用粒子群模糊神经网络预测绝缘工程陶瓷线电极放电磨削加工效果

在绝缘工程陶瓷线电极放电磨削加工过程中,加工技术指标与各工艺参数间联系密切。在实际加工中,操作者通常根据以往的加工经验设置工艺参数,并对加工结果进行一定的预判。若工艺参数设置不合理,将极大影响机床的加工效率、加工精度和加工能力。为此,以BP模糊神经网络为基础,提出了一种适用于绝缘工程陶瓷线电极放电磨削加工的技术指标效果预测模型,用粗糙集理论对训练样本集进行属性和规则约简,并用改进的粒子群算法优化模糊神经网络。根据优化前后的模型对碳化硼(B₄C)陶瓷加工进行仿真实验对比,发现优化后的模型对技术指标的预测速度快、误差小、精度高。      

基于PSO-ELM的316L不锈钢细长管磁粒研磨内表面粗糙度预测模型

针对316L不锈钢细长管磁粒研磨加工过程中,最佳工艺参数难以选择,以及加工后对工件内表面粗糙度（Ra）的预测问题,将影响磁粒研磨316L不锈钢细长管内表面粗糙度的四个工艺参数作为输入值,内表面粗糙度作为输出值,构建粒子群（PSO）优化极限学习机（ELM）模型来预测316L不锈钢细长管内表面粗糙度,利用PSO对工艺参数进行全局寻优,获得最佳工艺参数组合,最后通过试验与预测结果进行对比。构建的PSO-ELM表面粗糙度预测模型拟合优度R2为0.984 8,绝对误差（MAE）为0.013 4,均方根误差（RMSE）为0.021 4。得到的最佳工艺参数组合为：主轴转速2 389.011r/min,进给速度3.167 mm/s,磨料粒径216.185μm,加工时间35.856 min,预测Ra为0.178μm。对工艺参数进行调整,试验得到的Ra为0.182μm,与预测值相比误差为2.24%。基于PSO-ELM方法构建316L不锈钢细长管内表面粗糙度预测模型,实现对工件内表面粗糙度的精确预测,应用粒子群方法得到最佳工艺参数组合,提高了磁粒研磨316L不锈钢细长管的加工效率。     

基于动态惯性权重粒子群算法的磨削低能耗加工方法

利用三层误差反向传播(back propagation, BP)神经网络建立磨削能耗预测模型,以砂轮线速度、进给速度和磨削深度为影响因素设计125组全因子试验,并取其中的75组试验数据作为该预测模型的训练样本与测试样本。采用动态惯性权重改进粒子群算法(adaption particle swarm optimization, APSO),以BP神经网络的预测作为适应度函数,以最小能耗为目标进行迭代寻优获取最优工艺参数。结果表明:模型预测结果较为准确,采用优化后的工艺参数能够有效降低磨削能耗。      

基于支持向量机的蠕墨铸铁表面粗糙度预测

目的准确预测蠕墨铸铁加工过程中的表面质量,指导加工参数调整,保证加工过程中加工质量的稳定,运用差分进化算法优化的SVM模型(DE-SVM)构建蠕墨铸铁表面粗糙度(Ra)预测模型和加工参数选择方法。方法采用DE-SVM提高支持向量机回归模型的预测精度,建立针对实际加工材料的表面粗糙度预测模型,基于构建的预测模型,挖掘表面粗糙度与加工参数之间的关系,从而获得较优的加工参数。结果结合蠕墨铸铁的铣削加工实验数据,对比DE-SVM与常用优化算法(粒子群优化算法(PSO)和遗传算法(GA))优化的SVM模型,DE-SVM模型获得的MAPE(0.122)和R2(0.9559)值均优于粒子群和遗传算法优化的支持向量模型获得MAPE和R2值。在给定的加工参数范围内,切削速度和进给速度对表面粗糙度的影响较大,且表面粗糙度与切削速度成正比关系,与进给速度成反比,而切削深度对表面粗糙度影响不显著。结论由实验的对比结果可知,采用DE-SVM模型建立的蠕墨铸铁表面粗糙度模型具有更高的预测精度,基于DE-SVM获得的加工参数对表面粗糙度的影响,可有效指导加工参数的选择与调整,对保持蠕墨铸铁优良的加工质量具有较好的指导意义。     

基于特征融合与HPO-RVM的滚动轴承剩余寿命预测

为准确预测轴承的剩余使用寿命,提出基于特征融合与猎食者-猎物优化(HPO)算法优化相关向量机的轴承剩余寿命预测方法。提取时域、频域和时频域特征准确描述轴承的退化状态,利用综合评价指标对提取的特征进行筛选得到敏感特征集;采用核熵成分分析对敏感特征进行自适应融合,得到轴承的退化特征;构建混合核函数作为相关向量机的核函数以提高模型预测性能;最后,利用HPO算法得到混合核函数的参数,将寻优得到的参数用于寿命预测模型的训练。通过对轴承加速退化数据集进行实验,结果表明：所构建的寿命预测模型优于BP、ELM、SVM等模型,构造的混合核函数模型优于高斯核函数模型,采用的优化算法优于粒子群、遗传算法等。     

基于IPSO模糊PID的汽车主动悬架电液伺服控制

为实现主动悬架的自适应控制,在整车7自由度主动悬架模型中加入阀控非对称液压缸动力学模型,并进行动力学分析。针对粒子群算法易早熟、寻优效率低的问题,提出一种改进粒子群算法(IPSO)算法,对模糊PID控制器的参数进行优化。同时,以B级模拟路面为输入,采用 AMESim 和Matlab软件对车辆行驶平顺性进行了联合仿真分析。结果表明:所建立模型能真实体现悬架系统的运动过程,所提出的控制策略能有效降低路面对车身垂向振动、俯仰、侧倾等性能指标的影响,提高车辆的行驶平顺性和操纵稳定性。     

基于工艺参数的7005铝合金力学性能的支持向量回归预测

根据7005铝合金在不同工艺参数(挤压温度、挤压速度、淬火方式和时效条件)下的力学性能(抗拉强度σ_b、屈服强度σ_(0.2)和硬度HB)实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)结合留一交叉验证(LOOCV)的方法,对7005铝合金力学性能进行建模和预测研究,并与偏最小二乘法(PLS)、反向传播人工神经网络(BPNN)和两者结合的PLS-BPNN模型的预测结果进行比较.结果表明:基于SVR-LOOCV法的预测精度最高,对3种力学性能(σ_b、σ_(0.2)和HB)预测的均方根误差(RMSE)分别为4.531 9 MPa、14.550 8 MPa和HB1.414 2,其平均相对误差(MRE)分别为0.72%、2.61%和0.66%,均比PLS、BPNN和PLS-BPNN方法预测的RMSE和MRE要小.     

电喷发动机配油转阀的设计及其流场分析北大核心

针对电子喷油器控制难度和精度高的特点,为进一步提高喷油精度,提出一种新型高压共轨喷油器配油转阀,并对阀口流场特性进行数值模拟。介绍转阀结构和工作原理,基于JE4D25A型柴油发动机工作参数,通过理论计算得到阀口关键尺寸,建立阀道流体域物理模型,在Fluent软件下对阀芯转角分别为11.5°、23°和34.5°位置流域模型进行仿真分析,得到流体在阀口处的流动特性。经分析,在怠速和额定转速下,单次配油量分别为0.059 mL和0.078 mL,额定转速下的输出流量比理论计算多6.8%,为后续阀口尺寸优化提供了参考。     

船用柴油机针阀体失效分析及改进措施

针阀体是柴油机喷油器的关键零件。某船用柴油机仅运行了5h,其喷油器针阀体即开裂。开裂的针阀体材料为18CrNi8钢,经过930℃×4h乙炔气真空渗碳、820℃×2.5h氮气淬火、-100℃×2h深冷处理和180℃×4h回火处理。对开裂的针阀体进行了化学成分分析、断口分析、金相检验、硬度测试和有效硬化层测试。结果表明:针阀体肩胛倒角处组织过热,且存在易成为裂纹起始点的机加工缺陷,导致其在发动机运行过程中在交变应力的作用下发生疲劳开裂。根据针阀体开裂的原因提出了改进措施,取得了良好的效果。     

基于PSO-LSSVM算法的表面粗糙度预测模型与应用

为便于选取合适的切削参数,以满足期望的加工表面质量要求,提出一种最小二乘支持向量机(LSSVM)和粒子群优化(PSO)相结合的表面粗糙度预测模型。以预测精度和收敛速度为指标,对比PSO-LSSVM模型与支持向量机、人工神经网络和遗传算法优化BP神经网络模型的优劣。结果表明:PSO-LSSVM模型具有较高的预测精度和较快的收敛速度。基于MATLAB GUI搭建了表面粗糙度预测与参数优化应用系统。该系统具有较好的实用性,可实现简单、快速预测表面粗糙度,帮助决策人员灵活选取切削参数。     

基于混合粒子群算法的注塑机电液伺服系统控制研究

注塑机电液伺服系统是一个时滞、非线性复杂系统,传统PID控制往往难以取得理想的控制效果。为了获取良好的控制效果,提出一种用混合粒子群算法优化PID控制器参数的方法,将模拟退火算法引入到粒子群算法中,能够更加快速、准确寻优出PID控制器最优参数。利用MATLAB仿真软件建立注塑机电液伺服系统控制模型,将混合粒子群算法与粒子群算法、遗传算法进行对比。仿真结果表明:利用混合粒子群算法优化的PID控制器收敛速度快、准确性高、鲁棒性强,明显提高了系统的控制性能。     

基于PSO和属性约减的模糊神经网络机床故障诊断

数控机床伺服系统工作原理复杂。为了提高智能故障诊断的准确性,提出基于PSO理论和属性约束规则(RSM)的模糊神经网络算法。先对训练样本进行属性约减;由于PSO算法具有全局优化能力和BP算法具有局部搜索效率高的优点,利用它们训练神经网络,克服了传统方法收敛速度慢的缺点;并通过Matlab仿真证明,该方法具有较高的诊断准确性。     

基于混合算法的七轴机器人逆解求解

为了解决七轴机器人逆运动学求解较难、精度较低的问题,提出一种基于数值迭代法与粒子群优化算法相结合的方法求解.对机器手模型及逆运动学位姿函数进行了研究,利用数值迭代法进行机器手逆解的初步最优角度解,在此基础上缩小搜索范围利用粒子群算法进行二次优化搜索计算,减小数值迭代过程中产生的累积误差,仿真结果表明机器手的位姿精度大大...     

溢流阀阀体结构优化中均匀设计试验法的应用

针对溢流阀在线检测装置中,内置式涡流传感器的安装对阀腔流场产生影响,使溢流阀工作性能下降的问题,提出基于均匀设计试验法的阀体结构优化试验方案的研究方法。综合分析阀芯、阀座各结构参数的作用规律,确定优化的结构参数与优化指标,分析各结构参数间的交互效应,求解多优化目标的响应面函数。而后建立阀腔流场有限元分析模型,通过非线性二次规划算法,求解分析阀腔流场的优化结果。结果表明:均匀设计法适用于阀体流场结构优化的试验方案安排,优化后阀腔流场性能得到大幅提升。     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

基于高质量和低振动的铣削参数优化方法研究

针对数控铣床在切削过程中产生的振动对工件表面质量的影响,提出以低振动和高表面质量为优化目标,对切削参数进行优化。以VDF-850A铣床为研究对象对45号钢进行铣削正交试验,通过建立振动采集系统,采集振动信号提取振动特征值并测量工件表面粗糙度值,应用最小二乘法拟合数据建立了振动和粗糙度数学模型。利用层次分析法确定两目标函数权重,使用平方和加权法对两目标函数加权拟合成综合目标评价函数,运用粒子群算法优化切削参数。试验结果表明:应用粒子群算法优化后的切削参数进行加工可有效的降低振动和提高表面质量。     

基于神经网络的铣削大理石表面粗糙度预测模型

目的利用粒子群优化BP神经网络建立大理石加工表面粗糙度精确预测模型。方法首先采用不同切削参数进行铣削大理石试验,测量加工表面粗糙度值,同时对粒子群算法进行改进,使惯性权重按指数形式递减,并增加速度扰动系数,利用改进粒子群算法优化BP神经网络,建立铣削大理石表面粗糙度神经网络预测模型。其次使用部分试验数据来训练预测模型,使得到的网络参数让网络可以精确预测表面粗糙度。最后利用其余试验数据验证神经网络预测模型的准确性与可靠性。结果经过计算得到粒子群优化BP网络算法的预测模型归一化均方差为0.0501,最大相对误差为10.78%,且误差变化较为均匀。经验公式模型归一化均方差为0.1069,最大相对误差为39.64%,误差变化幅度较大。结论将神经网络模型与经验公式相比较,结果表明,所建网络模型具有较高的预测精度与较强的鲁棒性,对合理选择切削用量以得到理想表面粗糙度有一定参考价值。     

G20CrNi2MoA钢的回火特性及在柴油机针阀体上的应用

研究了由G20CrNi2MoA渗碳轴承钢制作的柴油机渗碳针阀体的回火特性。对该材料的化学成分、力学性能及显微组织进行了详细的检测,并研究制定了最佳的热处理工艺。在180~250 ℃不同温度下对针阀体试样进行回火处理,通过光学显微镜对针阀体座面及心部组织进行了分析,XRD检测了端面残奥含量,并用显微维氏硬度计对座面渗层及心部进行了硬度分析。结果表明,当回火温度为230 ℃时,G20CrNi2MoA钢针阀体的座面硬度可达740 HV(61.8 HRC),端面残奥体积分数为0.25%,能保证针阀体在230 ℃左右温度下具有良好的耐磨性和组织、尺寸的稳定性。试制出的针阀体寿命较长,能满足柴油机对针阀体的使用要求。     

基于遗传算法迭代学习的偏心轴廓形误差补偿研究

为了提高偏心轴类零件轮廓加工精度,引入遗传算法和迭代学习PID控制算法,利用遗传算法对偏心轴磨床不同转速下的X-C轴PID参数进行整定,再通过迭代学习PID控制方法对X-C轴进行迭代学习控制,减小偏心轴磨床X-C轴的跟踪误差,通过MATLAB的Simulink仿真工具建立偏心轴磨削迭代学习PID控制仿真程序,进行仿真实验。实验表明基于遗传算法的PID迭代学习控制比普通PID控制更能够有效控制X-C轴跟踪误差,提高偏心轴轮廓加工精度。     

温锻压力机肘杆机构的自适应粒子群算法优化

为了改善温锻压力机肘杆机构的下压性能、提高产品质量,提出了肘杆机构的自适应粒子群算法优化方法.使用封闭矢量法建立了传动机构的运动学模型.以6连杆尺寸为优化参数,以滑块最大运动速度、最大加速度和曲柄最大输出扭矩为优化目标,建立了优化模型,根据曲柄存在条件、上连杆摆角约束、滑块行程约束等设置了约束条件.在粒子群算法的基础上...