基于人工神经网络的振动 钻削仿真与参数优化

将人工神经网络（ＡＮＮ）技术引入振动钻削领域,研究适用于变参数振动钻削过程仿真与参数优化的神经网络模型和算法。实验表明, ＡＮＮ优化精度较高,为振动钻削研究提供了新的分析方法与途径。     

基于人工神经网络的振动钻削仿真与参数优化

将人工神经网络技术引入振动钻削领域,研究适用于变参数振动钻削过程仿真与参数优化的神经网络模型和算法。实验表明,ＡＮＮ优化精度较高,为振协钻削研究提供了新的分析方法与途径。     

多层复合材料微小孔振动钻削三参数优化

利用电控式微小孔振动钻床对多层复合材料的微小孔钻削进行了试验研究 ,对不同材料层的加工参数进行优化 ,进而提出多层复合材料阶跃式三参数振动钻削新工艺。试验表明 ,阶跃式三参数振动钻削的入钻定位误差r、孔扩量ΔD、出口毛刺高度H值比普通钻削的相应值显著降低。     

多层复合材料微小孔振动钻削三参数优化

利用电控式微小孔振动钻床对多层复合材料的微小孔钻削进行了试验研究,对不同材料层的加工参数进行优化,进而提出多层复合材料阶跃式三参数振动钻削新工艺。试验表明,阶跃式三参数振动钻削的入钻定位误差ｒ、孔扩量△Ｄ、出口毛刺高度Ｈ值比普通钻削的相应值显著降低。     

叠层材料振动钻削虚拟集成环境

本文设计的叠层材料振动钻削虚拟集成环境可在材料实际加工前对振动参数和加工参数进行定性和定量的分析 ,并能确定优化的振动参数和加工参数 ,预测加工质量。分析了MATLAB与VC + +混合编程的特点与方法 ,简要说明了系统软件的框架结构及功能模块调用关系。系统仿真模型采用结合灰关联度分析法和残差补偿法的GM ( 1 ,4)模型 ,利用基于黄金分割法的反推算法进行参数优化。该虚拟集成环境为叠层材料振动钻削仿真与参数优化及实验模型的测试、检验、评估提供了方便。     

叠层材料振动钻削的计算机仿真

以灰色系统理论为基础,将GM(1,h)模型应用于叠层材料变参数振动钻削过程的仿真,运用灰关联度分析方法研究了叠层材料振动钻削过程中的振动频率、振幅、进给量等输入参数对工艺效果的影响,获得了钻削效果影响因素的显著性次序。理论分析和实验结果表明,用GM(1,h)模型进行仿真,建模方便、计算简单。为叠层材料振动钻削研究提供了新的方法和途径。     

超声振动辅助微小孔高速钻削技术研究

结合高速钻削和超声振动钻削优点,自行研制出超声振动辅助高速钻削机床。利用该机床,通过实验对比超声振动辅助高速钻削和普通钻削条件下加工工件的孔扩量、表面粗糙度和出孔、入孔毛刺等参数,研究评价超声振动辅助高速钻削性能。实验结果表明,相对于普通钻削,超声振动辅助高速钻削可实现φ0.1mm、深径比大于10的微细深孔加工,实验结果证明了理论与实验分析的正确性。     

液压式低频轴向振动钻削的实验研究

先对振动钻削进行简要的介绍,设计出振动钻削实验方案;利用实验室研制的液压低频轴向振动钻削实验系统,对铸铁、铝合金和碳钢进行振动钻削实验,根据所采集的负载扭矩与钻孔孔径尺寸值数据,对普通钻削与振动钻削之间的差异进行分析;证实了振动钻削具有降低钻孔负载扭矩、提高钻孔质量的结论。     

低频周向振动钻床主轴系统等刚度动态力学模型建立研究

分析了低频周向振动钻削切削力,基于控制原理的思想建立了低频周向振动钻床主轴系统等刚度动态力学模型,提出低频周向振动钻削时激振器输出振幅与钻头振幅之间的关系,为周向振动钻削系统设计和振动参数选择提供理论支持。     

叠层材料变参数振动钻削模型与实验研究

简述了叠层材料的特点及其应用,分析了叠层材料的结构特点,提出了接合区和泛接合区的概念。在此基础上建立了叠层材料变参数振动钻削的加工模型,给出了３层叠层材料５区段变参数振动钻削加工方案。多种叠层材料的加工实验表明,采用变参数振动钻削工艺可明显改善加工指标,是合理有效的工艺方法。     

人工神经网络在双向板弹性内力计算中的应用

将人工神经网络技术应用于结构内力分析，介绍了前馈型BP神经网络的模型及其算法，在分析双向板弹性内力时，建立了一个三层的BP网络，将该网络进行训练后计算四边简支双向板跨中弹性最大弯矩，在分析时，为了增强网络的推广能力，还以权值的修正量作为参考的收敛标准，同时，为了加快学习速率而不导致振荡，还采用了增加动量系数的方法来修改反传中的学习速率，BP网络的分析程序采用Matlab编制，计算结果表明人工神经网络在结构分析中具有良好的适用性。     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.     

基于神经网络的弹性连杆机构动力响应分析

针对求解弹性连杆机构动力响应过程的复杂性和耗时性，提出了基于人工神经网络中的向后传播网络的机构动力响应分析模型，利用训练后网络所给出的近似函数关系式，推导出网络输出参数对网络输入参数的灵敏度计算公式，将训练后的网络以及求解灵敏度的方法应用于弹性连杆机构的优化设计和可靠性分析中，可减少动力响应分析时间，提高设计效率。     

粒子群优化算法在训练前向神经网络中的应用

笔者对用PSO训练前向神经网络做了研究,提出了用PSO算法训练前向神经网络的新方法,并通过算例和BP算法做了比较,实验结果说明了本文算法的有效性.     

基于改进PSO-BP网络的钻削刀具参数选择的研究

提出了用非线性惯性因子ω改进的微粒群算法与BP神经网络相结合的方法,适当选择钻削刀具的切削用量,克服了BP网络训练时间长,因易陷入局部最优点而不利于全局最优点搜索的不足.通过相同的实验样本测试发现,与以前的BP和GA-BP算法相比,训练时间分别缩短了73s和21s,测试的正确率分别提高了0.83%和0.32%.     

基于BP神经网络的立铣加工振动快速预估

结合研制的立铣加工过程虚拟仿真系统和实验测量铣削力信号,训练并建立优化的1-20-1型BP神经网络模型,快速实现铣削加工过程刀具-工件系统振动状态的预估.对比神经网络模型预估的振动结果与实验测量振动信号可以看出,二者数据吻合较好,表明铣削虚拟仿真系统与神经网络技术的结合能够高效低耗地用于不同铣削加工条件下铣削振动状态的快速预估和加工过程监测.     

Integrating artificial neural networks and geostatistics for optimum 3D geological block modeling in mineral reserve estimation:A case study

In this research,a method called ANNMG is presented to integrate Artificial Neural Networks and Geostatistics for optimum mineral reserve evaluation.The word ANNMG simply means Artificial Neural Network Model integrated with Geostatiscs.In this procedure,the Artificial Neural Network was trained,tested and validated using assay values obtained from exploratory drillholes.Next,the validated model was used to generalize mineral grades at known and unknown sampled locations inside the drilling region respectively.Finally,the reproduced and generalized assay values were combined and fed to geostatistics in order to develop a geological 3D block model.The regression analysis revealed that the predicted sample grades were in close proximity to the actual sample grades.The generalized grades from the ANNMG show that this process could be used to complement exploration activities thereby reducing drilling requirement.It could also be an effective mineral reserve evaluation method that could produce optimum block model for mine design.     

小直径深孔加工切削用量的实验优选

在实际的机械加工中,要想高效地加工出高质量的产品,除了考虑工件材料的加工性能、刀具优劣、机床等因素外,选择合理的切削用量是十分重要的。在理论优化的基础上,结合实验优选,所选切削用量将更为正确。文章以加工小直径深孔为例,介绍一种切削用量的实验优选方法。