考虑结合面因素的加工中心关键部件动态特性研究

结合面是影响高端数控机床整机刚度的重要因素,工作台竖直移动式卧式加工中心中,结合面对系统动态特性的影响尤其显著。根据机床固定结合面及滑动结合面的特点,将动力学模型中的结合面表达为一系列刚度-阻尼单元;利用影响系数法建立工作台竖直移动式卧式加工中心Y轴进给系统动力学模型,并分析床身-立柱固定结合面、立柱-工作台滑动结合面刚度阻尼特性对系统动力学响应的影响规律,绘制工作台、拖板、立柱位移响应的FFT图。研究结果对于优化机床装配工艺具有指导意义。     

基于结合面特性的机床整机精度设计系统研究

阐述了基于结合面特性的机床整机精度设计系统结构以及4大关键模块,并利用VB开发工具实现了基于结合面特性的机床整机精度设计系统。利用该系统实现了机床结合面特性参数的分析与管理,并基于多体系统理论建立了三轴数控机床静态几何精度模型,可对机床在整个加工空间的几何误差进行预估并对误差源进行敏感性分析;同时集成ANSYS软件,基于结合面特性可对机床整机动态性能进行分析。另外,通过有效管理机床设计过程中的设计经验以及动静态精度分析的知识,将有效地支持机床设计。     

基于优化模糊神经网络的高速数控机床热误差建模方法

针对高速数控机床的热特性,提出了一种基于优化模糊神经网络(GA-BP-FNN)热误差建模及预测方法。利用遗传算法和反向传播算法对模糊神经网络进行优化,改善了因隶属度函数取值随机性导致热误差模型的鲁棒性降低的现象。以一台超高速随动曲轴数控磨床为研究对象,进行了主轴Z向热误差建模试验,同时与BP神经网络建模方法进行比较,实验结果表明:GA-BP-FNN建模方法优于BP神经网络建模方法,GA-BP-FNN模型的均方根误差为4.801μm,绝对百分比误差为1.36%。     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

数控机床主轴的神经网络热评价模型研究

热误差作为影响机床加工精度的重要因素之一,严重制约着机床加工精度的提高。而主轴是数控机床的关键功能部件,对其进行热特性研究对提高机床的加工精度具有重要的意义。将同一类型、不同使用年限的机床主轴温度值和热变形值作为评价指标,建立数控机床主轴的神经网络热评价模型;针对BP神经网络易陷入局部最优值、收敛速度慢等问题,采用粒子群优化（PSO）算法优化加权朴素贝叶斯（WNB）的初始权值,获取权值全局最优解,构建了粒子群优化加权朴素贝叶斯机床主轴热评价模型,实现对机床主轴热特性的评价。MATLAB仿真结果表明：PSO-WNB模型精度为941%,收敛速度快,预测精度高,优于BP神经网络,为数控机床热特性评价提供了新思路。     

LM算法BP神经网络的数控机床主轴系统故障诊断

针对目前数控机床故障复杂、诊断困难的问题,提出基于人工神经网络的故障诊断方法。在研究传统BP神经网络故障诊断模型基础上,引入改进的BP算法-LM算法,建立机床主轴系统LM-BP神经网络故障诊断模型,对机床主轴系统故障进行分析与诊断,再通过Matlab仿真与传统BP神经网络相对比,仿真结果表明:传统BP神经网络存在较难实现快速、准确的故障定位问题,而BP神经网络LM算法作为故障诊断的核心算法收敛速度快、识别准确。该方案设计合理可行,有较好的应用前景,并给出应用了实例。     

基于结合面的车铣复合加工中心有限元建模

结合面是影响机床动态特性的关键因素,在机床有限元建模过程中必须考虑结合面的影响.以某车铣复合加工中心为研究对象,基于固定结合面和移动结合面的有限元建模,建立了整机的有限元模型.对整机有限元模型进行模态分析,并对整机进行模态试验,然后将整机的模态分析的计算结果与实验结果相比较,证实了该有限元模型的准确性和该结合面建模方法的有效性.     

基于GA-BP网络的数控机床热误差优化建模研究

为减小热误差对数控机床加工精度的影响,提出基于GA-BP神经网络的机床热误差优化建模方法。阐述遗传算法(GA)和BP神经网络算法,介绍GA-BP神经网络模型的具体步骤,建立BP神经网络热误差预测模型和GA-BP网络热误差优化模型。运用MATLAB软件对两种模型进行实验仿真,结果表明:GA-BP神经网络的数控机床热误差优化建模方法具有建模时间短、预测精度高、收敛速度快等优点。     

基于改进PSO优化BP的数控机床热误差预测研究北大核心

热误差是影响数控机床加工精度的主因,为提高数控机床热误差模型的预测精度,提出了基于改进粒子群优化BP神经网络的数控机床热误差建模预测方法。针对BP易陷入局部最优、收敛速度慢,在标准粒子群算法的基础上,改进粒子的速度与位置更新策略,在此基础上优化BP神经网络的阈值和权值,并建立数控机床热误差预测模型;借助于MATLAB完成仿真实验,结果表明,与标准的BP神经网络和支持向量机相比,基于改进粒子群优化BP神经网络的数控机床热误差预测模型精度高、泛化能力强。     

机床固定结合面动态特性参数实验研究

固定结合面是机床结合面最为普遍的一种,其动态特性参数主要包括动刚度和阻尼系数。采用等效单自由度的力学模型分析其动态特性,消除了基础位移的影响。通过实验法,测得不同条件下固定结合面的动态特性参数,分析螺栓预紧力、零件表面粗糙度、材料及介质等因素对动态特性参数的影响规律,为机床固定结合面的合理设计提供技术支持。     

数字孪生驱动的数控车床主传动系统故障诊断研究

数控车床主传动系统是机床的核心部件,其一旦发生故障会造成加工质量甚至作业安全问题。数字孪生技术能降低故障诊断的难度,但目前研究仍存在物理实体到虚拟实体转换效率低和神经网络过拟合问题。为了解决上述问题,提出一种基于数字孪生和正则化BP神经网络的故障诊断方法。建立数控车床主传动系统数字孪生模型,通过OPC UA通信完成了物理实体和虚拟实体间孪生数据的交换,对比分析正则化改善过拟合问题的4种方法,构建了丢弃法正则化BP神经网络故障诊断模型。通过对比不同信噪比下BP神经网络、丢弃法正则化BP神经网络和卷积神经网络的损失函数和预测准确度,验证了诊断模型的可行性和算法的适用性。     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

基于BP神经网络的钢轨闪光对焊接头灰斑面积预测

针对钢轨闪光对焊的特点,根据GAAS80/580焊机记录的压力、电流和动端位移随时间而变化的曲线,从中提取了10个主要影响接头灰斑面积的特征参数作为BP神经网络预测模型的输入量,建立了钢轨闪光对焊接头的灰斑面积预测模型.采用粒子群算法优化了BP神经网络的权值和阈值,并利用优化后的BP网络模型对接头灰斑面积进行了预测.结果表明,提取的特征参数能较好地反映焊接接头灰斑情况,粒子群算法优化的BP神经网络预测模型能较准确地预测出焊接接头灰斑面积.     

建立点焊质量神经网络监测模型时作用函数的选取

多层前向神经网络是最常用,最流行的神经网络模型,其逼近能力和训练算法是其应用的关键。误差反传算法（BP）以诸多的优点而成为多层前向神经网络训练的首选算法,但却存在收敛速度慢的缺点,研究发现,“假饱和”是导致BP算法收敛缓慢的主要原因之一,也是减少点焊质量监测模型误差的主要障碍,为了减少BP算法学习过程中出现“假饱和”的可能性,加快学习速度,提出了选取神经元作用函数类型的原则。     

微间隙焊缝磁光成像NN-KF跟踪算法分析

针对紧密对接微间隙焊缝,分析基于磁光成像的神经网络补偿卡尔曼滤波（kalman filtering compensated by neural network,NN-KF）跟踪算法,建立焊缝位置测量模型并运用卡尔曼滤波对焊缝位置偏差进行最优预测.卡尔曼滤波进行最优估计需建立准确的系统模型和观测模型,而在焊缝跟踪过程中,系统噪声具有非先验性.对于针对测量模型误差、过程噪声和测量噪声对卡尔曼滤波结果的影响,运用反向传播（back propagation,BP）神经网络对卡尔曼滤波结果进行修正,补偿模型误差及噪声统计不确定性造成的滤波误差.结果表明,BP神经网络补偿卡尔曼滤波算法能有效抑制滤波发散,减小噪声干扰影响,提高焊缝跟踪精度.     

基于MEA-BP神经网络的6DOF工业机器人逆运动学研究

针对6DOF工业机器人逆运动学求解存在计算量大、通用性差、有奇异性等问题,提出一种基于思维进化算法(MEA)优化BP神经网络的工业机器人逆运动学求解方法。在机器人工作范围内,随机生成若干组关节角度值,通过正运动学方程获得机器人末端连杆位置和姿态,以末端连杆位置和姿态作为模型输入,关节角度作为模型输出,通过对样本数据的训练确定模型参数。使用该模型进行机器人逆运动学求解,并与传统的基于BP和RBF神经网络的求解方法进行比较,结果表明:该求解方法精度高、泛化能力强。     

基于神经网络逆系数的冷连轧厚度与张力解耦控制北大核心

冷连轧过程中的厚度与张力系统具有多变量、强耦合和不确定的特点。为降低两者的耦合影响,提高系统响应速度和抗干扰能力,提出基于BP神经网络逆系统解耦原理的PID控制策略。考虑轧制力相对于张应力的变化系数,建立厚度与张力系统的动态耦合模型,并应用Interactor算法证明此模型的可逆性。应用BP神经网络逆系统解耦原理实现对厚度与张力系统的解耦,减弱厚度与张力的耦合影响。针对粒子群优化算法极易陷入局部最优的问题,提出一种粒子群优化算法与细菌觅食算法相结合的优化算法对PID进行参数整定。结果表明:与准对角递归神经网络多变量PID解耦方法相比,所提方法的解耦程度、模型抗干扰能力以及系统响应速度都有很大提高。     

基于蝙蝠算法优化的小波神经网络车床主轴热误差建模

为提高数控车床主轴热误差的预测精度,以某型号数控车床主轴为研究对象,提出基于小波神经网络(WNN)的主轴热误差建模方法。利用K-means++聚类结合相关性分析理论,将温度测点从10个减小到2个。针对小波神经网络对初始值敏感的问题,采用蝙蝠算法(BA)将预测输出值与实验测量值之差的绝对值作为个体适应度函数,将蝙蝠个体的位置向量映射为小波神经网络的初始连接权值、尺度因子及平移因子,实现对小波神经网络初始值的优化。利用优化后的小波神经网络建立车床主轴热误差预测模型,与未优化的小波神经网络和BP神经网络预测模型对比。结果表明:BA-WNN对主轴轴向热误差的预测精度较高、残差较小、预测能力更强。     

基于BP神经网络数控机床切削能耗的研究

数控机床的能耗来源于工作时的电动机空载和切削过程中的负载消耗。分析切削过程中的切削速度、进给速度、切削深度等切削参数对数控机床能耗的影响;基于BP神经网络搭建数控机床能耗与切削参数的模型,简化了经验公式繁琐的计算过程;利用遗传算法对切削参数进行优化。对比试验表明:用优化后的参数进行加工,能明显地降低能耗,为加工过程能耗控制提供了一个良好的方案。