基于Web的人工神经网络电火花加工工艺预测

针对电火花加工工艺的特点及其复杂性,提出了Internet环境下基于W eb的人工神经网络电火花加工工艺的智能预测方案.该方案利用M atlab的W eb技术,并结合其神经网络工具箱和数据库工具箱,实现了从电火花加工工艺数据库中获得数据进行神经网络计算,并将结果通过W eb服务器返回给浏览器.研究结果表明,所建立的基于W eb的人工神经网络预测系统很好地反映了电火花加工的工艺规律,能够通过In-ternet为电火花加工用户提供高效率、高精度的加工效果实时预测计算,并具有再学习的能力,实现了电火花加工工艺知识和加工经验的有效共享.     

工作液对电解电火花复合加工工艺效果影响的试验研究

提出难加工材料打孔的一种新电解电火花复合加工试验方法.然而,目前对电解电火花复合加工的机理和工艺缺乏深入的研究,对工艺参数影响复合作用工艺效果的规律缺乏全面了解.从钛合金材料打孔工作液的选择以及工作液对工艺效果影响入手,以寻求合适的电解电火花复合加工工作液.试验结果表明,合理选择工作液组分、浓度,并配合电参数,可实现高效低损耗打孔.孔侧面间隙均匀,但比电火花打孔大.     

工程陶瓷回转表面线电极磨削加工粗糙度预测模型

结合电火花线切割机床改进了具有跟踪电极的工程陶瓷回转表面放电磨削装置,利用该装置加工后的表面粗糙度受到3个主要因素的影响:峰值电流、脉冲宽度和脉间比。根据每种因素的不同水平,设计了16组正交试验,利用二次多项式响应面方法建立了3个因素与粗糙度之间的关系模型,即粗糙度预测模型。基于实际试验,将参数估计值和各因素的水平值代入模型,得到粗糙度预测值,进而将其与粗糙度测量值进行了对比。结果表明,所建立的粗糙度预测模型拟合效果良好,有助于工艺参数的选择与加工质量的控制。     

电火花线切割加工工艺参数对工艺指标影响的研究

为了更好地分析和研究电火花线切割技术,结合国内外学者的研究进展,全面分析与总结了线切割加工工艺参数对工艺指标的影响规律及工艺参数的优化方法。通过单因素实验法分析了电火花线切割中脉冲宽度、放电间隙、电流与电压等电参数对工艺指标的影响规律;系统分析了运丝速度、功率放大管、变频值和电极丝等非电参数对工艺指标的影响规律;在多参数耦合作用下,分析了各参数对重要工艺指标的影响及工艺参数优化,结果发现电参数对切割速度和表面粗糙度的影响比非电参数更加明显。通过对近年来电火花线切割加工工艺参数对工艺指标影响的相关研究的分析与总结,为线切割加工技术的发展提供有益参考。     

电火花加工中最优加工条件的确定

在电火花加工中,影响因素较多,难以确定最优加工条件.为方便操作者决定粗加工最优加工条件,并提高表面加工效果和粗加工速度,提出了一种使用人工神经网络融合遗传算法自动确定和优化电火花成形加工中加工参数的方法.利用遗传算法结合节点删除法来优化BP神经网络结构,以此自动确定神经网络隐含层节点数.经实践证明,用该方法优化后的BP神经网络所确定的最优加工条件,能保证较高的粗加工速度,方便了操作者对加工条件的确定.     

基于遗传算法的电火花加工电参数优化模型

电火花加工中电参数的选择对加工结果有很大影响，其影响程度难以用精确的数学模型来表示，针对这种情况，提出了一个基于遗传算法的电火花加工电参数的优化模型；它模仿熟练操作者的决策过程，利用遗传算法从工艺数据和加工实例中抽取出反映电参数和加工结果之间关系的模糊产生式规则，当有新的加工要求时，基于这些模糊产生式规则，通过模糊推理就可以提供一组合适的电参数，从而实现了电参数的优化。     

电火花线切割评价指标影响因素的实验研究

为了进一步定量研究高速走丝的电火花线切割的加工工艺评价指标及其影响因素,在实验的基础上,借助相关软件绘制出工艺评价指标与各工艺因素的变化曲线,并获得了其影响规律,为建立数学模型和进行参数优化打下基础,为最终实现智能优化系统提供了可能性.     

硬质合金小孔电火花加工的实验研究

在DZW-10微细电火花加工实验机上进行了硬质合金YG8、YT5等难加工材料的小孔加工实验,研究了电容及电压等电参数对加工速度、电极损耗率、小孔孔径扩大率等加工工艺指标的影响,分析了电参数对加工性能的影响机理,并在所设实验条件下得到了具有最佳加工性能的电参数.结果表明:合理配置加工电参数,尤其是电容值,可以显著改善硬质合金难加工材料的加工工艺性能.研究可以为其它难加工材料的电火花加工提供具体工艺参考及理论指导.     

碳纤维复合材料激光加工成本优化

碳纤维复合材料(carbon fiber reinforced polymer,CFRP)具有高强轻质的优点,广泛应用于航空航天、汽车等行业.其传统的机械加工方式存在成本高、效率低及加工质量差等问题.激光加工通过对不同工艺参数的适当控制,可以实现微型化、超精密的切割.目前国内外学者在激光加工质量方面已取得较多成果,但缺少对加工成本的研究.分析了激光加工的成本构成,建立了激光加工工艺参数与加工成本的数学模型.并将该模型与已建立的激光加工热影响区宽度预测模型相结合,作为目标函数,采用NSGA-Ⅱ算法对工艺参数进行优化.获得了Pareto前沿面和Pareto最优解,可根据加工成本预算或所需要的热影响区宽度进行参数选择,完成对激光加工成本及加工质量的可控研究,对激光加工碳纤维复合材料的实际工程应用具有一定的参考价值.     

基于BP网络的磷炉工艺参数优化系统建模研究

影响磷炉系统工艺的因素很复杂,其参数的选取更是具有不确定性.由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络适用于解决非确定性的参数优化问题.研究了人工神经网络技术在磷炉系统工艺参数优化中的应用,通过建立基于神经网络的电耗、产量模型以及优化工艺参数的两个判断函数,用Visual Basic 6.0对其进行了可视化开发,实现了基于人工神经网络技术的工艺参数优化.并应用三相六根电极磷炉大量样本对网络进行测试,其结果表明与实际相符,具有一定的推广应用价值.     

加工误差智能建模与预报技术的发展应用

针对柔性加工过程的特征,提出了基于神经网络的加工误差智能在线建模预报的方案和一些关键技术,并对其进行了初步研究同时,对小波变换和分形理论在预报建模中的应用作了分析和探讨     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

基于多传感器数据融合的加工质量预测技术

多传感器数据融合技术已受到广泛关注．它的理论和方法已被应用到许多研究领域。基于多传感器数据融合技术,通过分析影响加工质量的多种因素．综合考虑铣削过程主轴电机电流信号、工件振动信号、主轴转速、进给速度、切削深度、切削宽度、顺,逆铣及刀具直径8种因素。以这8种因素作为神经网络输人,进行信息融合,以加工尺寸误差作为目标输出,建立了RBF神经网络加工尺寸误差智能预测模型。     

基于小波神经网络的畸形波预报

为对畸形波这类突发性事件进行较为准确的预报,避免畸形波对海上建筑物和人员安全产生的巨大危害.采用紧致型小波神经网络模型,根据某岛礁地形实测数据建立的岛礁三维模型中测得的波高试验数据,选取试验数据中3种典型波高时间序列分别实现了包含畸形波的波浪数据对常规波浪的预报、包含近似畸形波的波浪数据对畸形波的预报以及常规波浪对包含...     

用于优化机械加工参数的神经网络模型

通过分析误差复映问题的模型,比较了各种神经网络的特点,确定了用于优化机械加工参数的神经网络模型。对该神经网络训练后,可根据各种加工条件和要求得到需要的加工次数及各次的加工余量。     

基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.     

基于马尔科夫链改进灰色神经网络的水质预测模型

根据汾河运城段的实际情况,应用改进灰色神经网络对水质进行预测.在数据处理以及关联度分析的基础上,选取关联度较高的氨氮、挥发酚、水温、BOD5及COD作为灰色神经网络的输入节点.应用灰色神经网络对水质进行预测,再用马尔科夫修正误差残值,可使修正值更加接近实测值.灰色神经网络的相对误差为68.44%～4.69%,改进灰色神经网络将相对误差为41.96%～2.23%,可见改进神经网络的预测精度更高.改进灰色神经网络模型,结合了灰色神经网络和马尔科夫的优点,提高了预测的精度,并以汾河河津大桥监测断面的水质预测为例,验证了该方法的可行性.     

磨齿机电主轴热特性及热误差建模

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络（FNN）建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析（FEA）软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示：在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.