齿轮是工业制造领域的核心关键基础件,高速干切滚齿机又是用于生产小模数、高精度齿轮的重要设备,其加工精度的提高对我国工业现代化进程的发展有十分重要的意义。高速干切滚齿机在加工过程中,由于其使用高压空气代替切削液冷却的方式散热,而空气的导热性能又较差,这不可避免的导致在切削过程中产生的大量热量不能被及时的扩散到周围环境中而使得机床主要构件受热传导、热辐射影响而产生温度梯度分布不均匀的情况,进而导致不规则的热变形。热变形又会使得滚齿机滚刀与齿坯之间x轴方向的距离发生变化,从而影响滚刀切齿时的切削量而产生热误差,使得齿轮加工精度下降。在分析了干切滚齿机热误差产生、发展的原理后,文本首先提出了一种能够根据滚齿机制齿过程中产生的热变形进行及时检测的直接检测法,并在直接检测法的基础上设计了一套对检测到的热误差进行补偿的补偿装置。但考虑到直接检测法需要通过在机床上安装特定的检测装置,并需要在特定的检测位置对滚刀刀架到工件之间的距离进行检测,而检测环节又不可避免的会打乱生产节拍,降低生产效率,同时在床身安装检测装置也会提高机床成本,加大加工难度。所以,针对直接检测法的不足,我们又结合神经网络模型,通过建立机床表征信号与使用直接检测法检测得到的制齿过程中热变形状态之间的映射关系,使得在后续加工过程中,通过实时采集机床表征信号并处理后输入已经训练好的数学模型从而计算得到相应热变形状态,进而做出补偿决策。对此,我们以某型号干切滚齿机为研究对象,通过信号采集-特征提取-建立模型-设计补偿系统的研究思路对干切滚齿机加工过程中的热误差进行实时监测与补偿方法的研究。主要研究内容如下:(1)通过分析高速干切滚齿机热误差产生和发展原理,结合干切滚齿机热变形直接检测法设计制齿过程中表征信号-时间维度数据和热变形-时间维度数据。(2)对机床表征信号进行数据清洗后,使用时域、频域、时频联合域分析方法对清洗后的信号数据进行处理,得到包含温度数据在内的36个能够表征原始信号数据的特征数据集。(3)分析传统BP神经网络的特点,结合所提特征数据集和热变形状态建立干切滚齿机热误差BP神经网络模型,并通过测试数据集得到该模型准确率为82.39%。(4)分析当下热门深度自动编码器和卷积神经网络这两个深度学习模型,前者结合特征数据集,后者结合电流时域&温度信号共同组成的原始信号特征图,建立了对应的干切滚齿机热误差实时监测深度学习模型,并通过结果对比得到在本研究中,CNN模型准确度要高于DAE模型。(5)结合干切滚齿机热误差监测CNN模型,使用C#编写上位机,设计了热误差补偿系统。该系统能够通过实时处理制齿过程中的机床表征信号输入热误差检测模型并做出补偿决策,通过FANUC数控系统的FOCAS程序包编写程序将补偿值写入数控系统并修改加工参数实现热误差补偿。