论文目录 | |
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| · 绪论 | 第10-18页 |
| · 课题提出的背景及研究意义 | 第10-11页 |
| · 本课题提出的背景 | 第10页 |
| · 课题的研究意义 | 第10-11页 |
| · 数控机床热误差补偿技术的研究内容 | 第11-12页 |
| · 国内外机床误差补偿技术的研究状况及其发展趋势 | 第12-15页 |
| · 数控机床热误差补偿所面临的主要问题 | 第15-16页 |
| · 本文的主要研究内容 | 第16-17页 |
| · 本章小结 | 第17-18页 |
| · 数控机床温度及热误差检测 | 第18-32页 |
| · 实验设备 | 第18页 |
| · 数控机床 | 第18-22页 |
| · MDV-55数控机床结构特点 | 第18-19页 |
| · 数控机床的热源分析 | 第19-20页 |
| · 数控机床主轴热误差分析 | 第20-22页 |
| · 数控机床的温度与热误差检测系统 | 第22-26页 |
| · 温度与热误差检测系统的总体结构和检测原理 | 第22-23页 |
| · 温度与热误差检测系统的硬件组成 | 第23-26页 |
| · 数控机床温度场和热误差检测实验 | 第26-31页 |
| · 数控机床的温度场检测 | 第27-28页 |
| · 数控机床的热误差检测 | 第28-31页 |
| · 本章小结 | 第31-32页 |
| · 数控机床的热关键点辨识研究 | 第32-46页 |
| · 测温点的优化方法 | 第32-33页 |
| · 基于模糊C均值聚类方法(FCM)的机床热关键点辨识 | 第33-36页 |
| · FCM聚类算法概述 | 第33-34页 |
| · 基于FCM的数控机床热关键点辨识 | 第34-36页 |
| · 基于灰色-模糊聚类的机床热关键点辨识 | 第36-42页 |
| · 灰色-模糊聚类算法概述 | 第37-39页 |
| · 基于灰色-模糊聚类算法的数控机床热关键点辨识 | 第39-42页 |
| · 基于粒子群算法的机床热关键点辨识 | 第42-45页 |
| · 粒子群算法概述 | 第42-45页 |
| · 基于粒子群算法的机床测温点优化 | 第45页 |
| · 本章小结 | 第45-46页 |
| · 数控机床热误差补偿建模技术研究 | 第46-78页 |
| · 基于神经网络建模 | 第46-51页 |
| · 人工神经网络概述 | 第46-50页 |
| · RBF神经网络 | 第50-51页 |
| · 基于RBF神经网络的机床热误差补偿建模实例 | 第51-56页 |
| · 基于FCM聚类和神经RBF网络的机床热误差补偿建模 | 第52-53页 |
| · 基于灰色-模糊聚类和RBF神经网络的机床热误差补偿建模 | 第53-55页 |
| · 补偿结果分析 | 第55-56页 |
| · 基于最小二乘支持向量机(LS-SVM)的机床热误差补偿建模 | 第56-58页 |
| · 最小二乘支持向量机 | 第56-58页 |
| · 基于最小二乘支持向量机的机床热误差补偿建模实例 | 第58-65页 |
| · 基于FCM聚类和最小二乘支持向量机的机床热误差补偿建模 | 第58-59页 |
| · 基于灰色-模糊聚类和最小二乘支持向量机的机床热误差补偿建模#50 | 第59-61页 |
| · 基于粒子群优化算法和最小二乘支持向量机的机床热误差补偿建模 | 第61-64页 |
| · 补偿结果建模分析 | 第64-65页 |
| · 基于多元非线性回归的机床热误差补偿建模 | 第65-76页 |
| · 多元二次非线性回归 | 第66-70页 |
| · 多元三次非线性回归 | 第70-76页 |
| · 机床热误差补偿建模总结 | 第76-77页 |
| · 本章小结 | 第77-78页 |
| 结论 | 第78-80页 |
| 参考文献 | 第80-85页 |
| 攻读硕士学位期间发表学术论文情况 | 第85-86页 |
| 致谢 | 第86-87页 |
