超磁致伸缩执行器位移测试系统的误差分析

超磁致伸缩执行器位移测试系统是其性能研究的基础。为提高测试数据的准确性,以常用超磁致伸缩执行器位移测试系统为基础,给出了测试系统的误差来源,建立了温升、电源、测量、采集等因素的误差模型以及多因素影响下的误差合成模型。实验与计算结果表明:所设计超磁致伸缩执行器在输出位移为18μm时,位移采集、超磁致伸缩执行器驱动与温升造成的相对误差分别为0.56%、2.83%、3.28%,各因素合成后的相对误差为4.37%。     

基于磁致伸缩传感器的辊压机压下位移监测及误差补偿

考虑到辊压机工作时设备温度变化范围大、外界干扰强烈等特点,研究了基于磁致伸缩传感器的辊压机压下位移监测及误差补偿方法。通过理论分析和实验手段,对磁致伸缩位移传感器的精度影响因素进行研究。分析了磁致伸缩位移传感器的工作原理,结合传感器实际使用经验,确定外界环境干扰主要是使用环境温度的变化以及电磁干扰的影响,并通过理论分析磁致伸缩位移传感器受温度和电磁干扰的机理。使用最小二乘支持向量机补偿模型,针对温度变化和电磁干扰产生的误差进行补偿。实验研究结果表明,磁致伸缩位移传感器测量精度受使用环境温度和电磁干扰影响较大,使用本文研究的补偿模型后,可以减小温度和电磁干扰对传感器精度的影响。     

混沌-支持向量机在加工误差预测中的应用

提出将混沌-支持向量机模型方法应用于加工误差数据预测。利用互信息法和曹氏方法进行相空间重构,并运用小数据量法计算最大Lyapunov指数,对加工误差时间序列进行混沌识别。通过最小二乘支持向量机对历史样本的学习建立预测模型,并将其预测结果与RBF神经网络预测结果进行仿真对比。结果表明,在较少的加工误差数据条件下,该模型能够有效地描述和预测加工误差的变化,具有较高的预测精度。     

基于最小二乘支持向量机建模的电液伺服系统故障检测方法

基于最小二乘支持向量机建模的方法,研究了电液伺服系统的故障检测问题.介绍了基于最小二乘支持向量机进行建模的基本原理,分析了电液伺服系统所存在的非线性和故障模式,给出了基于最小二乘支持向量机建模进行故障检测的方法,试验结果表明,由支持向量机模型预测输出与实际输出相比较所形成的残差,能够准确地反映故障发生与否的情况;同时,与神经网络方法和普通的支持向量机方法相比,最小二乘支持向量机方法更适合工程应用,效果更好.     

基于Preisach磁滞理论的超磁致伸缩驱动器建模

超磁致伸缩驱动器具有响应快、输出应变大、机电转化效率高等优点,但因受超磁致伸缩材料内在的磁滞效应与磁-机耦合效应等因素影响,导致其输出位移存在较大滞环,大大降低了驱动器的输出位移精度,也影响了该材料及其致动器更广泛的应用。为了有效地设计和使用超磁致伸缩驱动器,需要建立准确描述其磁滞非线性的数学模型。在经典Preisach模型的基础上建立了超磁致伸缩驱动器的Preisach磁滞数值模型,并通过对Preisach限制三角形的离散划分,依赖大量实验数据辨识了该模型的参数,并进行了超磁致伸缩驱动器磁滞输出实验研究。实验结果表明：该Preisach磁滞模型能较好地描述准静态下超磁致伸缩驱动器的磁滞现象,对指导超磁致伸缩驱动器位移精度的提高具有一定意义。     

基于GA-LSSVR的铣削加工变形预测

为了解决传统预测方法铣削加工变形预测精度低等问题,文章提出基于遗传算法优化最小二乘支持向量回归法( GA-LSSVR)的铣削加工变形预测方法,首先,提出了基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测原理,其中通过遗传算法优化最小二乘支持向量回归模型参数,以获取高性能的最小二乘支持向量回归模型.实验结果表明,基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测精度高于支持向量机.     

利用最小二乘支持向量机预测铝熔体氢含量

提出了一种最小二乘支持向量机的铝熔体在不同温度和保温时间下的氩含量预测新模型.以2个主要影响因素加热温度、保温时间为输入,铝熔体中氢含量为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性映射关系.以铝熔炼实验数据为样本对模型进行学习训练,用训练好模型预测在一定影响因素下铝熔体中氢的含量.仿真实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

基于LS-SVM的铜铬合金挤压加工挤压力预测

提出一种最小二乘支持向量机的Cu-0.75Cr铜合金反挤压力预测新模型.以断面缩减率、凸模锥角和挤压温度这3个主要工艺参数作为影响因素,以反挤压过程的挤压力为影响对象,通过最小二乘支持向量机模型建立影响因素和影响对象之间的复杂非线性关系.以正交实验数据为样本对模型进行训练,用训练好的模型预测在一定反挤压条件下Cu-0.75Cr铜合金的挤压力.结果表明:该模型不仅预测精度和处理速度大大高于人工神经网络预测模型,而且建模速度也比标准支持向量机快,实际预测误差小于3%.     

基于加权支持向量机的热轧带钢弯曲质量预测

针对带钢弯曲质量预测时因样本的误判率不平衡而导致质量预测误差较大、异常检出率较低的问题,引入了决策函数中的少数类样本支持向量所占的权重系数μ,建立了基于改进权重系数的加权支持向量机(μ+SVM)的热轧带钢弯曲质量预测分析模型。结果表明:通过比较其与随机采样+支持向量机方法、人工合成数据+支持向量机方法的预测结果,验证了μ+SVM支持向量机方法的优越性。采用支持向量机方法得到的最小误判率为0.32,标准差为0.38,更加符合实际检测需求。     

相变温控及其在超磁致伸缩致动器中的应用

文章分析了超磁致伸缩致动器的热特性,提出了采用相变材料控制超磁致伸缩棒温升的抑制方法。试验结果表明相变温控装置能将超磁致伸缩棒的温度控制在45±0．5℃,此时因工作温度变化引起的位移输出误差不超过0．1μm,超磁致伸缩致动器相应的输出精度达到0．5μm。     

机床主轴热误差的累积法建模研究

为实现数控机床热误差的快速精确建模,提出一种基于累积法的机床热误差建模新方法。对一台立式加工中心,利用温度传感器与非接触式激光位移传感器同步测量主轴温度变化及热变形值,对获取的模型数据进行累积算子求和,构建累积矩阵及热误差正规方程来估计模型中的参数以实现热误差建模。利用该方法构建的热误差模型分别与最小二乘法(LS)、最小二乘支持向量机(LSSVM)模型进行对比,结果表明:累积法的建模精度要高于最小二乘法,且建模时间比最小二乘支持向量机法要少。     

基于BP神经网络的Tb0.3Dy0.7Fe1.95磁致伸缩性能研究

基于BP神经网络算法和理论,研究了Tb0.5Dy0.7Fe1.95合金的磁致伸缩性能,建立了影响磁致伸缩性能参数与伸缩性的预测神经网络模型.结果表明,随着添加元素量的增加,磁致伸缩性在降低;随着磁场强度的增强,磁致伸缩性也随着增强:建立的神经网络模型的预测结果能与实验结果很好对应,误差很小.     

基于半监督学习和最小二乘支持向量机回归的废旧机电产品再制造成本预测方法研究

文章针对再制造批量小、实验所需样本不足的问题,提出一种基于半监督学习与最小二乘支持向量机回归的再制造成本预测方法。废旧机电产品的可用零部件分为可直接利用、可再制造加工利用和直接替换三种类型,以各类型零部件的比率和再制造复杂系数为输入,再制造成本为输出,建立半监督学习与最小二乘支持向量机回归相结合的再制造成本预测模型。利用k最近邻算法估计未进行再制造样本的成本,然后将未进行再制造的样本与已知再制造成本的样本代入方程组即可求出该预测模型。案例分析表明基于半监督学习与最小二乘支持向量机回归的成本预测方法能够在已知再制造成本的样本量较少的情况下对成本进行快速且准确的预测,是一种很好的成本预测方法。     

基于双谱奇异值分解的刀具磨损识别方法

针对刀具磨损声发射信号的非线性、非平稳特性,提出一种基于双谱奇异值分解的刀具磨损特征提取方法.对刀具不同磨损阶段的声发射信号进行双谱分析,构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱作为刀具磨损特征向量,利用最小二乘支持向量机对刀具磨损状态进行识别.实验结果表明:所提取的特征可以很好地反映刀具的磨损状态,最小二乘支持向量机更适于在小样本下实现刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率.     

超磁致伸缩驱动器磁致伸缩模型的有限元分析

超磁致伸缩驱动器具有响应速度快、输出力大、磁机耦合系数高等诸多优点,但因其磁致伸缩模型具有磁滞非线性特性,在设计超磁致伸缩驱动器过程中,主要是建立准确描述其磁滞非线性的数学模型。为有效提高超磁致伸缩驱动器的设计效率,以磁致伸缩产生机制为基础,将Jiles-Atherton磁滞模型和压磁方程结合,建立超磁致伸缩驱动器的非线性本构模型,并推导超磁致伸缩驱动器机械应力场弱解形式的控制方程。最后,基于有限元方法在COMSOL Multiphysics多物理场耦合软件平台中实现其磁致伸缩模型的仿真,得出了一种高效率的超磁致伸缩驱动器的设计方法。     

超磁致伸缩微位移放大机构的设计与性能研究北大核心

针对超磁致伸缩驱动器在特殊工作情况下位移量过小的问题,设计一种杠杆结构的柔性铰链式超磁致伸缩微位移放大机构。通过理论计算与有限元分析相结合,验证该设计的合理性,并搭建实验平台测试超磁致伸缩驱动器驱动下放大机构的输出特性。结果表明:所设计的柔性铰链式放大机构放大比为5.32,等效刚度为1.29 N/μm,负载能力强,位移损失量较小,输出效率较高。     

基于改进的最小二乘支持向量机的退火炉内带钢延伸量预测

带钢在退火炉内进行长时间加热的过程中,由于炉内温度、张力以及带钢运行速度等变量间具有多重相关性且存在生产数据噪声,从而难以准确预测炉内带钢的延伸量。本文提出了一种基于遗传算法的BP神经网络理论(GA-BP神经网络)与最小二乘支持向量机(LSSVM)理论相结合的算法用于目标函数拟合,该算法兼顾最小二乘支持向量机的全局与局部拟合能力,有效避免算法陷入局部最优的缺点,利用改进的BP神经网络算法优化选择LSSVM 模型的惩罚因子和核函数参数,以避免人为选择参数的盲目性,使LSSVM具有更好的泛化能力和预测精度。将该方法应用到退火炉内带钢的延伸量预测,通过现场生产数据仿真模拟进行非线性函数估计,结果表明：本文所提出的方法具有良好的预测精度,可以应用于实际生产。     

基于改进型支持向量机算法的轧机轧制力预测

考虑到基于神经网络算法建立的预测模型虽然具有较好的预测精度,但是神经网络模型需要大量的训练样本,另外会增加模型的复杂程度,研究了一种基于改进型支持向量机的轧机轧制力预测模型,建立基于RBF核函数和多项式核函数的最小二乘支持向量机,并使用协同量子粒子群算法对混合函数的参数进行寻优,以提高预测模型的预测性能。由协同量子粒子群算法优化得到了基于改进型支持向量机的轧机轧制力预测模型中的RBF核函数参数γ值、惩罚系数c值、多项式核函数参数q值和两个核函数的权重a值。通过实例研究表明:使用本文研究的改进型支持向量机的轧制力预测模型预测相对误差在4%～6%之间,多组数据的平均值误差为4. 83%。验证了本文研究的基于改进型支持向量机的轧机轧制力预测模型的可行性。本文研究的预测模型相比其他3种对比模型耗时更长,但是相比之下提高了预测准确率,更具有实际意义。     

基于WASVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WASVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

基于最小二乘支持向量机的精密数控机床热误差建模与补偿研究

为了减小热误差对数控机床加工精度的影响,以自主研制的五轴精密数控机床为研究对象,得出定位误差与温度之间的变化规律。运用最小二乘支持向量机(LS-SVM)建立Y轴的热误差模型,并对LS-SVM模型进行参数寻优。根据LS-SVM模型计算出移动轴热平衡状态下定位误差的预测值与测量值对比曲线,通过分析发现LS-SVM热误差模型性能较好,其拟合偏差带宽较窄,均方差较小。依据LS-SVM模型进行定位误差补偿实验,误差降低了87. 3%。实验结果证明最小二乘支持向量机建模方法具有较高的预测精度、补偿精度。