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。     

基于BP神经网络的切削表面粗糙度预测方法

利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法。简单分析了粗糙度的影响因素及预测原理。介绍了BP神经网络的特点、原理、算法和公式。在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析。结果表明,该方法的预测误差小于3%。     

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。     

基于卷积神经网络对磨削表面粗糙度声发射智能预测

表面粗糙度是衡量加工零件表面质量的主要指标,为提高球墨铸铁磨削表面粗糙度预测的精度,在球墨铸铁磨削表面粗糙度声发射预测实验基础上,使用深度学习卷积神经网络CNN自动提取磨削声发射信号特征值,使用卷积神经网络对球墨铸铁磨削的表面粗糙度声发射智能预测,准确度较BP神经网络高。     

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。     

基于人工神经网络的微细车铣表面粗糙度预测模型

针对传统切削经验公式无法精确预测微细铣削零件表面粗糙度的问题,提出了一种基于人工神经网络的表面粗糙度预报方法。利用试验选择不同切削参数组合进行铣削试验,将试验结果分为两部分,一部分数据用作BP神经网络的训练样本并最终建立预报模型,另一部分用作测试样本,与相同切削参数条件下的神经网络预测值进行对比。从而证明BP神经网络对于微细铣削表面粗糙度值具有很高的预测精度。     

高强度钢的超声振动珩磨

针对高强度钢精密深孔加工中存在的难题,研制了一套超声振动珩磨装置。通过试验研究,对超声振动珩磨运动学进行了详细分析,给出了确定临界珩磨速度的理论公式。借助于ＳＥＭ分析了试件表面粗糙度和表面形貌,结果表明,超声振动珩磨明显优于普通珩磨。     

外圆超声珩磨加工试验研究

设计一套外圆超声珩磨装置,借助ANSYS软件对该装置的变幅杆和珩磨头进行整体动力学分析。在相同加工参数下分别采用传统的普通外圆珩磨和附加超声的外圆珩磨对SUS304不锈钢外圆柱表面进行加工试验。在试验中采用单因素变量法,分别改变工件回转速度与珩磨深度,对比外圆超声珩磨与普通外圆珩磨的加工效果,研究影响工件表面质量的主要因素。试验结果表明:珩磨深度、工件回转速度是影响表面粗糙度的主要因素,与普通外圆珩磨相比,附加超声的外圆珩磨表面粗糙度降低约10%。     

GA-BP神经网络预测钛合金表面粗糙度

为了有效预测铣削加工中钛合金工件的表面粗糙度,建立了以切削速度、进给量、径向切深、轴向切深为输入参数,表面粗糙度为输出参数的预测模型。该预测模型将遗传算法与BP神经网络结合起来,使用遗传算法优化BP神经网络的初始权值和阈值,进行铣削实验获得实验数据,并对神经网络进行训练,最终获得预测模型。通过对比分析GA-BP预测模型、BP预测模型、线性回归预测模型的预测精度,得出GA-BP预测模型具有相对较好的预测精度,证明该预测模型是有效的。     

基于进化神经网络外圆纵向磨削表面粗糙度的在线预测

将人工神经网络引入磨削加工领域。针对BP算法存在收敛速度慢，容易陷入局部极小值以及全局搜索能力弱等缺陷，采用遗传算法训练BP神经网络，设计了基于进化神经网络的学习算法，建立了外圆纵向磨削表面粗糙度的进化神经网络预测模型。实验和仿真结果表明。基于进化计算的BP神经网络可以克服单纯使用BP神经网络易陷入局部极小值等问题，预测精度较高，对提高外圆纵向磨削加工的自动化程度具有重要的意义。通过在线监测磨削拳数。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。     

PCD刀具车削超硬铝合金的切削性能研究

以Al7075-T6为加工对象,通过车削试验对PCD刀具车削超硬铝合金的三向动态切削力和表面粗糙度展开研究,建立基于BP神经网络的切削力和表面粗糙度预测模型。结果表明:随着切削用量三要素的变化,切削力变化显著;对于表面粗糙度而言,背吃刀量、进给量和切削速度之间无交互作用;基于L-M优化算法的BP神经网络对样本的拟合度高,且对切削力和表面粗糙度的预测精度高。     

Experimental investigation on surface quality in ultrasonic-assisted honing of 304 stainless steel

Honing is a surface finishing technology, which plays an important role in improving the surface quality and working performance of workpieces. However, with the extensive application of hard-to-machine materials and the increasing requirement for the surface properties of workpieces, the performance of conventional honing (CH) is becoming more and more difficult to meet the production needs. The ultrasonic vibration provides a way to overcome the technological constraints of CH and improve the machined surface properties. To realise the ultrasonic vibration of honing stone, a slotted block horn was used as a vibration transmission component and a supporting component of honing stone in this study. Finite element method was used to analyse and optimise the block horn to improve the uniformity of the amplitude on the output surface, to provide stable and efficient vibration for the honing stone. In this study, the effects of processing parameters on surface roughness in CH and ultrasonic-assisted honing (UAH) of stainless steel SUS304 were studied. The results indicated that the application of ultrasonic vibration in honing made a significant contribution to the formation of a dense punctiform morphology and reduction of the defects of the workpiece surface. Moreover, interactions between ultrasonic vibration, speed of revolution, and honing time in UAH make the changes of surface roughness much different from the CH. On the whole, for UAH, it is a feasible approach to improve the surface roughness by using a smaller amplitude, increasing the speed of revolution appropriately, and extending honing time.     

功率超声珩磨空化试验分析

功率超声珩磨加工过程中会发生空化现象,为探究空化对被加工材料表面的影响,进行超声珩磨空化正交试验并针对凹坑最大直径、表面侵蚀率、表面粗糙度三个指标进行试验分析,这三个指标可分别表征单泡溃灭强度,整体空化强度及空化对材料表面质量影响,结果表明：空化造成材料表面微小凹坑,影响凹坑最大直径的主要因素依次为距离和振幅,距离越小,振幅越大,则凹坑最大直径越大;影响表面侵蚀率的主要因素依次为试验时间和距离;而振幅则对材料表面粗糙度的影响最大,在距离5 mm、振幅65%、试验时间1/3 min条件下,试样表面粗糙度降低,表面质量提高。因此,在一定条件下,空化效应有助于改善超声珩磨中工件表面质量,试验分析结果对超声珩磨实际加工具有借鉴意义。     

PSO优化灰色神经网络的珩磨油石磨损预测

为了预测油石的切削寿命,保证珩磨加工质量,引入灰色神经网络,通过将珩磨工艺加工参数作为模型输入来预测油石的磨损量,最终建立了珩磨油石磨损量预报模型。在油石磨损量预测过程中,针对神经网络存在收敛速度慢、容易陷入局部最优等缺陷,利用粒子群算法对灰色神经网络的参数进行优化。试验结果表明,基于粒子群算法改进的灰色神经网络具有更好的逼近能力和预测精度,便于合理更换油石。     

TC17钛合金低温铣削表面粗糙度预测

进行了TC17钛合金低温铣削试验,研究了不同切削条件下的已加工表面粗糙度.采用回归分析方法建立了表面粗糙度经验模型,研究了射流温度、每齿进给量、铣削速度和径向切削深度对表面粗糙度的影响规律.基于BP神经网络建立了表面粗糙度预测模型,并与经验模型进行了对比分析.研究结果表明,基于经验模型表面粗糙度值与参数间存在强相关性(...     

基于灰关联神经网络的铣削表面粗糙度预测

不同的铣削加工工艺参数会影响加工表面形貌和表面粗糙度。考虑灰关联分析与神经网络法的各自优点,提出了一种新的基于灰关联神经网络模型进行表面粗糙度预测的模型。首先利用灰关联分析,将各因子与预测目标作关联性的排序,且把不必要的因子剔除,接着进行神经网络的训练及预测。将所提的预测模型运用到铣削加工的表面粗糙度预测中,构建出表面粗糙度预测系统,最后采用两样本T分配假设检验,以此验证该预测系统的有效性与可行性。     

Indirect model for roughness in rough honing processes based on artificial neural networks

In the present paper an indirect model based on neural networks is presented for modelling the rough honing process. It allows obtaining values to be set for different process variables (linear speed, tangential speed, pressure of abrasive stones, grain size of abrasive and density of abrasive) as a function of required average roughness Ra. A multilayer perceptron (feedforward) with a backpropagation (BP) training system was used for defining neural networks. Several configurations were tested with different number of layers, number of neurons and type of transfer function. Best configuration for the network was searched by means of two different methods, trial and error and Taguchi design of experiments (DOE). Once best configuration was found, a network was defined by means of trial and error method for roughness parameters related to Abbott–Firestone curve, Rk, Rpk and Rvk.     

电解、磨粒、超声复合加工技术及其加工表面粗糙度的预测方法

介绍了电解、磨粒、超声复合加工的基本原理,分析了各主要加工参数对加工表面粗糙度的影响规律,并在此基础上应用神经网络理论中的遗传ＢＰ算法在线预测复合加工工件的表面粗糙度。     

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.