基于改进BP神经网络的管外测量原油含水率研究

为解决多种因素对电磁电导法原油含水率测量准确性的影响,利用改进的BP神经网络处理温度、矿化度、传感器输出电压与含水率之间的关系。在电磁电导法采集数据的基础上,分别用启发式改进方法和数值优化BP算法预测了原油含水率,两种改进的BP算法均提高了预测原油含水率的精度和算法的收敛速度,而Fletcher-Reeves修正算法比自适应学习率动量梯度算法具有更好的效果,为设计智能化管外在线测量原油含水率仪表提供了理论和实验依据。     

基于神经网络的宏/微双驱动运动平台误差预测及补偿技术研究

宏/微双驱动平台是一种用于微切削加工的高精度切削平台,其定位精度受多种因素影响。为提高宏/微双驱动定位运动平台的定位精度,提出基于BP神经网络进行宏/微双驱动运动平台定位误差预测的方法。测量运动平台的定位精度,从而建立BP神经网络误差预测模型,并运用该模型对宏/微双驱动运动平台进行定位误差预测试验,最终证明BP神经网络定位误差预测模型精度高、抗变换性能好,适用于对宏/微双驱动运动平台的定位误差进行误差预测及补偿,使得宏/微双驱动平台达到10nm级精度设计要求。     

寄生式时栅传感器动态测量误差的贝叶斯建模

为了提高寄生式时栅传感器的测量精度,分析了它的工作原理和动态误差组成,得到其主要误差分量为常值误差、周期误差和随机误差等。针对寄生式时栅误差特点,建立了寄生式时栅动态误差高精度预测模型,并与其他建模方法进行了比较。选用插入标准值的贝叶斯预测模型,以实际测量的传感器第一个对极动态误差数据进行建模,在后续对极特定位置插入部分实际误差测量数据,建立误差预测模型,预测了传感器后83个对极的动态误差。另选用三次样条插值和BP神经网络建模方法对寄生式时栅整圈动态误差建模,并与建立的误差模型进行了对比。验证实验表明,三次样条插值建模时间最短(0.62s),但其建模精度不高(16.050 0″);贝叶斯动态模型建模时间(0.86s)略长于三次样条插值,但建模精度最高(0.415 3″);BP神经网络建模时间最长(32min),但建模精度最低(19.680 2″)。同时贝叶斯插入标准值建模方法所需数据点(69395个)远少于三次样条和BP神经网络建模数据点(235526个),节省了大量的标定时间和建模数据量,因此可用于寄生式时栅传感器的动态测量误差高精度建模修正。     

基于IA-PSO-BP模型的电主轴热误差预测方法

针对电主轴在运作时因为温升而产生热误差的问题,提出一种基于免疫粒子群优化BP神经网络（IA-PSO-BP）的电主轴热误差预测模型。通过测量电主轴在工作过程中的温升以及热位移,获取建立预测模型所需的数据,使用IA-PSO-BP模型在MATLAB中建立热误差预测模型,并与未经过优化的BP神经网络所建立的模型进行测试对比。结果显示,经过优化的BP神经网络对热误差的补偿能力高达98.4%,和当前工程常用的BP神经网络相比,平均预测误差下降了62.6%,预测误差的均方差下降了66.4%,可见其预测精度得到了显著提升。     

BP网络在阻抗式原油含水率测量仪中的应用

阻抗法测原油含水率时,测量结果受温度影响很大.由于含水率与温度之间具有复杂的非线性关系,因此很难建立精确的温度补偿模型.针对该问题,建立一个BP神经网络模型,并将其用于原油含水率的测量.现场实验表明:当温度变化时,该方法提高了原油含水率的测量精度,具有一定推广价值.     

原油含水率测量温度-矿化度简化补偿模型研究

电容法在原油含水率在线测量领域有广泛应用,然而其测量精度容易受到温度与原油中水的矿化度影响.为量化温度与矿化度对原油含水率测量的影响,提高测量精度,设计了一套基于PCAP01芯片的原油含水率测量系统,通过多项式拟合获得了温度-电容与矿化度-电容的独立补偿模型,结合温度-矿化度-介电常数补偿函数,建立了带有电极保护套的电...     

加工精度在线检测系统预行程误差预测与补偿

预行程误差的预测和补偿能够大大提高加工精度在线检测系统的测量精度.提出了一种基于BP神经网络的检测误差预测新方法,建立了一个基于BP神经网络的在线检测系统预行程误差预测模型,通过实验数据对该网络进行训练,并将训练好的神经网络应用到实际加工零件的误差预测和补偿.为了验证该方法的有效性,以一圆柱零件的圆度误差检测为例,对其加工精度的在线测量进行了预行程误差的预测与补偿,经与CMM检测结果的对比,说明了该方法的有效性.     

考虑电控数据的LSTM神经网络进给轴热误差建模

针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性.     

考虑电控数据的LSTM神经网络进给轴热误差建模

针对进给轴热误差建模中忽略电控数据和时间序列影响的问题,提出一种考虑温度变化与电控数据的长短期记忆(Long-Short Term Memory,LSTM)神经网络热误差预测模型.以三轴立式加工中心为试验对象,首先对进给轴进行热变形分析,再以温度变化、电控数据为输入样本,建立了LSTM神经网络热误差预测模型,随后通过与仅考虑温度变化的LSTM神经网络,以及同时考虑温度变化与电控数据的BP神经网络进行对比分析,试验论证表明,对数控机床进给轴进行热误差建模时,在考虑温度变化的基础上,进一步考虑电控数据可以提高模型的预测精度和鲁棒性,且在同样输入条件下,LSTM神经网络热误差预测模型相较于BP神经网络有更好的预测精度和鲁棒性.     

磨齿机在机检测系统的测头综合预行程误差建模

因为测头预行程误差的存在,现有研究大都考虑单项或双项影响因素进行误差补偿。然而多次的实验统计表明,由于接触式测头的各向异性,导致信号传输迟滞、检测速度、测球半径、测杆长度、测头重力及测球表面测点法矢等因素都会对检测信号的触发时机产生影响,因而存在测头综合预行程误差,故而很难进行精确补偿。借助BP神经网络的高效逼近算法,利于求解输入为多项误差影响因素场合的测量误差输出问题,有效提高在机检测精度。根据自主研发卧式磨齿机L300G在机检测原理,以多项误差影响因素为输入节点,以测头综合预行程误差为输出节点,建立基于BP神经网络的测头综合预行程误差预测模型。完成误差补偿后,开展磨齿机标准样板齿轮在机检测实验。结果表明：误差补偿前后,齿向精度均为4级;误差补偿后,齿形精度提高2个等级,为4级精度,与格里森检测结果相吻合。结果验证了模型的正确性,有望在国产低成本磨齿机的高精度在机检测系统中推广使用。     

凸轮廓形误差力位融合预测与补偿控制研究

廓形误差是凸轮最重要的精度指标,由于磨削过程复杂,廓形误差通常通过离线抽检获得,难以实现在线补偿控制。提出了一种基于BP神经网络与镜面补偿凸轮磨削力-伺服滞后信息融合廓形误差预测、补偿方法。通过对凸轮磨削过程中影响廓形误差的主要因素分析,将X轴跟随误差、C轴跟随误差、磨削力三项传感器信息作为输入特征,凸轮廓形误差作为输出特征,利用BP神经网络的逼近性能和全局最优特性,建立了凸轮廓形误差预测模型,并提出了凸轮廓形误差镜面补偿方法。进行了预测模型训练与补偿验证,结果表明,该方法能够有效预测凸轮廓形误差,并提高凸轮加工廓形精度。     

数控机床热误差灰色神经网络补偿应用研究

针对数控机床热误差建模补偿的问题,提出了灰色神经网络建模补偿的新方法。首先利用机床的温度值建立了机床热误差的灰色系统预测模型,再由灰色模型预测值得到的残差建立神经网络预测模型。结合灰色系统和神经网络的优点,建立了一种新的灰色系统和BP神经网络组合热误差预测模型。最后以实测数据建模说明了灰色神经网络模型预测效果明显优于各单项模型,方法优异的预测性能对于具有复杂成分的动态数据序列的机床热误差建模也适用。     

磁力仪温度误差的径向基神经网络补偿模型

磁通门磁力仪参数受温度影响明显,直接影响传感器测量精度,需要研究补偿方法,提高测量精度。采用无磁高低温试验箱测量磁通门传感器温度特性;提出基于径向基神经网络的温度误差补偿方法,分别建立磁通门磁力仪零漂误差补偿模型和刻度因子误差补偿模型。结果表明,径向基神经网络能良好逼近磁通门传感器参数的温度特性;与BP神经网络相比,径向基神经网络在零漂补偿中训练时间更短,精度更高,重复性更好,零漂误差的抑制能力更强。补偿后,磁通门磁力仪零漂误差从7.105 5 nT减少到0.766 1 nT;刻度因子误差从6.3E-3减少到7.2E-5;测量值温度误差由213.6 nT补偿到9.1 nT。提出建立通用的温度补偿模型,在不同磁场环境下经过反复测试,采用训练过的模型补偿后,温度误差均降低一个数量级,提高了磁通门磁力仪温度性能和精度。     

基于数据驱动的松散回潮出口水分预测模型分析

为了改善松散回潮工序出口含水率控制精度低、水分波动大对香烟的生产带来的不利影响，采用Pearson相关性分析法筛选出松散回潮机出口含水率的主要影响因素，并将其作为模型的输入，然后基于现场生产数据驱动分别采用主元回归分析法、主元神经网络法以及BP神经网络法建立烟叶出口含水率的预测模型。基于某卷烟厂某牌号的生产数据对3种预测模型的预测控制效果进行检验，结果表明：3种模型含水率预测结果与实际值的平均绝对误差均在0.2%以内，主元神经网络预测模型输出结果与真实值的平均相对误差为0.81%，优于主元回归和BP神经网络预测模型。研究结果对于提高松散回潮工序烟叶出口含水率的控制精度有一定的指导意义。     

接触式轴孔内径在线测量中测头系统误差分析

为提高轴孔内径在线测量精度,分析了接触式测量过程中,测头半径误差与测头预行程误差对测量结果的影响以及其补偿方法。针对测量过程中测头半径误差,通过计算被测点的法矢,可进行有效的测头半径误差补偿;提出了基于BP神经网络的预行程误差预测模型,根据标准球实际测得的预行程误差,在对所建立的神经网络训练的基础上,对触发式测头在不同法矢上的预行程误差进行预测,并将预测结果与标准球相应的实际测得的结果进行比较,比较结果验证了该预行程误差预测模型的有效性。     

基于遗传算法优化灰色神经网络的机床主轴热误差建模研究

针对机床主轴热性能对加工精度产生影响的问题,对机床主轴热误差建模方向进行了试验研究。以数控磨床主轴为研究对象,通过热特性试验获得了阶梯转速下的温度变化数据和热误差数据,对温度数据进行了模糊聚类分组,并采用相关系数法选出了温度敏感测点;通过对灰色神经网络初始参数进行优化,建立了遗传算法(GA)优化的灰色神经网络热误差预测模型;在该模型中,以灰色神经网络的预测输出和实际值的绝对误差作为遗传算法适应度函数,以平均相对误差作为预测模型的评价标准,并与灰色神经网络、BP神经网络预测结果进行了对比。研究结果表明:该预测模型具有更高的预测精度,通过GA对灰色神经网络的初始参数进行优化,可有效地提高网络的预测精度,更好地用于热误差补偿系统。     

基于遗传算法优化小波神经网络数控机床热误差建模

数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。     

一种消除周期性毛刺相位误差的互补格雷码双 N 步相移法

互补格雷码双 N 步相移法因其具有鲁棒性好、检测精度高等特点在条纹投影轮廓术领域成为研究热点。 然而,传统互 补格雷码双 N 步相移法存在检测效率低以及未消除周期性毛刺相位误差的问题。 针对这些问题,本文对传统互补格雷码双 N 步相移法进行改进消除周期性毛刺相位误差,首先通过相机捕获形变条纹图像并计算出两组截断相位,然后利用两组截断相位 的相关性消除检测数据中的相位差、周期性毛刺相位误差,再对两组截断相位进行融合,最后通过互补格雷码相位展开法对融 合后的截断相位进行相位展开。 实验得出本文方法在检测效率不变的情况下,能有效消除周期性毛刺相位误差,得到高精度展 开相位,相比于未消除周期性毛刺相位误差的互补格雷码双 N 步相移法,本文检测方法精度提高了约 24. 57% ,相比于互补格 雷码 N 步相移法,本文检测方法精度提高了约 6. 29% 。     

基于混合粒子群算法优化BP神经网络的机床热误差建模

为了降低机床热误差对主轴加工精度的影响,采用了混合粒子群算法优化BP神经网络结构,并对优化结果进行实验验证.引用了粒子群算法耦合遗传算法,给出BP神经网络结构简图,通过混合粒子群算法优化BP神经网络结构.构造机床热误差优化目标函数,采用混合粒子群算法优化目标函数,给出了混合粒子群算法优化BP神经网络流程图.建立BP神经网络热误差预测模型和BP神经网络热误差优化模型,采用三轴立式铣床对两种预测结果进行实验验证.实验结果表明:采用BP神经网络热误差预测模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为6.9μm和6.7μm;采用BP神经网络热误差优化模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为3.3μm和3.5μm.采用混合粒子群算法优化BP神经网络结构,能够提高机床热误差预测精度.     

基于LS-SVM的机床加工误差预测模型探讨

提出一种基于最小二乘支持向量机(LS-SVM)的机床加工误差回归模型和预测方法,给出了相应的步骤和算法.通过与BP神经网络和RBF神经网络预测方法比较,仿真结果表明,在较少的误差数据条件下,该模型能够有效的描述和预测加工误差的变化,且模型预测误差比神经网络模型小60%左右;应用该预测模型预测机床加工误差有更高的预测精度,对其实施补偿和控制,将有效提高机床的加工精度.