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BP神经网络的电主轴热误差补偿模型

热误差是影响高精度数控机床加工精度的主要的误差因素.文章主要论述了利用BP神经网络来建立CX8075车铣复合加工中心电主轴热误差补偿模型的建模的过程,以两组不同的数据,分别进行的训练和预测,经过在软件MATLAB中的模拟测试,通过BP神经网络建立的电主轴热误差补偿模型具备了较高的拟合和预测精度.分析结果表明,电主轴的原始热误差值与模型计算的输出结果的值非常接近,最低补偿率可达90％以上,这代表运用该BP神经网络模型能够补偿大部分的热变形误差.     

基于支持向量机钛合金铣削力预测分析

钛合金材料广泛应用于各个领域,其材料在加工过程中受铣削力影响易于产生变形而影响加工质量,为此需对铣削力进行预测分析。针对实际加工工程中铣削力函数不能显式表示的问题,提出一种基于支持向量机铣削力模型预测的方法。利用正交试验设计选取合适的设计参数样本点建立铣削力预测模型,并获得预测值与实验值的拟合曲线,试验值通过有限元建模获得,分别对预测值与试验值结果进行误差率及显著性检验分析。为验证支持向量机方法的有效性,建立BP神经网络模型对试验值预测。与BP神经网络模型预测比较,结果显示支持向量机模型预测的结果更能精确预测。     

基于BP神经网络的Ti2448合金高温变形研究

利用Gleeble 3500热模拟试验机,对Ti2248合金的试样进行压缩试验,获得了不同变形温度、应变速率和真应变下的流动应力数据.根据实验数据和神经网络理论,建立BP神经网络.结果表明,该BP神经网络模型具有很高预测精度,误差均在5％以内,可很好预测Ti2448合金在高温变形过程中不同参数对流变应力的影响.     

基于遗传神经网络的铣削力预测方法

铣削过程的复杂性和铣削力产生的多因素性使得铣削力预测模型很难建立.论文在遗传算法与BP网络模型相结合的基础上,利用遗传算法训练神经网络权重的方法,建立了铣削力预测的遗传神经网络模型.最后将神经网络预测结果与实验数据进行比较和误差分析,证明了该神经网络能够准确地预测铣削力的大小.     

基于CosmosWorks的折弯机液压补偿能力的分析

建立了折弯机的三维模型,分析了下横梁液压补偿机构的原理并对其进行了设计计算.采用有限元软件CosmosWorks对折弯机下横梁进行了静力分析,定量地描述了下横梁的变形和应力分布状态.通过折弯角度的误差分析以及折弯机滑块与下横梁上表面的挠度曲线的对比研究,得到液压补偿装置的变形规律,验证了液压补偿系统具备对下横梁的挠曲变...     

基于SSA-PSO-BP神经网络航空壁板装夹变形预测研究

航空壁板在制孔时由于装夹会发生轻微形变，导致盲制孔精度降低。受加工成本影响，无法通过众多激光传感器来确定装夹后壁板的确切位置。为精准预测航空壁板的变形量，提出一种改进的神经网络预测算法，首先利用粒子群优化算法(PSO)将BP神经网络的初始权值和阈值进行初次优化，再选取收敛速度快、全局寻优能力强的麻雀搜索算法(SSA)对权值和阈值进行二次寻优，从而建立SSA-PSO-BP神经网络航空壁板装夹变形预测模型。利用Abaqus软件获取50组壁板变形数据作为神经网络的训练与预测数据(训练集45个，测试集5个),对神经网络模型进行训练。为了验证所建模型的准确性，利用BP、PSO-BP、SSA-PSO-BP这3种模型对测试集进行预测，并运用MAPE与RMSE对神经网络模型进行评价。结果表明：基于SSA-PSO-BP的神经网络模型预测航空壁板变形误差较小，预测结果准确率更高。     

整机热变形中测温点优化选择方法的研究

在高速高精度机床的加工过程中,由于各种热源的作用会导致机床产生热变形,从而影响其加工精度.针对整机热变形误差是影响机床加工精度的最大误差源,提出采用模糊聚类分析法对测温点进行优化选择,并利用多元线性回归方法建立整机热变形与温度之间的数学模型.结果表明,经优化后的温度变量应用到热误差模型中能够有效的预测整机的热变形,并且补偿效果很好.     

基于混沌神经网络的钻削力在线预测

针对深孔加工中钻削力和扭矩测量难的问题以及BP神经网络本身存在的缺陷,利用混沌遗传算法优化的BP神经网络对深孔钻削时产生的钻削力和扭矩进行在线预测。通过混沌遗传算法优化BP神经网络的初始权值和阈值,用优化后得到的最优解作为BP网络算法的初始权值和阈值。以BTA钻削为例,通过实验获得不同钻头直径,转速和进给量条件下的多组轴向力和扭矩。利用MATLAB建立优化后的BP神经网络预测模型,对轴向力和扭矩进行预测分析。并与传统BP神经网络获得的预测结果进行对比。结果表明,利用混沌遗传算法优化的BP神经网络模型很好的克服了传统BP网络收敛速度慢、易陷入局部最小值的缺陷,预测结果更加准确,为钻削力和扭矩的在线预测提供了新的思路。     

基于人工神经网络的挤压变形抗力的建模

利用人工神经网络方法建立了挤压力系统模型，运用梯度下降法对BP神经网络进行训练，得到了15钢挤压时的挤压力与凹模锥角、凸模直径、断面缩减率的非线性映射关系。从而可预测在一定条件下挤压力的变化情况。结果表明：运用这种模型对挤压力进行预测是可行的。