BP神经网络计算丝杠螺母副摩擦系数的方法

利用Ｍａｔｌａｂ系统建立了丝杠螺母副的摩擦系数与载荷之间关系的ＢＰ人工神经网络模型。并用ｔｒａｉｎｂｐｘ动量－自适应学习率调整算法进行神经网络学习训练,可使网络收敛快,误差小、网络输出结果与实验结果比较,有极好的吻合性,采用Ｍａｔｌａｂ神经网络工具函数建立神经网络的方法简单方便,不失为摩擦学设计的有效计算工具。     

精密滚珠丝杠螺母副预紧的方法

滚珠丝杠是目前世界上应用最广泛的一种传动形式，它能把旋转运动转化为直线运动，具有传动效率高、启动力矩小、传动灵敏平稳、工作寿命长等优点。但是由于制造和装配的误差，滚珠丝杠副总是存在间隙的，同时，滚珠丝杠在轴向载荷的作用下，滚珠和螺纹滚道接触部位会产生弹性变形。所以，当滚珠丝杠反向转动时，就会产生空程误差，从而降低了滚珠丝杠副的轴向刚度，影响滚球丝杠的传动精度。通常采用施加预紧力的方法提高滚珠丝杠的轴向刚度和传动精度。通过施加预紧力，可以保证丝杠、滚珠和螺母之间没有间隙，而且，可以将整个螺母丝杠副…     

重载丝杠螺母副的摩擦学系统模型的建立

在基本摩擦学理论和实验的基础上 ,分析了某种选定的摩擦副在某种选定的摩擦学工况条件下的摩擦学系统特性 ,建立了轧机压下装置中重载丝螺母副的摩擦学特性与载荷之间关系的数学模型 ,推导出相对准确的摩擦系数—载荷 ,磨损率—载荷计算公式 ,与实验结果比较有较好的吻合性。该数学模型可为摩擦学系统特性转化的研究提供研究参照体 ,亦可为工程设计人员在摩擦学设计时提供有效的计算工具。     

丝杠螺母副的加工

为了消除C534J1立式车床的刀架滑枕垂直升降丝杠与螺母配合精度问题,针对单件套丝杠和螺母的车削加工工艺,探索出一套简单实用而又能保证丝杠和螺母配合精度要求的方法。     

基于螺旋传动机构中丝杠螺母副间隙调整装置的设计研究

根据螺旋传动机构中丝杠螺母副类型特点及传动要求,介绍几种常用的丝杠螺母副间隙调整装置的工作原理及应用。     

基于Pro/E的滚珠丝杠螺母副的建模与装配

基于Pro/E的环境可以很好地实现数控机床典型结构的建模与装配。详实地介绍了滚珠丝杠螺母副的三维建模与装配,这一典型结构的开发与研究,一方面为数控机床结构的教学提供了直观的教具,降低了教学成本,提高了教学质量;另一方面,为设计教学提供了资源与平台,为实现资源共享奠定了基础。     

几种消除丝杠螺母间隙的方法

介绍了采用开合螺母双螺母,顺铣机构及液压和气动等消除丝杠螺母间隙的方法。     

螺母副摩擦热对高速空心滚珠丝杠热特性影响分析

滚珠丝杠作为机床伺服进给系统的重要功能部件,其热变形会降低伺服进给系统的定位精度,在机床高速化发展的过程中,滚珠丝杠热变形成为其发展的瓶颈。其中螺母副摩擦热是影响滚珠丝杠热变形的主要因素。采用通有冷却介质的空心滚珠丝杠为解决此问题提供了一种方法。将通过计算得到的螺母副摩擦热加载到空心滚珠丝杠滚道内,分析空心滚珠滚珠丝杠温度受轴向载荷、转速、通入空心滚珠丝杠的冷却介质的种类、冷却介质流速以及空心滚珠丝杠内孔的大小的影响及内孔大小对空心滚珠丝杠变形的影响。通过分析,结果表明:轴向载荷和转速对空心滚珠丝杠温度影响较小;专业冷却油更适合用于空心滚珠丝杠的冷却,合理控制其温升和热变形;热变形和热-结构耦合的分析,给出了最佳内孔直径。为空心滚珠丝杠的设计及研究提供理论依据。     

滚珠丝杠螺母副的故障诊断与维修

论述了滚珠丝杠在运行中出现定位精度下降,反向间隙过大,机械爬行,轴承磨损严重和噪音过大等故障产生的原因,并通过检测与修理滚珠丝杠螺母副及支撑系统间隙,轴承、丝杠螺母副的润滑不良,伺服电机的驱动问题解决了故障。     

基于神经网络的交流伺服控制系统设计

针对PID控制交流伺服系统无法同时获得稳定性和快速性,提出了一种基于神经网络的交流伺服控制系统设计方法.在交流伺服控制系统中,采用改进的BP神经网络作为系统控制器,利用其极强的非线性动态跟踪能力和自适应学习能力,及对控制对象的数学模型无依赖性,实现控制对象快速、准确定位.系统仿真表明,BP网络控制器具有快速跟踪性和较好的控制精度等优点.     

重载丝杆螺母副的神经网络摩擦学模型的建立

用ＢＰ人工神经网络建立了重载丝杆螺母副的摩擦学特性与载荷之间关系的磨损自补偿教学模型。结果表明：用Ｌ－Ｍ规则进行神经网络学习训练可使网络收敛快,误差小。网络输出结果与实验结果比较有极好吻合性。该神经网络可为工程设计人员在摩擦学设计时提供有效的计算工具。     

利用脉冲耦合神经网络的图像融合

为了获得对同一场景更为准确、全面和可靠的图像描述,提出了一种基于脉冲耦合神经网络(PCNN)的图像融合方法。将多源传感器图像配准后的各个源图像用9/7小波变换的提升算法进行分解,从而得到各个源图像的低频分量和高频分量。对于低频分量,采用像素绝对值选大法进行融合;而高频分量则作为PCNN的输入,在迭代结束后,通过比较PCNN点火次数得到一系列融合子图像;然后,用9/7小波的提升算法将获取的一系列多尺度融合子图像进行反变换得到最终的融合图像。设计了可见光图像与红外图像的融合实验,对融合图像的熵、平均梯度、标准差、空间频率进行了定量比较。当使用标准源图像进行融合时,各值比使用传统小波变换与PCNN相结合的图像融合方法分别高0.0104,0.2459,0.1131和0.2846。     

基于模糊神经网络的粉末冶金烧结炉温度控制

以工业生产中具有重要地位的粉末冶金烧结炉为研究对象,对其原传统控制方案进行分析,提出一种基于模糊神经网络的温度控制方案,充分利用模糊控制的推理性和神经网络控制的记忆和学习功能.仿真实验及现场测试结果表明,模糊神经网络用于粉末冶金烧结炉温度控制较原传统控制方案具有明显的优越性.     

神经网络的两种训练算法对比分析

神经网络的应用已经涉及到众多领域。利用神经网络解决问题和设计的时候。必然涉及到网络训练过程。BP算法是人工神经网络的传统常用训练算法。遗传算法是一种新型的、随机性的、全局性的优化方法。本文基于MATLAB对比这两种训练方法的异同和优缺点,从而达到神经网络的最优化训练。充分发挥神经网络的作用。     

基于BP神经网络的液滴图像识别方法

通过CCD监测白酒和掺入50％水的白酒两种不同液体液滴的生长过程,针对最大的液滴提取特征参数,利用主成分分析技术对特征参数进行优化,确定了5项有效的特征参数。最后采用BP神经网络识别不同的液滴。结果表明：不同液体液滴的轮廓特征参数是有区别的。因此,结合模式识别的图像液滴分析技术可以应用于分析和鉴别液体。     

小波神经网络在摩擦焊缺陷识别中的应用

针对摩擦焊接头超声检测信号,介绍了一种用于信号分类的小波神经网络结构及其学习算法,用小波包分析工具提取信号特征作为网络输入,实现了宏观焊接缺陷和微观焊接缺陷的分类识别.实验结果表明,较BP网络小波神经网络获得良好的识别结果.     

基于改进BP神经网络的鸟体材料参数反演

针对鸟撞飞机结构耦合解法中鸟体建模问题所遇到的困难,基于神经网络理论,建立了用于鸟体材料参数反演的改进BP神经网络模型。利用此模型和鸟撞平板实验测量值,以有限元分析的响应数据训练网络,实现了对鸟体材料参数的反演。由鸟体材料参数反演值计算得到的数值结果和实验结果吻合较好,说明基于神经网络的参数反演方法适用于解决鸟体材料参数反演问题,该方法为进一步提高鸟撞有限元数值模拟耦合解法的精度提供了有力的保证。     

基于BP神经网络的物流预测方法

针对传统物流预测方法的局限性，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络对其进行训练形成物流预测模型。阐明了神经网络具有记忆、学习功能，能够很好地模拟物流发展趋势。大量预测结果的准确性表明基于神经网络的物流预测是一个行之有效的方法。     

Thermal analysis MLP neural network based fault diagnosis on worm gears

The importance of fault diagnoses, in any kind of machinery, can’t be over stated. Any undetected small fault in machinery will most probably rise with time and will cause machinery to shut down thus resulting in both mechanical and more importantly economical loss for the industry. In recent years, researches have been done for the faults diagnosis through the analysis of their vibration and sound signatures. The extraction of those characteristic signatures is a complicated process because complexities in modern day machineries can results in many vibration and sound generating sources. This paper presents a condition based fault diagnoses technique to detect the condition of gear. An experimental setup, consisting of a worm gear driven by an electric motor, was setup to conduct tests under different working conditions. The vibration and sound signature signals of worm gear were examined for normal and faulty conditions under different speeds and oil levels. The collected data was then used for feature extraction, by using Fast Fourier Transform to filter background noise signals and to collect only the signature of the gearbox vibration and sound signals. An MLP (Multilayer Perceptron) Artificial Neural Network Model has been developed to classify the signature signals. A thermal camera is also used to observe the heating patterns for all those working conditions. With the help of MLP Artificial Neural Network it is possible to predict the speed and oil level of the gearbox and hence a possible fault diagnoses is also feasible.