1.4 本文研究的主要内容 | 第15-16页 |
| 1.5 课题来源 | 第16-17页 |
| 第二章 电主轴损耗与温度测试实验研究 | 第17-33页 |
| 2.1 电主轴的损耗实验 | 第17-20页 |
| 2.1.1 电主轴自动测试系统软件结构及原理操作 | 第18-20页 |
| 2.1.2 电主轴损耗样本数据 | 第20页 |
| 2.2 电主轴温度测试实验 | 第20-29页 |
| 2.2.1 温度检测装置 | 第20-24页 |
| 2.2.2 电主轴温度测试数据 | 第24-29页 |
| 2.3 电主轴温度影响因素分析 | 第29-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于遗传算法和神经网络的电主轴表面温度预测 | 第33-54页 |
| 3.1 基于BP神经网络电主轴表面温度预测模型 | 第33-35页 |
| 3.1.1 BP神经网络结构 | 第33页 |
| 3.1.2 BP神经网络学习过程与步骤 | 第33-34页 |
| 3.1.3 BP神经网络的局限性和不足 | 第34页 |
| 3.1.4 BP神经网络电主轴温度预测模型参数选择 | 第34-35页 |
| 3.2 基于RBF神经网络电主轴表面温度预测模型 | 第35-38页 |
| 3.2.1 RBF神经网络结构 | 第35-36页 |
| 3.2.2 RBF神经网络工作原理与学习步骤 | 第36-37页 |
| 3.2.3 RBF神经网络预测模型的参数选择 | 第37-38页 |
| 3.3 基于遗传神经网络的电主轴表面温度预测模型 | 第38-42页 |
| 3.3.1 遗传算法 | 第38页 |
| 3.3.2 遗传算法的实现 | 第38-40页 |
| 3.3.2.1 编码方法 | 第39页 |
| 3.3.2.2 适应度函数 | 第39页 |
| 3.3.2.3 选择操作 | 第39-40页 |
| 3.3.2.4 交叉操作 | 第40页 |
| 3.3.2.5 变异操作 | 第40页 |
| 3.3.3 遗传算法改进的BP神经网络电主轴温度预测模型 | 第40-42页 |
| 3.3.3.1 遗传算法与BP网络结合的可行性 | 第40-41页 |
| 3.3.3.2 遗传算法优化的BP神经网络模型的构建 | 第41-42页 |
| 3.4 样本数据预处理 | 第42-45页 |
| 3.5 三种预测模型预测结果分析 | 第45-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第四章 基于损耗实验电主轴内部温度场预测 | 第54-71页 |
| 4.1 电主轴生热机理 | 第54-59页 |
| 4.1.1 电动机发热分析与计算 | 第54-58页 |
| 4.1.2 轴承发热分析与计算 | 第58-59页 |
| 4.2 电主轴传热机制 | 第59-62页 |
| 4.2.1 热传导的概念及传热的基本类型 | 第59页 |
| 4.2.2 电主轴主要传热机制 | 第59-62页 |
| 4.3 基于有限元 150MD30Y20电主轴温度场预测模型 | 第62-64页 |
| 4.3.1 ANSYS热分析的基本步骤 | 第63页 |
| 4.3.2 有限元温度场模型 | 第63-64页 |
| 4.4 150MD30Y20金属电主轴温度场分布 | 第64-67页 |
| 4.5 改善温度分布措施 | 第67-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第五章 结论 | 第71-73页 |
| 5.1 结论 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 作者简介及攻读期成果 | 第78-79页 |
| 致谢 | 第79-80页 |
