基于最小二乘支持向量机的外圆磨削表面粗糙度预测系统

为解决磨削加工中影响因素多,难以实现自动化加工的困难,对磨削系统的表面粗糙度预测系统进行了研究。在分析目前常用预测方法的基础上,建立了基于最小二乘支持向量机的外圆纵向磨削表面粗糙度预测模型。该模型采用等式约束,把原来求解一个二次规划问题转化成求解一个线性方程组,方法简单且有效。比较实验显示,该方法响应时间快、测量精度高,测量精度误差比BP神经网络预测方法小4%,比进化神经网络(BP+GA)预测方法小1.3%,所提供的预测方法可以实现对工件表面粗糙度的在线预测。将其应用于外圆纵向磨削智能系统中,实时计算预测值与给定粗糙度的差值,引导磨削专家系统修正磨削参数,实现智能控制,取得了较好的效果。     

基于支持向量回归机的外圆纵向磨削表面粗糙度预测

表面粗糙度是评价磨削加工质量的重要指标,表面粗糙度预测是实现表面粗糙度在线控制的前提。针对现有神经网络方法在预测外圆纵向磨削表面粗糙度方面存在的不足,提出了一种新的基于支持向量回归机的外圆纵向磨削表面粗糙度预测方法。在分析了影响外圆纵向磨削表面粗糙度预测主要因素的基础上,建立了基于支持向量回归机的外圆纵向磨削表面粗糙度预测模型。应用实例的仿真结果表明,所建立的预测模型具有较强的泛化能力和较高的预测精度。     

表面粗糙度模糊神经网络在线辨识模型

为解决零件加工中表面粗糙度在线检测困难这一问题,提出一种基于模糊神经网络的零件表面粗糙度在线辨识方法,并以外圆纵向磨削为例,建立表面粗糙度模糊神经网络在线辨识模型.首先研究前人建立的外圆纵向磨削零件表面粗糙度理论公式及经验公式,得出加工中的工件速度、砂轮速度、磨削深度和纵向进给量对零件表面粗糙度有直接影响,并进一步提出以在线测得的加工中工件与砂轮的速度比、磨削深度和纵向进给量作为零件表面粗糙度辨识模型的输入.由于加工过程极其复杂,无法建立加工中零件表面粗糙度与加工参数之间的精确数学模型,故将模糊神经网络引入建模过程中.同时,由于加工中零件表面粗糙度的对数与加工参数的对数存在线性关系,故模型中采用了T-S型模糊推理.此模型应用于实际磨削加工中,建模型精度可达97%,这进一步证明此在线辨识方法的可行性.     

基于CCD成像的外圆纵向磨削表面粗糙度在线测量

为了提高外圆磨削加工零件表面粗糙度的测量效率,可以采用在线测量的方法.基于CCD成像技术,利用激光图谱比较法以及图像傅立叶变换后的能量谱,对外圆纵向磨削后的零件表面粗糙度进行非接触式在线测量,并判定加工零件表面粗糙度的等级.使用的测量方法,可以实现在线检测表面粗糙度的目的,达到了预想的效果.     

基于声发射信号的精密外圆切入磨削时间评估算法及试验研究

针对精密外圆切入磨削智能监控的需求,设计一种基于声发射信号的磨削时间在线评估方法。通过建立声发射信号方均根值曲线预测模型,获得声发射信号与磨削系统时间常数的关系,设计磨削系统时间常数在线计算方法;利用在线检测的声发射信号识别砂轮运动去除状态,推导基于声发射信号的外圆切入磨削表面粗糙度评价和工件几何精度预测模型,以此建立砂轮进给与驻留时间的评估算法;编写磨削时间分析评估软件,设计磨削时间在线评估方法,通过加工试验分析磨削时间对磨削加工精度与表面粗糙度的影响规律,并对评估算法进行验证。试验结果表明:该评估方法能够根据磨削时间有效评价加工质量,为精密外圆切入磨削智能监控与工艺优化提供决策依据。     

基于人工神经网络BTA钻削时表面粗糙度的预测

为解决深孔加工中表面粗糙度在线检测困难这一问题,提出一种基于BP神经网络的表面粗糙度在线辨识方法,并以BTA钻削为例,建立表面粗糙度BP神经网络在线辨识模型,并将其引入钻削加工领域。该模型能方便地预测钻削加工参数对加工表面粗糙度的影响,有助于准确认识已加工表面质量随切削参数的变化规律,为切削参数的优选和表面粗糙度的控制提供了依据。实验和仿真结果表明,基于BP神经网络模型能够很好地预测表面粗糙度,对提高加工表面粗糙度具有一定的指导意义。     

基于BP神经网络的表面粗糙度声发射预测

介绍了BP神经网络的原理、算法和公式,在对Matlab及其神经网络工具箱介绍的基础上,采用声发射信号有效值、FFT峰值和标准差作为输入,工件表而粗糙度作为输出,用BP神经网络的方法对高效深磨加工工程陶瓷Al2O3的工件表面粗糙度进行了训练、预测和分析.创新的研究方法是直接从磨削声发射信号中提取磨削表面粗糙度信息.结果表明,该方法可以实现高效深磨加工工程陶瓷工件表面粗糙度的监测.     

基于进化神经网络的刀具寿命预测

为预测道具寿命,引入人工神经网络技术,建立了刀具寿命预测神经网络模型,同时对切削参数进行优化选择.在刀具寿命预测中,针对反向传播算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练反向传播神经网络,设计了进化神经网络的学习算法.实验和仿真结果表明:基于进化计算的反向传播神经网络可以克服单纯使用反向传播网络易陷入局部极小值等难题,刀具寿命的预测精度较高,从而为刀具需求计划制定、刀具成本核算,以及切削参数制定提供理论依据,节约了制造执行系统中的生产成本.     

基于BP神经网络的机器人砂带磨削表面粗糙度研究

为提高机器人砂带磨削工件表面粗糙度的预测精度,采用基于BP神经网络方法进行研究,进行机器人砂带磨削铝合金板材试验,基于试验结果采用BP神经网络建立各工艺参数与工件表面粗糙度之间的预测模型。对该模型进行仿真预测,并通过试验验证该模型的预测精度。结果表明该模型预测精度高,可以预测不同工艺参数磨削后的工件表面粗糙度,实现了机器人砂带磨削铝合金板材工艺参数的优化。     

WC-10Co4Cr涂层高速磨削表面粗糙度预测研究

为了优选WC-10Co4Cr高速磨削参数,实现高精度加工,满足实际生产的迫切需求,研究了一种基于响应曲面法的表面粗糙度预测方法。从高速磨削工艺系统特点出发,给出面向固定工艺系统的WC-10Co4Cr高速磨削表面粗糙度预测原理。结合正交试验数据,建立表面粗糙度预测模型。运用方差分析方法,检验预测模型的拟合度。以活塞杆再制造过程中的磨削加工为例,应用上述预测模型和BP神经网络分别进行了表面粗糙度预测,并同实际加工结果进行比较。结果表明,研究的表面粗糙度预测结果与实际加工结果之间相差0.02μm,BP神经网络预测结果与实际加工结果之间相差0.04μm,证明所提出的表面粗糙度预测方法是有效的,更加满足了实际生产的需求,为WC-10Co4Cr高速磨削参数优化、高精度加工提供了技术支持。     

机械故障诊断的遗传BP算法应用研究

为克服 BP算法中存在的网络学习收敛速度慢 ,以及容易陷入局部极小的问题 ,本文在神经网络训练过程中 ,加入一个局部极小判别式 ,以确定网络是否陷入局部极小点 ,若陷入局部极小点 ,则利用遗传优化算法进行权值的修正。以机械设备故障诊断为例 ,应用此算法对其进行了故障诊断研究 ,从而证明了该算法的有效性。     

遗传神经网络法在风机故障诊断中的应用

本文在神经网络训练过程中,加入一个局部极小判别式,以确定网络是否陷入局部极小点,若陷入局部极小点,则利用遗传算法进行权值修正。以鼓风机常见故障为例,应用本文提出的遗传神经网络算法对其进行了故障诊断分析,从而证明了该算法的有效性。     

基于模糊基函数网络和自适应最小二乘算法的外圆纵向磨削表面粗糙度的预测

建立了外圆纵向磨削表面粗糙度的模糊基函数网络（FBFN）预测模型，网络的训练采用自适应最小二乘算法（ALS）。ALS将最小二乘算法和遗传算法相结合，能够自主学习，不用人为干预，FBFN和粗糙度的分析模型相结合，只需少量实验数据便可完成网络的训练，自动产生模糊规则，确定隐含层的节点数。仿真和实验结果表明，FBFN网络结构非常适合粗糙度的预测和控制，采用ALS学习方法比BP算法、传统的遗传算法和正交二乘法等能产生更好的结果。     

基于遗传算法与BP神经网络的微晶玻璃点磨削工艺参数优化

通过低膨胀微晶玻璃点磨削实验,测试了加工表面粗糙度、表面硬度,分析了实验数据变化趋势。通过最小二乘拟合,建立了关于粗糙度、表面硬度的一元数值模型,并将模型预测值与实验值进行了比较,以验证模型的精确性,结果表明模型具有较高的精度。根据正交实验结果,基于BP神经网络算法和遗传算法,建立了粗糙度、表面硬度的多元数值模型并以此作为目标函数,以表面硬度最大和表面粗糙度最小作为优化目标,基于遗传算法进行了工艺参数的双目标优化,获得了一组点磨削工艺参数的最优解范围,实验验证结果表明优化结果是合理的。     

基于过程神经网络的航空发动机性能参数预测

针对传统方法难以对性能参数进行有效预测的问题,提出一种基于过程神经网络的性能参数预测方法。为解决反向传播学习算法收敛速度慢、易陷于局部极小点等问题,开发了一种基于正交基函数展开的Leven-berg-Marquardt学习算法。为提高过程神经网络的泛化能力,从提高训练样本的质量和规模入手,研究了实际测量数据的预处理方法,并提出一种基于样条函数拟合和相空间重构理论的训练样本集构造方法。最后,将该方法用于某型航空发动机性能参数的预测,获得了满意的结果。     

基于PSO-BP算法的动态空调负荷预测建模

根据空调负荷的非线性特点,提出了一种基于粒子群算法优化误差反向传播(BP)神经网络的空调负荷预测方法,针对BP网络训练容易出现麻痹和易陷入局部极值,以及其预测空调负荷时精度不够理想等现象,将粒子群算法的随机全局优化和梯度下降局部优化结合,达到改善神经网络泛化能力和提高空调负荷预测精度的目的。用该方法对的空调系统冷负荷与室外空气的干球温度、含湿量和太阳辐射照度的关系进行建模和预测,通过实例验证了该优化算法优于BP网络,能更加有效地处理动态空调负荷中的非线性问题,获得更可靠的预测结果。     

遗传神经网络在轴系故障诊断中的应用

为解决BP神经网络收敛速度慢以及容易陷入局部最优解的问题,将遗传算法与BP神经网络相结合应用于轴系故障诊断中。首先设计了船舶柴油机轴系模拟实验平台,然后利用小波包分解技术分析了轴系故障时的振动信号,并将其能谱熵作为故障模式的特征向量,最后对轴系的4种运行状态进行了故障识别与分析。仿真结果表明,GA-BP算法预测精度要高于传统的BP算法,适用于轴系的状态监测和故障诊断。     

基于改进自适应模糊推理系统的YG3硬质合金精密外圆磨削表面质量预测

为提高硬质合金材料精密外圆磨削的表面完整性和加工质量,研究其表面质量的预测技术,建立了基于自适应模糊推理系统(ANFIS)的YG3硬质合金精密外圆磨削表面粗糙度预测模型,并引入混合田口遗传算法(HTGA)对预测模型进行了改进。采用工艺试验中所用的磨削参数及相应条件下测得的表面粗糙度数据作为训练样本和测试样本,通过对BP神经网络模型、传统ANFIS预测模型及改进ANFIS预测模型的预测结果进行对比分析,对三种模型的有效性和预测精度进行了验证。结果表明,所提出的改进ANFIS预测模型从预测值相对误差Er的分布及均方根相对误差EMSRE的大小来看,均优于其他两种预测模型,预测精度较高,是一种有效的表面质量预测方法。 