基于人工神经网络的磨料水射流切削工艺建模

磨料水射流（AWJ）切割工艺已经被遍及世界的许多车间所采用，其优点广为人知。为了进行精密加工，如精密切割、铣削、钻孔和磨削等，必须精确预测AWJ的侵蚀深度。文章基于人工神经网络（ANN）对AWJ切割工艺进行建模。模型采用三层结构，输入变量有水射流压力、水喷嘴直径、磨料粒子粒度（直径）、磨料流量和切割头进给速度。输出量为AWJ的切割深度。样本数据在JJ-Ⅰ水射流切割机床上实验获取，A3钢样板作为切割试件。采用改进的BP算法和样本数据对建立的人工神经网络进行训练。训练好的网络以一定精度建立了AWJ切割工艺中各参数之间的映射关系。所建模型可以精确预测AWJ的切深。将该模型集成到AWJ切割机床的计算机数控器中，可以实现AWJ精密加工。     

基于人工神经网络的磨料水射流精密特种加工

磨料水射流是一种先进的绿色加工工具.为了获得较高的表面精度,必须精确控制水射流加工的各种工艺参数.一种可行的办法是建立水射流加工过程中的主要参数之间的非线性关系,通过加工速度的补偿来间接控制工件表面质量.本文基于人工神经网络理论,建立了水射流加工过程的神经网络模型.在获取大量样本数据的基础上,对网络模型进行训练.经过训练的水射流加工神经网络模型可以准确预测与给定压力、磨料流量、工件厚度、期望的表面粗糙度所对应的切割速度,实验验证获得满意结果.     

微磨料水射流三维加工的实验研究

对微磨料水射流技术三维加工进行了实验研究。实验采用特殊设计的微磨料水射流切割头,水喷嘴内径为127μm,聚焦管内径为300μm,碳化硅固体磨料粒子平均直径25μm。微磨料水射流切割头利用螺杆泵送原理直接将微细磨料主动送入切割头混合腔,通过水射流对磨料粒子加速、混合并经聚焦管喷出形成微磨料水射流。螺杆由步进电机驱动,通过控制步进电机转速来精确控制磨料流量。将切割头置于高精度四轴联动数控平台的刀架上,实现对工件的加工。研究表明,通过改变磨料流量可较好地控制微磨料水射流的能量密度。对特定材料,首先设定走刀速度,改变磨料流量就能获得不同的切割深度,实现微磨料水射流车削、磨削、铣削、雕刻等三维加工。微磨料水射流在半导体材料加工、微型电子机械制造以及光学器件生产上具有广阔应用前景。     

磨料水射流微细雕刻技术的研究

根据磨料水射流加工的特点，建立了磨料水射流加工的神经网络模型。用训练好的神经网络模型来预测给定加工条件下的进给速度，并根据加工路径和机床的特性对进给速度进行修正，并编写数控代码。通过控制水射流的进给速度来间接控制其刻蚀深度，同时获得加工轨迹的圆滑过渡，从而实现磨料水射流的雕刻工艺。本文以不锈钢为原材料，以JJ-I数控水射流机床为实验平台，根据机床的特性手工编程，成功雕刻出微型摩托车图形。     

基于免疫遗传算法的煤与瓦斯突出预测研究

根据影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂的非线性映射关系,建立了突出强度预测的BP网络模型.针对BP网络收敛速度慢和易陷入局部极小值及基于遗传算法的BP网络易出现未成熟收敛问题,提出了一种基于免疫遗传算法(IGA)的BP网络,即利用IGA实现对BP网络的优化.IGA在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.结果表明:将基于IGA的BP网络应用于煤与瓦斯突出强度预测,该算法设计的BP网络具有较快的收敛速度和较强的全局收敛性能,在煤与瓦斯突出预测中取得了良好效果.     

磨料水射流在大理石切割中的应用

使用石榴石磨料，在高压磨料水射流数控切割机床上，研究了切割参数（压力、靶距、切割速度）对大理石切割性能（切口宽度、切口锥角、余纹角度）的影响. 结果表明：切割速度越大，余纹角度越大；压力越大余纹角度越小，靶距对余纹角度影响不大，余纹曲线相互之间大体平行，且不规则；锥角与喷嘴切割速度成正比，与系统压力和靶距成反比，即欲得到较小锥角需采用小的速度，大的系统压力，小靶矩；切割缝隙宽度与压力、速度成反比，与靶矩成正比.     

高新技术产业园区发展指标的神经网络预测

针对目前普遍应用的BP算法存在学习速度慢和容易陷入网络瘫痪的缺陷,建立基于单参数动态搜索算法的快速人工神经网络模型,具有更快的收敛速度和更高的训练精度.应用该模型对浙江省各高新技术产业园区的发展指标进行预测,取得理想效果.     

高强混凝土强度的人工神经网络预测

为了在多因素作用下更为准确地预测高强混凝土的抗压强度,采用了人工神经网络中的BP网络模型及其学习算法,基于MATLAB神经网络工具箱对文献中高强混凝土的实测数据进行分析预测,并与回归分析方法计算的结果进行了对比,结果表明,人工神经网络在高强混凝土抗压强度的预测方面具有较高的精度,且明显优于回归模型.因此,神经网络方法是一种可以定量分析、简便易行、计算精度高、预测能力强的分析方法,用于高强混凝土抗压强度的预测是可行的.     

数控系统编程模型研究

为了实现数控系统互操作和跨平台集成,研究了基于Web服务的数控系统编程模型,分析了数控功能、数控网络编程技术和数控系统的Web服务实现等核心问题,构造了XML Sechema数控功能模型,提出了一种新的基于XML Web服务的数控系统编程模型,构建了包括服务请求层、服务提供层和服务监控层的该模型的系统体系,对每层的功能以及软件架构进行了研究,实现了数控系统应用层和设备层的Web服务开发.实验系统验证表明,基于Web服务的数控系统编程模型解决了数控系统的互操作性,支持互联网上异构系统的跨平台、跨地域无缝集成.     

基于ALE法的磨料水射流加工数值模拟

采用ALE(arbitrary lagrange-euler)算法建立了磨料水射流加工的仿真模型,模拟了从射流进入喷嘴到去除材料的加工全过程。工件采用Lagrange网格,磨料和水采用ALE网格,通过ALE和Lagrange网格的耦合算法实现射流对工件的侵蚀作用。通过给定ALE网格运动来定义射流的横移速度,从而减少了网格定义域。提出磨料的本构模型,通过定义初始ALE单元内两种材料的体积百分比实现磨料与水的均匀混合。仿真结果给出了一些加工参数对切割深度的影响规律,通过与实验数据的比较,验证了仿真模型和结果的正确性。     

高压磨料水射流切割低碳合金钢的试验研究

低碳合金钢广泛应用于压力容器、车辆、桥梁等工业设计之中,通过研究高压磨料水射流对低碳合金钢切割的影响,分析水射流切割特性对切割效果的影响,对提高切割效率及降低切割成本具有一定的参考意义。应用五轴联动数控水刀切割机,对低碳合金钢Q345B进行切割试验,分析了切割压力、靶距和横移速度对切割深度及切割宽度的影响。结果表明,随着切割压力增加,切割深度和切割宽度均有所增加;随着靶距的增加,切割深度先增大后减小,存在最佳靶距,可使切割深度最大而切割宽度逐渐增大;随着切割速度增加,切割深度及切割宽度逐渐减小,但其对切割宽度的影响较小。     

预测城市用水量的人工神经网络模型研究

为了提高多层前馈神经网络权的学习效率,引入变尺度方法来训练神经网络的权值,并根据训练误差自适应调整学习系数和动量因子.将该方法应用于城市用水量预测中,建立了非线性人工神经网络预测模型.该模型考虑了城市工业用水重复利用率、用水人口、经济发展等众多因素对用水量需求的影响,具备系统决策功能.杭州市预测实例表明,建立的模型及其相应计算方法具有较高的预测精度和准确度.     

电动汽车锂电池SOC预测方法研究

为有效地对电动汽车锂电池荷电分布状态(SOC)进行预测,在分析与电池剩余电量相关因数,对动力电池组进行不同工况充放电试验的基础上,建立电池组的神经网络仿真模型。提出基于BP神经网络的电池剩余电量预测模型,利用模型可逼近任何多输入输出参数函数的性能,系统通过样本训练达到较好的仿真结果。与实验结果对比,仿真结果与实验基本吻合,验证了该方法的正确性.     

Activated sludge process based on artificial neural network

0　ＩＮＴＲＯＤＵＣＴＩＯＮＴｈｅｄｅｓｉｇｎａｎｄｃｉｒｃｕｌａｔｉｏｎｏｆｗａｓｔｅｗａｔｅｒｍｉｃｒｏ ｂｉｏｌｏｇｉｃａｌｔｒｅａｔｍｅｎｔｈａｓｂｅｅｎｍｏｓｔｌｙｃａｒｒｉｅｄｏｕｔａｃ ｃｏｒｄｉｎｇｔｏｅｘｐｅｒｉｅｎｃｅｄａｔａｆｏｒｍａｎｙ ｙｅａｒｓ .Ｓｏｍｅｓｃｈｏｌａｒｓ (ｉ.ｅ .Ｗ .Ｗ .Ｅｃｋｅｎｆｅｌｄｅｒ ,Ｒ .Ｅ .Ｍｃｋｉｎｎｅｙ ,Ａ .Ｗ .Ｌａｗｒｅｎｃｅ ,Ｐ .Ｌ .ＭｃＣａｒｔｙａｎｄｓｏｏｎ)ｉｎｔｒｏ ｄｕｃｅｄｒｅａｃｔｏｒｔｈｅｏｒｙｏｆｃｈｅｍｉｃａｌｉｎｄｕ…     

基于Matlab的BP神经网络在大坝观测数据处理中的应用

建立大坝观测数据处理的BP人工神经网络模型,用正交变换法来初步优化设计大坝变形分析的模型结构.运用Matlab工具箱函数建立网络模型,选择合适的训练函数,并采用正则化的算法以缩小网络的规模,改进BP算法提高学习速度和算法的可靠性.实例表明,基于Matlab的神经网络优化设计能比较有效地避免BP网络的固有缺陷,在精度和训练速度上得到提高.     

Evaluation of dissolved oxygen in water by artificial neural network and sample optimization

Three important factors influencing directly the dissolved oxygen (DO) of river including the outflow, the water temperature and the pH, were used as input parameters to set up a BP neural network based on Levenberg-Marquant algorithm. The neural network model was proposed to evaluate DO in water. The model contains two parts: firstly, the learning sample is unified; secondly, the neural network is used to train the unified samples to ensure the best node number of hidden layer. The proposed model is applie...