基于多体理论的加工中心热误差建模及补偿技术研究

文章基于多体系统理论,提出四轴加工中心的热误差建模理论和方法,同是运用RBF神经网络方法对热误差模型进行参数辨识.最后对工件优选了5个测温点,实时测量其温度,作为误差参数辨识的输入值,实现了软件实时补偿.在该加工中心上分别沿4个坐标方向加工工件表面并比较补偿结果,表明补偿效果显著.     

基于遗传神经网络的直线伺服系统定位误差补偿

针对数控直线伺服系统的定位误差补偿,采用激光干涉仪测量工作台的定位误差,建立基于RBF算法的神经网络误差模型.提出遗传算法的训练方案优化RBF的网络参数,为了评价优化后RBF网络预测的精度,运用部分误差样本进行训练和仿真.构建了以DSP为核心的直线电机定位误差实验平台,根据误差校正值进行误差实时补偿实验.仿真和实验结果表明:经过遗传算法训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,工作台定位精度显著提高.     

基于RBF神经网络优化卡尔曼滤波的焊缝路径修正研究

在焊缝跟踪过程中存在多种噪声干扰,严重影响焊缝位置信息的准确提取。以碳钢平板对接焊为试验对象,通过提取脉冲涡流检测信号波形的峰值和过零时间实现对焊缝位置参数的检测。为避免噪声特性的不确定性对卡尔曼滤波焊缝跟踪的影响,使用径向基(RBF)神经网络优化卡尔曼滤波算法,以卡尔曼滤波状态参量作为网络输入,滤波误差作为网络输出,建立RBF神经网络训练过程。利用训练好的RBF神经网络输出修正的卡尔曼滤波值,补偿焊缝中心滤波误差。试验结果表明,采用RBF神经网络优化的卡尔曼(Kalman)滤波焊缝修正方法能够减小噪声对测量数据的影响。通过修正脉冲涡流测量数据,获得更为精确的焊缝中心位置,提高了焊缝跟踪精度。     

基于RSSI的室内移动机器人测距方法分析

作为一种全新的定位技术,RSSI(Receive Signal Strength Indicator)被广泛应用在WLAN(Wireless Local AreaNetwork)中的室内移动机器人定位领域。为采用几何法进行室内移动机器人定位,提出基于RSSI的测距方法。分析无线信号传播的特点和RSSI测距的原理,建立无线信号传播损耗模型。采用带有无线网卡的笔记本和LINKSYS路由器构建测距实验系统,其中路由器作为基站固定于一点,无线网卡作为移动节点时刻发送信号,通过实验得到距离d与RSSI值的关系曲线,利用无线信号传播损耗模型中的参考点信号强度和比例因子进行标定,并分析测距精度。结果表明,影响测距精度的因素主要包括障碍物和空间大小等。根据确定的无线信号传播损耗模型进行测距实验,实验结果表明:在3 m范围内测距最大误差为0.79 m,能够较好地满足室内移动机器人定位的需要。     

基于RBF神经网络的刀具磨损量的估测

简要介绍了电流监测方法以及RBF神经网络的结构和算法，并基于镗削过程中的一组实验数据，用RBF神经网络方法，对刀具磨损量进行估测，结果的误差分析证明该方法是可行的。     

移动机器人神经网络补偿计算力矩控制

针对存在动力学不确定建模项、建模误差及外界干扰的移动机器人,设计RBF神经网络补偿计算力矩控制算法。基于反步法设计运动学辅助速度控制率。根据动力学理想名义模型,基于计算力矩法设计一般的力矩控制器。在此基础上,建立具有不确定建模项、建模误差及外界干扰的移动机器人动力学模型,基于计算力矩法设计带有RBF神经网络补偿的力矩控制器,神经网络的权值由自适应律给出。最后,利用Lyapunov理论证明了系统的稳定性。仿真结果表明：神经网络对系统不确定项具有良好的逼近性能,相比于一般的计算力矩控制,所提出的神经网络补偿计算力矩控制算法具有更好的跟踪性能,控制系统具有更好的鲁棒性。     

基于RBF神经网络和扰动观测器的PMLSM位置控制

针对永磁直线同步电机的位置控制,其控制精度易受模型误差和负载扰动等因素的影响,设计了一种改进型的滑模趋近律控制器,提出了基于RBF神经网络的建模误差逼近器和非线性负载扰动观测器。首先,利用改进型的滑模趋近律算法,加快到达滑模面的速度,降低系统的滑模抖振;其次,采用RBF神经网络算法逼近系统的建模误差;最后,非线性扰动观测器对系统的负载扰动进行估计。此外,系统采用前馈补偿控制策略,以提高系统的控制精度。仿真结果表明:通过与传统的滑模趋近律控制方法相比,文章提出的方法提高了系统的控制精度、增强了系统的鲁棒性。     

基于RBF神经网络的泵控系统滑模控制器设计及仿真分析

针对泵控系统滑模控制方面的研究,根据泵控系统的降阶数学模型中存在的未知项f (),再结合滑模控制算法设计基于RBF神经网络的滑模控制器。通过MATLAB/Simulink建立系统的仿真模型,然后进行位置指令仿真分析。研究结果表明：相比较PID控制器,基于RBF神经网络的滑模控制器获得了最小跟踪误差。在干扰条件下跟踪10 Hz频率与1 mm幅值的正弦位置信号,基于RBF神经网络的滑模控制器误差最小;施加干扰力后,控制器都出现了更大的跟踪误差,此时基于RBF神经网络构建的滑模控制器可以快速恢复跟踪误差。研究设计的基于RBF神经网络的泵控系统滑模控制器具有很好的跟踪精度和更强的鲁棒性,可以拓宽应用到其他机械传动领域。     

机床误差正交光栅检测及补偿的研究

文章提出了多轴机床空间误差的平面正交光栅检测和补偿方法.建立了包含21项几何误差的数控机床误差模型,给出了应用神经网络进行空间误差识别和补偿的技术.通过试验对比,验证了该方法的可行性.     

基于BP神经网络的磨床力误差补偿方法

为建立磨削加工参数与磨削力导致的力变形误差之间的关系模型,提出基于神经网络的力误差建模和实时补偿方法。建立经遗传算法优化的BP神经网络以表征磨削参数与磨削力的关系;运用有限元方法对零件进行力学分析,建立磨削力与力变形量的关系模型;建立加工参数与切削力误差映射模型,预测误差补偿量,进行实时补偿。实验结果表明:该切削力误差模型准确有效,具有较高的应用价值。     

基于ESO的电动伺服系统RBF神经网络滑模控制

为了提高电动伺服系统的加载力跟踪精度,基于扩张观测器(ESO)和RBF神经网络,设计了一种自适应滑模控制器。ESO可以观测电动伺服系统的状态变量和外界扰动,解决实际工程应用中因对输出力直接微分造成的微分爆炸问题;利用RBF神经网络逼近系统存在的非线性不确定因素,将ESO观测到的状态变量、扰动项和RBF神经网络的估计值引入到滑模控制其中,实现对滑模控制的补偿,并通过构造李雅普诺夫函数对所提出的控制策略进行稳定性证明;在MATLAB/Simulink环境中搭建仿真模型,验证了ESO和RBF神经网络在不同工况下对系统相应量的精准估计,且误差均满足所设定的性能指标,同时与传统滑模控制进行了对比,所提出的控制策略能有效地解决传统滑模控制的抖振问题,加载力跟踪精度更高,鲁棒性能更优。     

基于最小二乘配置的预行程误差模型

为数控机床在线检测中预行程误差影响测量精度问题,对预行程误差的补偿方法进行了研究。在分析了在线检测系统中触测探针触发过程存在的预行程误差问题,提出了一种基于最小二乘配置法的预行程误差预测模型。并通过实际算例,验证了所提出的方法的精确性和有效性。同时与RBF神经网络模型的预测结果进行了对比分析。结果表明,最小二乘配置模型拟合残差较小,相应的在线检测预行程误差模型预测效果更好,预测精度相比高出38.86%。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

基于径向基神经网络的中厚板热弯成形收缩特性分析

针对中厚钢板热弯成形冷却收缩变形问题,对影响变形的主要因素进行了分析。采用拉丁超立方抽样与有限元数值模拟相结合的方式得到试验样本数据,并在此基础上利用径向基函数神经网络建立收缩变形量的预测模型。预测值与试验值相比,最大误差小于1.5%,表明该预测模型的有效性。最后根据RBF神经网络预测的收缩变形量,以冷却过程中有限元节点的位移矢量关系为依据,对模具型面进行了补偿修正。结果表明,采用修正后的模具生产出的产品尺寸误差小于0.05%,满足形状精度的要求。     

基于神经网络的电动机故障诊断设计

以神经网络模型理论和智能控制技术为基础,研究了径向基函数(RBF)神经网络的模型结构及其在交流电动机故障诊断中的实现方法。结果表明:RBF神经网络的训练速度更快,逼近误差更小,能够更加有效地解决交流电动机故障诊断问题。     

基于模糊神经网络补偿的刚性机械手轨迹跟踪鲁棒控制

对存在模型误差和外部扰动信号的刚性机器人,提出采用计算力矩和模糊神经网络补偿相结合的控制方法,实现了刚性机器人轨迹跟踪鲁棒控制.该控制方案不仅可以简单得到精确在线训练数据,而且克服了神经网络控制实时性差的弱点.仿真结果表明,采用模糊神经网络作为补偿控制器,既能消除不确定性对系统的影响,又能得到渐近收敛的跟踪误差.     

四旋翼飞行器自适应神经网络轨迹跟踪控制器设计

针对带有模型不确定性和未知外界干扰的四旋翼飞行器轨迹跟踪控制问题,提出一种自适应RBF神经网络控制策略。该方法利用RBF神经网络在线逼近和补偿系统中的未知非线性函数,减少对数学模型的依赖,提高抗干扰能力;结合Lyapunov方法导出在线调节神经网络权值的自适应律,增强鲁棒性;利用Lyapunov理论证明控制器的稳定性。通过仿真和试验验证该方法的有效性和工程应用价值,结果表明：在时变干扰和参数摄动作用下,所提方法相对于自抗扰控制的调节时间缩短1.1~2.1 s,轨迹跟踪的绝对误差平均值减小38.27%,具有更好的鲁棒性和抗干扰能力。     

基于RBF神经网络的连杆衬套强力旋压轴线直线度预测

为了实现对连杆衬套强力旋压轴线直线度误差的预测,从而改善连杆衬套的性能,基于MATLAB平台,建立了减薄率、进给比、首轮压下比与轴线直线度误差之间的RBF神经网络模型。用仿真数据对其进行训练,然后预测内、外轴线的直线度误差。并将预测值与仿真值比较,得出RBF神经网络预测误差百分比,与实测值进行比较,验证RBF神经网络在实际生产中的预测性能。再与同样条件下所建立的BP神经网络预测误差百分比对比。发现RBF神经网络可以用来预测连杆衬套强力旋压轴线的直线度误差,并且比BP神经网络收敛速度及学习速率更高,训练过程更稳定,预测精度更高。     

基于支持向量机的机械加工误差预测与补偿模型的研究

对加工系统进行补偿是提高机械加工精度的有效手段.通过对加工系统的研究,建立误差预测模型,是进行误差补偿的必要途径.本文以镗孔加工为实验对象,提出了基于支持向量机(Suport Vector Machine,SVM)的加工系统误差预测模型,实验结果显示,支持向量机可以应用于误差预测建模,且在系统误差的预测精度上高于基于径向基(RBF)神经网络的误差预测模型.     

机床热误差补偿群控系统研究

为提高热误差补偿精度和实现热误差补偿群控,提出了一种车间机床热误差补偿群控方法,采用分布式采集、补偿控制以及集中式建模计算,有效提高了采集端的扩展性,充分利用了服务端的高性能。基于CAN总线,构建了机床状态信息采集平台,结合PSO-BP神经网络进行了热误差建模研究,开发了热误差补偿群控系统,开展了机床状态信息采集监控及误差补偿实验。实验结果表明:该系统具有较好的扩展性,适应多类型机床信息采集与交互;热误差补偿群控模型有效提高了机床定位精度,具有较好的工程应用前景。