基于灰色线性回归组合模型的机床热误差建模方法

为了控制机床热误差和提高机床加工精度,考虑到测得的热误差数据同时存在着线性和非线性因素,提出了采用具有处理线性和非线性能力的灰色线性回归组合热误差模型的建模方法.用此方法对某卧式加工中心热误差进行了建模和预测,并引入BP神经网络对热误差模型的残差进行修正,从而获得了比较准确的热误差预测值.与用指数函数来模拟生成数据的灰色模型所获得的预测值进行了比较,证明了灰色线性回归组合及BP神经网络模型在机床热误差补偿建模应用中的优越性.     

基于热态信息挖掘的机床主轴系统热误差建模方法研究

针对数控机床热误差建模问题,通过对精密卧式加工中心主轴系统热变形数据特征进行分析,提出了一种利用均值理论进行数据分类、利用粗糙集理论进行数据挖掘和利用线性回归分析构建误差模型的机床热误差建模方法.该方法首先进行机床主轴的热误差实验,利用传感器同时检测机床主轴所选各检测点的温升和主轴轴端的热变形,然后利用均值理论和粗糙集理论对获得的数据进行分类和数据挖掘精简,最后通过线性回归分析进行热误差建模.为了评价所建模型的有效性,将所建模型与BP神经网络模型进行了对比,结果表明这种基于热态信息挖掘的热误差建模方法在机床主轴热误差预测方面有较高的准确性和实用价值.     

基于神经网络模型的高架轨道噪声烦恼度预测

为了准确高效预测高架轨道噪声居民主观烦恼度,建立BP神经网络模型并对其进行优化,并对BP神经网络模型的训练和检验结果进行相关性分析,结果表明该模型具有很好泛化能力和学习能力。相较于多元线性回归,BP神经网络模型更适合应用于高架轨道交通噪声的烦恼度预测。将建立的烦恼度预测模型与通过仿真得到的噪声数据结合,可以为高架轨道交通噪声居民主观烦恼度的评估提供新的方法。     

基于PSO-BP神经网络的关节臂式坐标测量机长度误差补偿

针对关节臂式坐标测量机(AACMM)长度误差补偿问题,分析了误差来源,通过实验确定了影响其测量长度的误差参数。引入BP神经网络对长度误差补偿模型进行了建模,并通过粒子群化算法对BP神经网络的权值和阈值进行全局寻优,克服了BP神经网络收敛速度慢和易陷入局部极值的缺陷。在不同输入参数的条件下测量标准尺,获得了误差补偿模型的训练样本。进行了长度误差补偿验证,补偿后误差均值减小了0.014 mm,使AACMM的测量精度提高了31.8%。     

被动式激光跟踪测量方法及其误差补偿技术

针对主动式激光跟踪仪跟踪测量系统复杂、研制成本高的问题,提出了被动式激光跟踪方法用于测量目标点的空间坐标。首先基于HTM方法建立被动式激光跟踪测量系统的误差分析模型,提出相关误差参数的检测方法,在对测量误差进行补偿后,被动式激光跟踪测量系统的空间坐标测量误差从550 μm降低为150.8 μm。为进一步提升测量精度,采集经误差补偿后的残余误差作为样本数据,利用BP神经网络对样本数据进行训练;利用训练好的BP神经网络模型对被动式激光跟踪测量系统的残余误差进行补偿,空间坐标测量误差从150.8 μm降低为51.6 μm。相较HTM误差补偿方法,HTM+BP神经网络模型的补偿效果提升了65.8%。     

基于神经网络的加速度计静态误差系数标定

利用具有强自学习性、自适应能力及非线性变换特性的神经网络方法,构造加速度计静态函数型神经网络模型,并用于对加速度计静态误差系数的标定。试验证明,利用该方法标定的系数结果具有高精度性,可较好地满足加速度计误差补偿的要求。     

自回归分布滞后模型在数控机床热误差建模中的应用

对多元线性回归模型、回归与残差AR叠合模型和自回归分布滞后模型3种热误差建模方法进行了介绍与比对分析。多元线性回归模型方法简单快捷,但因热误差呈非线性且具有互交作用,较难获得精确热误差数学模型。后两个模型均属时间序列分析方法,其优点是能够比较精确地建立热误差数学模型,两者的区别是叠合模型把参数估计分成两部分,而自回归分布滞后模型是统一估计参数,因此叠合模型的精度要低于自回归分布滞后模型精度,并通过实例验证,自回归分布滞后模型在精密数控机床热误差建模中具有较好的建模精度。     

基于模糊神经网络的接触式测头动态误差补偿

测头动态误差严重制约高精度坐标测量机发展,为此,提出基于模糊神经网络的测头动态误差补偿方法以提高测量精度.首先利用三坐标测量机测量标准球和标准环规得到训练样本和测试样本,然后分别使用训练样本和测试样本对接触式测头动态误差进行建模和补偿,最后与BP神经网络模型和静态误差模型进行比较试验.结果表明,经模糊神经网络模型补偿后误差从4.6μm减小至1.3μm,精度提升70%以上;模糊神经网络对测头动态误差具有更好的补偿效果和稳定性.证明模糊神经网络模型能够有效提高测头的动态测量精度.     

基于BP神经网络的传感器非线性补偿

由于传感器本身的非线性特性以及传感器在测量过程中外界环境因素的影响,使得传感器的输入输出特性呈现出非线性.讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.试验结果表明,应用神经网络对传感器的非线性进行动态补偿是一种行之有效的方法.     

基于BP神经网络的冷水机组能效预测方法

针对冷水机组能效物理模型及辨识模型结构复杂,模型参数难以获取等特点,提出了基于BP神经网络的冷水机组能效预测方法,并以某酒店离心式冷水机组为例,建立了其冷水机组能效预测模型,并利用实际运行数据对模型进行了训练及验证,同时介绍了该模型神经网络结构参数的设计及冷水机组能效预测方法实现过程,线性回归分析结果表明：提出的能效预测方法能够准确地预测冷水机组的能效,方法简单、实用,具有一定的适用性。