摘要: 误差补偿法使用软件技术，具有低成本、易实现等特点，因此成为提高数控机床加工精度的重要方法。近年来，国内外广大的专家均获得了一定程度的进展，但是，误差补偿模型的精确构造仍然是影响着误差补偿效果最主要的原因，成为数控机床加工精度的瓶颈... 展开 误差补偿法使用软件技术，具有低成本、易实现等特点，因此成为提高数控机床加工精度的重要方法。近年来，国内外广大的专家均获得了一定程度的进展，但是，误差补偿模型的精确构造仍然是影响着误差补偿效果最主要的原因，成为数控机床加工精度的瓶颈。热误差数据具有相关性和非线性等特点，目前使用的最小二乘法很难对其进行有效拟合，针对最小二乘法处理具有相关性和非线性数据中的不足，为了提高数学模型的精确度，利用BP神经网络对非线性数据进行拟合，利用粗集理论对相关数据进行简化，可以有效解决误差补偿法中数学模型的精确建立，由于BP网络在学习过程中易陷入局部最优值的特点，结合蚁群算法对网络进行学习达到全局最优值，提出了基于粗集理论、蚁群算法和BP神经网络的数控机床热误差补偿法。 本文主要任务如下： 分析了粗糙集理论、蚁群算法和人工神经网络的基本知识以及在误差补偿中的应用，对三者的结合做了细致的剖析。分析了数控机床的误差源，鉴于误差源之间的耦合特性，提出了利用粗集理论对误差源输入特性进行约简。针对BP网络在学习的过程中容易陷入局部最优值和迭代次数多等缺点，利用蚁群算法对BP网络的初始权值和阈值进行赋值，从而提出了基于蚁群学习算法的新型网络学习方法，最后把学习到的规律应用到数控机床中去。 本文的创新贡献如下： 1、通过利用粗集理论约简BP网络的输入变量个数，使得简化了网络的结构，网络的工作效率得以提高，与此同时，硬件的安装也变得便捷，成本降低。 2、利用蚁群算法来训练BP网络，BP网络的训练次数较大缩短，网络的预测精度得到较大提高。 3、把蕴藏在权值和阈值中的规律以机床可以识别的语言嵌入到机床中去，具有实际应用价值。 收起