基于指令域大数据的零件尺寸预测方法

针对机械加工零件的尺寸误差人工检测效率低和在机检测成本过高的问题,提出了一种尺寸在线预测方法。基于指令域分析方法,通过在加工过程中获得的数控系统内部指令域大数据,结合实际加工参数与加工后测量的尺寸误差建立起非线性映射模型,该模型基于LM-BP神经网络与RBF神经网络学习实现零件尺寸误差的预测。最后进行对比研究,两种建模方法均能达到很好的预测效果。该方法适应加工参数发生变化的生产环境,能够对被加工零件尺寸误差进行自适应预测。     

改进支持向量机在SLA 3D打印模型尺寸误差预测的应用

采用SLA 3D打印机打印不同参数的同一模型,测量成型件模型尺寸参数,并利用改进的LSSVM模型对不同参数的成型件尺寸误差进行预测。首先分析主要影响SLA 3D打印模型质量的原因,确定四个主要因素:叠层厚度,模型摆放角度和支撑密度,接触点大小。设计试验,采用SLA 3D打印机在此参数下打印,再对打印成型件进行测量确定成型件尺寸信息及尺寸误差,基于已有数据建立改进的LS-SVM模型对不同打印参数下的成型件的尺寸误差进行预测。结果表明模型预测正确率达到92.6471%,改进的LS-SVM相较于原寻优方法及BP神经网络对SLA 3D打印尺寸误差预测有良好的效果。     

基于SOA-LSSVM的SLS成形工艺参数优化研究

为提高选择性激光烧结( SLS)成形精度,解决工艺参数优化试验成本高等问题,选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度5个工艺参数设计正交试验以获得样本数据并建立统一目标函数。采用人群搜索算法(SOA)优化最小二乘支持向量机(LSSVM), 建立基于SOA-LSSVM的SLS成形件精度预测模型;预测不同工艺参数组合下制件的统一性能,并与采用传统BP神经网络和LSSVM模型获得的预测结果进行对比。结果表明：SOA-LSSVM模型针对小样本预测问题具有良好的泛化能力,预测值与实际值的最大相对误差仅为1.11%,可为SLS加工参数组合的选择提供参考。     

激光切割参数对304不锈钢薄板切割质量的影响研究

为了对激光切割质量进行预测和尺寸补偿,以激光切割速度、激光功率和焦距因素作为自变量,选择尺寸误差、熔化氧化层尺寸和切割面粗糙度作为加工质量指标,进行了正交试验,建立了激光切割工艺参数与质量指标的回归模型。并试验验证了该模型的可靠性,通过该回归模型预测了尺寸误差值,并进行了尺寸加工量补偿,最终使加工误差减小。     

脉冲PAW快速成形焊缝尺寸的预测模型

介绍了一种基于脉冲等离子焊接快速成形的方法,并采用Taguchi法对单道成形试验进行了合理设计,从而获得了多组焊接工艺参数下的熔宽和余高数据.通过遗传算法（GA）结合BP神经网络的方法建立了等离子焊接快速成形的预测模型,该模型预测了不同焊接成形工艺参数下单道成形的熔宽和余高.结果表明,通过误差分析和线性回归的方法验证了模型具有较高的预测精度和泛化能力,能够合理的预测焊道尺寸,并能推广到多层多道堆积成形尺寸的预测.     

焊接成形中焊接参数的选取与焊缝尺寸的预测

通过TIG堆焊试验,获取了在一定焊接参数下成形焊缝的熔宽、余高尺寸数据.建立了双BP神经网络模型:模型1,由焊接参数预测焊缝尺寸;模型2,由焊缝尺寸预测焊接参数.可先通过模型2预测一定尺寸的焊缝所对应的焊接参教,对预测的焊接参数作适当调整后再输入到模型1中,检验该焊接参数条件下获得的焊缝尺寸是否符合要求.可以利用此双模型选取合适的焊接参数来对焊缝尺寸进行控制,取得了较好的试验效果.     

基于PSO-BP算法的3D打印制件精度预测模型

针对选择性激光烧结(SLS)中制件精度和工艺参数难以选择的问题以及BP神经网络本身缺陷,提出一种利用粒子群算法优化的BP神经网络建立SLS烧结件精度预测模型的方法。首先根据SLS成型工艺的特点,分析影响成型件精度的因素,通过实验获得不同激光功率、扫描速度、扫描间距和分层厚度条件下多组成型件精度数据,并采用多目标函数优化的单目标化思想优化目标函数,然后通过粒子群算法优化BP神经网络。用优化后的最优解作为BP神经网络算法的初始权值和阈值,利用MATLAB建立优化后的BP神经网络预测模型,对优化后的精度函数模型进行预测分析,并与传统BP神经网络获得的预测结果进行对比。结果表明:粒子群优化的神经网络模型具有良好的全局搜索能力和收敛性,精度预测更加准确,对SLS打印制件具有一定的指导作用。     

基于PSO-SVM模型的油气管道内腐蚀速率预测

目的针对油气管道的运行安全问题,建立油气管道内腐蚀速率预测新模型,对管道的内腐蚀状况进行准确预测。方法首先对内腐蚀的原理进行简单分析,探讨引起管道内腐蚀的主要原因。对PSO(粒子群算法)、SVM(支持向量机)以及PSO-SVM模型的原理及结构进行探讨,结合文献中获取的管道内腐蚀数据,使用PSO算法对SVM算法的参数C和g进行寻优。在此基础上,对Sine函数、Sigmoidal函数和Radial basis函数三种核函数进行对比优选。最终将PSO-SVM模型与GA-SVM模型、CV-SVM模型、LS-SVM模型和FOA-SVM模型四种模型进行预测误差对比,以此证明PSO-SVM模型的先进性。结果当SVM算法的参数C=83.9243、g=0.6972,核函数选择Sine函数时,PSO-SVM模型的平均绝对误差和均方根误差最小,平均绝对误差和均方根误差分别为0.58%和0.000618,但是该模型在使用的过程中,其训练数据所使用的时间为11.26 s,与GA-SVM模型、CV-SVM模型、LS-SVM模型和FOA-SVM模型四种模型相比,其预测误差较小,但训练数据所使用的时间较长。结论利用PSO-SVM模型对油气管道内腐蚀速率进行预测是可行的,预测误差相对较小,但是由于受限于数据训练速度问题,今后仍需要对该领域进行深入研究。     

基于BP神经网络的电弧熔丝增材制造数据库系统

通过对电弧熔丝增材制造(Wire and arc additive manufacturing，WAAM)单道焊缝试验数据的分类整理，分析用户需求和使用需要，基于python编程语言下的Django框架，采用B/S架构开发了一个电弧熔丝增材制造数据库系统。试验结果表明，该系统采用数据库与算法预测模型结合的方式开发而成，主要设置了用户权限管理、基本打印数据和焊缝形貌预测三大模块，具有存储扩展打印试验数据功能和预测未知工艺参数下焊缝形貌的功能。不同的打印工艺方法引入不同的BP神经网络结构，使用时数据库系统自动读取库内已有的算法模型或根据已有的试验数据训练新的模型，之后录入试验数据会自动对模型重新训练，实现随数据库内试验数据扩展或修正自动适应的参数预测，能够预测未知工艺参数下的焊缝形貌尺寸。最后，基于MIG工艺设计了1组验证试验对数据库的预测功能效果进行检验，熔宽预测误差为1.3%，余高预测误差为1.5%，说明了数据库系统预测功能的可行性。 创新点： 将传统数据库的数据分类存储功能与预测算法相结合，充分发挥了已有试验数据的价值，并且集成了不同试验材料、焊接工艺方法等数据构建算法模型，实现了多种试验条件、焊接工艺方法下的焊接工艺参数预测功能。     

融合机床加工特性的主轴回转误差预测

针对机械制造装备主轴精度补偿问题,研究一种融合机床精度和加工参数的主轴回转精度预测方法。为获取主轴回转精度指标,研究基于多点测量的主轴实际回转位置测量方法,利用最小二乘法求解主轴端面跳动的最大圆、最小圆和最优圆,进一步得到端面圆度的极大误差和极小误差。建立BP神经网络模型,融合机床精度因素、加工精度因素获得输入指标,将极大误差、极小误差和其余实测指标作为输出指标,训练神经网络,获得网络权值。验证机床主轴回转预测精度,实验结果表明:已训练的网络预测偏差为0.5%。考虑机床本体精度和加工参数的误差预测结果可指导工程技术人员进行机床选型,根据不同加工要求选择最优加工方式,提高加工质量。