BP神经网络补偿并联机器人定位误差

为减小机构末端定位误差,提高机器人运动精度,分析了所开发的6-DOF精密并联机器人末端位姿的误差来源及以往误差补偿方法的局限性。通过实际测量末端位姿,在精密定位的局部工作空间内,提出了基于BP神经网络的机器人关节空间误差补偿方法。确定了BP神经网络模型,建立了误差补偿的数据样本,并对数据样本进行了标准化,通过实验对比的方法确定了隐层神经元的个数,同时对网络的推广能力进行了验证。经过误差补偿,6-DOF精密并联机器人的平移定位误差下降了80%,转角定位误差下降了60%。该实验结果表明,基于BP神经网络的误差补偿方法对机器人局部工作空间的补偿具有明显的效果,满足精密并联机器人工作的精度要求。     

不确定性X-Y定位平台PID控制方法研究

X-Y定位平台属于强耦合非线性系统,且由于结构复杂性及外界干扰,当前测量水平难以获得其精确的数学模型,提出基于自适应神经网络的PID控制策略。考虑到X-Y定位平台系统精确的数学模型难以获得,利用神经网络良好的学习能力来逼近系统未知非线性模型,设计神经网络控制器;为了保证神经网络在学习的初期阶段的控制精度,设计PID控制器来进行辅助补偿控制;为加快学习速度,提高运动控制的实时性,设计变学习率的优化算法来实现神经网络权值的在线调整。试验结果验证了所提控制方法的有效性。     

自适应因子神经网络的变压器故障诊断研究

电力变压器是是电力系统的核心设备。为预防并降低电力变压器发生故障概率,设计了小波神经网络对电力变压器进行故障诊断。为提高迭代计算速度及计算精度,提出一种基于自适应修正因子的模型优化方法,通过自适应修正因子可以忽略模型中的局部极值,进而消除微小变化特性,排除杂波干扰。基于自适应修正因子设计变压器故障诊断小波神经网络模型训练方法,从而提高迭代计算效率及精度。通过与传统的神经网络模型及粒子群小波神经网络的故障分析结果及误差对比分析,验证所设计的电力变压器故障诊断模型具有较高的可用性。研究结果为电力变压器故障诊断分析提供理论基础。     

基于神经网络与自调节卡尔曼滤波的超宽带定位算法研究

提出了一种基于神经网络与自调节卡尔曼滤波的超宽带(UWB)定位算法，以改善目前某三线自动驾驶轨道交通系统车辆定位精度不够高的现状。使用UWB标签和基站采集大量标签与各个基站的距离信息及对应标签的实际位置训练神经网络。在实时定位阶段，标签与各个基站的距离信息经网络发送至集中控制中心的服务器，通过优化后的神经网络得出实时的UWB定位标签的位置，对实时得到的标签位置使用自调节卡尔曼滤波以进一步提高精度。根据实车运行情况设计了一组包含斜道、直道和弯道的UWB标签移动轨迹进行仿真，并搭建UWB定位系统，设计标签的行驶轨迹，对神经网络与自调节卡尔曼滤波结合的UWB定位算法进行实验验证。结果表明：神经网络与自调节卡尔曼滤波结合的定位算法最大定位误差为223.58 mm,平均定位误差为43.16 mm,定位误差均方根值为42.06 mm。提出的神经网络与自调节卡尔曼滤波结合的定位算法相较于三点定位算法、卡尔曼滤波算法和神经网络算法，具有精度高、实时性好及稳定性高的优点，能够满足目前该三线轨道交通的定位要求。     

基于改进BP神经网络的结构可靠度计算方法

针对传统BP神经网络代理模型拟合精度不足和计算效率较低的问题,采用思维进化算法(MEA)优化BP神经网络,提出一种基于改进BP神经网络代理模型的可靠度计算方法.首先采用MEA对BP神经网络的权值和阈值进行优化,获取最优的初始值,然后利用贝叶斯正则化(BR)算法对优化过后的网络进行训练,建立MEA-BR-BP神经网络代理模型,并采用测试函数验证改进代理模型的有效性,最后结合Monte Carlo法计算转向架构架的可靠度.研究结果表明:所提方法在提高拟合精度的同时兼顾了计算效率,验证了所提方法的优越性和可行性.     

基于径向基神经网络和ASA-MMFD算法的桥式起重机主梁轻量化设计

为了实现桥式起重机主梁快速轻量化设计,提出了基于径向基神经网络代理模型和ASA-MMFD算法的桥式起重机主梁轻量化设计方法。在最优超拉丁立方试验设计的基础上,利用径向基神经网络代理模型建立桥式起重机截面设计参数和最大应力、最大位移和质量之间的映射关系,引入"全局+局部"的组合策略,通过自适应模拟退火算法对代理模型进行全局寻优,采用修正可行方向法进行局部搜索。利用测试函数和NASA减速器对所提方法进行验证,结果表明:在相同精度范围内,与ASA-MMFD算法相比,所提方法在调用模型次数方面大幅度减少,提高了优化效率。在此基础上,将其运用在桥式起重机主梁轻量化设计中,从而验证所提方法的适用性。     

基于SVR的航空薄壁件夹具布局优化预测模型

针对航空薄壁件厚度小、刚性弱和制造变形易超差等特点,为了优化夹具定位点布局并减小有限元计算成本、提高夹具设计效率,提出一种面向变形控制的曲面薄壁件夹具定位布局优化预测模型。基于"N-2-1"定位原理,以夹具定位点位置作为设计变量,以整体应变能作为定位布局设计的评价指标,采用拉丁超立方设计和有限元分析计算整体应变能并生成有限样本集;通过学习样本集构建基于支持向量回归机的定位布局优化预测模型,得到定位布局方案与整体应变能之间的非线性函数映射关系,并与径向基神经网络进行预测精度对比。以某一飞机的机身薄壁件作为应用实例,验证了所提预测模型的正确性和有效性。     

基于BP神经网络的大型客机经济性分析

为使大型客机设计人员在飞机设计阶段便可对经济性有较为准确的把握,针对大型客机经济性,采用改进的BP神经网络理论建立了一种新的分析模型,并给出建模流程。利用JAVA语言实现核心算法进行数字仿真,对所建立大型客机经济性分析的神经网络模型进行了验证,并进行误差分析,提出改进方案。仿真结果表明,所建BP神经网络对大型客机经济性的估算是有效的,且该方法精度较高,实用性较强。     

基于BP神经网络的大型客机经济性分析

为使大型客机设计人员在飞机设计阶段便可对经济性有较为准确的把握,针对大型客机经济性,采用改进的BP神经网络理论建立了一种新的分析模型,并给出建模流程。利用JAVA语言实现核心算法进行数字仿真,对所建立大型客机经济性分析的神经网络模型进行了验证,并进行误差分析,提出改进方案。仿真结果表明,所建BP神经网络对大型客机经济性的估算是有效的,且该方法精度较高,实用性较强。     

皮带秤用神经网络基本元件的FPGA实现方法研究

本文基于应用于皮带秤精度优化的神经网络算法,研究了神经网络基本元件的FPGA实现方法。制定了22位定点数的数据表示方法,并基于此方法设计实现了加法器和乘法器等计算元件;提出了一种神经网络激活函数(sigmoid函数)的硬件实现方法,分别将matlab仿真、硬件实现的仿真输出与被逼近函数进行了比较,验证了神经网络基本元件的FPGA实现方法的效果。     

基于改进Elman神经网络的轧辊磨削形位精度预测

轧辊磨削形位精度(辊形、圆度)与工艺参数间存在较强非线性关系,传统线性回归难以对形位精度进行有效拟合。针对上述问题,提出了基于改进Elman神经网络的辊形误差和圆度误差预测方法。在Elman神经网络训练过程中采用Sine混沌映射使得种群分布更均匀,同时利用麻雀搜索算法获得Elman神经网络的最优参数。验证结果表明,预测模型对于辊形精度和圆度的预测误差均小于10%,准确度高于85%,满足实际应用需求,证明了所提出方法的有效性。     

圆柱面定位误差计算新方法

圆柱面定位是广为采用的一种典型定位方式，其精度分析对于评价定位方案优劣，保证工件加工精度具有十分重要的意义。本文在认真分析传统计算方法的基础上，提出圆柱面定位时定位误差的统一解析表达计算公式，避免了因极限位置判断失误所造成的计算错误，大大简化了计算过程，经实例验证，该方法准确、高效。     

基于神经网络的宏/微双驱动运动平台误差预测及补偿技术研究

宏/微双驱动平台是一种用于微切削加工的高精度切削平台,其定位精度受多种因素影响。为提高宏/微双驱动定位运动平台的定位精度,提出基于BP神经网络进行宏/微双驱动运动平台定位误差预测的方法。测量运动平台的定位精度,从而建立BP神经网络误差预测模型,并运用该模型对宏/微双驱动运动平台进行定位误差预测试验,最终证明BP神经网络定位误差预测模型精度高、抗变换性能好,适用于对宏/微双驱动运动平台的定位误差进行误差预测及补偿,使得宏/微双驱动平台达到10nm级精度设计要求。     

基于BP神经网络的W形微弯曲回弹预测

能准确预测并有效控制微弯曲回弹对于提高其尺寸精度和成形质量具有重要意义。首次以W形微弯曲成形为研究对象,开展基于BP神经网络的微弯曲回弹预测研究。首先采用基于I优化准则的试验设计方法对影响成形精度的4个因素进行了试验,得到56组数据。再分别利用40组、8组、8组数据对神经网络进行了训练、验证和预测。结果表明,BP神经网络能快速预测回弹量,且预测精度满足实际工程要求,可为W形微弯曲成形尺寸精度的控制提供参考。     

基于神经网络模型的机械拉杆锻压试验的研究与设计

基于神经网络的介绍,提出了采用神经网络模型进行机械拉杆锻压试验的整体设计思路,利用BP神经验证优选出的隐含层传递函数的模型,得出具有较强的预测能力、较高的预测精度和较大的工程应用价值神经网络的机械拉杆锻压工艺。     

基于卷积神经网络快速区域标定的表面缺陷检测

为检测生产线中产品的表面缺陷,提出一种基于卷积神经网络快速区域标定(Faster R-CNN)的缺陷检测方法,用于识别缺陷类型并标记出缺陷位置。预处理阶段提出区域规划方法粗略裁剪出缺陷主体,以避免产生大量冗余窗口,从而提升检测速度和精度。所提算法结合数据扩充方法增加了图像数量,通过划分K折交叉验证数据集改善了算法的鲁棒性;同时,将稀疏滤波思想融入卷积神经网络,提取双重深度特征作为Faster R-CNN的输入,提升了Faster R-CNN位置检测和识别的精度。通过油辣椒灌装生产线的封盖面典型缺陷检测验证了所提方法的可行性。     

不确定性X-Y定位平台自学习控制研究

针对带不确定性的X-Y定位平台系统位置控制问题,提出了径向基函数神经网络的自学习控制策略。首先建立X-Y定位平台轴系统的动力学模型,然后利用增广变量法设计了基于神经网络PID控制器,利用RBF神经网络良好的逼近能力来进行自学习控制,设计了改进随机梯度算法来实现网络权值的自适应调整,并加快其学习速度。针对神经网络动态特性欠缺的问题,设计了PID控制器来保证控制阶段初期的跟踪精度。最后通过仿真详细分析了其控制机理,并证明了该方案的有效性,具有较高工程应用价值。     

基于灰数逼近理想解排序法的夹具设计方案评价

夹具设计的优劣直接影响着工件的质量和精度。分析了定位基准的选择方法,构造了定位基准指标因子表达式,并建立了定位方案层次结构模型。在此基础上,建立了基于约束自由度因子、加工刚度因子和工艺成本因子等指标的夹紧方案评价模型。采用灰数逼近理想解排序法方法对定位方案进行了评价,并利用其评价结果对夹紧方案进行了评价。最后,通过实例验证了所提方法的可行性并确立了最优夹具设计方案。     

基于遗传算法优化的BP神经网络在粗糙度预测上的应用

针对BP神经网络预测工件表面粗糙度精度不高的问题,提出了一种基于遗传算法优化的BP神经网络预测方法。首先用遗传算法对BP神经网络的初始权值、阈值进行全局寻优,然后对优化的BP神经网络进行训练、预测。通过MATLAB进行了粗糙度预测仿真验证。结果表明:优化的BP神经网络比未优化的BP神经网络具有更高的预测精度。     

综合定位误差方程在镗孔夹具设计中的运用

综合定位误差方程能计算各种因素所产生的定位误差,是校核夹具精度控制的科学依据。应用综合定位误差方程来校核夹具设计精度的合理性及对相关精度进行合理调控,可以有效提高夹具设计质量及夹具设计的一次成功率。