精密丝杠热变形误差的实时测量及其智能预报补偿

为了对丝杠热变形误差进行实时控制,在丝杠尾部安装传感器实时测量丝杠的热伸长值,利用神经网络建立了该伸长值与丝杠螺距补偿值之间的关系,从而消除了热伸长引起的非线性丝杠螺距误差.     

精密丝杠热变形误差的实时测量及其智能预报补偿

为了对丝杠热变形误差进行实时控制,在丝杠尾部安装传感器实时测量丝杠的热伸长值,利用神经网络建立了该伸长值与丝杠螺距补偿值之间的关系,从而消除了热伸长引起的非线性丝杠螺距误差。     

基于Matlab-GUI数控机床热误差补偿的仿真系统

为了使数控机床加工精度得以提高,对数控机床热误差补偿系统进行研究。在建立基于BP神经网络数控机床热误差补偿模型的同时,运用Matlab-GUI工具设计了具有通用性交互式数控机床热误差补偿的仿真系统,该系统可使热误差补偿更具有实时性、在线高效性和补偿系统操作可视化。     

精密车削中心热误差和切削力误差综合建模

热误差和切削力误差是影响数控机床精度的最重要的两个误差源,误差补偿技术是一种消除机床误差经济有效的方法,而有效的误差补偿依赖于准确的误差模型.在对切削加工过程中的热变形和切削力分析的基础上,选取合理的参量,采用BP神经网络和PSO算法相结合的优化方法建立了热误差和切削力综合模型.BP-PSO建模方法改善了网络模型的收敛速度和预测精度.基于所建误差模型,对一台精密车削中心加工实时补偿后使得径向加工误差从27 μm提高到8 μm,大大提高了车削加工中心的加工精度,验证了模型精度.     

虑及结构参数误差的滚珠丝杠接触载荷建模与分析

为提高滚珠丝杠副的定位精度,提出了一种复合载荷作用下考虑滚珠几何误差的双螺母滚珠丝杠副载荷分布模型,分析了在不同轴向载荷和径向载荷复合作用下所有滚珠接触载荷分布状况,在此基础上分析了滚珠几何误差对滚珠动静态接触载荷分布的影响。仿真分析结果表明:本文提出的载荷分布模型对提高滚珠丝杠副的位置精度预测及其定位误差补偿有较好的参考意义。     

精密丝杠热变形误差的计算模型及其简化计算

建立了丝杠磨削热引起的温度分布理论计算模型,在此基础上分析了温升与工件热变形的关系．利用神经网络对丝杠热变形误差的计算模型进行了简化,通过输入有关的磨削参数(磨削功率、工件转速、螺纹长度等)．即可预报输出丝杠的热伸长．     

精密丝杠热变形误差的计算模型及其简化计算

建立了丝杠磨削热引起的温度分布理论计算模型,在此基础上分析了温升与工件热变形的。利用神经网络对丝杠热变形误差的计算模型进行了简化,通过输入有关的磨削参数,邓可预报输出丝杠的热伸长。     

考虑工件热变形的大型结构件误差建模与补偿

为减少大型结构件的加工误差,基于热特性分析建立了考虑工件热变形的综合误差模型及其补偿方法.分析光栅尺温度变化产生热变形的机理,并通过热流研究光栅尺局部的非线性温度变化规律,对龙门加工中心几何误差和热误差分别建模,并叠加生成复合误差模型.建立工件热变形与温度变化量之间的线性模型,并分析加工过程中复合误差与工件热变形之间的相互关系,建立考虑工件热变形的综合误差模型.利用数控系统外部机械原点偏移功能,应用自主研制的误差实时补偿系统,并依据考虑工件热变形的综合误差模型,实现对龙门加工中心的误差补偿.结果表明:只考虑机床误差时,复合误差模型有很高的预测精度,但并不能应用到有较大工件热变形的大型结构件加工中;而考虑工件热变形的综合误差模型在大型扭力臂的实际加工中效果良好,其加工定位精度至少提高了52%.     

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.     

单螺母滚珠丝杠副静刚度可靠性及灵敏度分析

为提高数控机床整机可靠度,基于赫兹接触理论,对单螺母滚珠丝杠副静刚度可靠性及灵敏度进行研究,利用单螺母滚珠丝杠副的导程、接触角、丝杠公称直径、滚道曲率比、工作载荷等技术参数建立了轴向接触变形的理论模型.根据滚珠丝杠副的轴向接触变形小于加工精度的原则,建立滚珠丝杠副可靠性模型.利用改进一次二阶矩法分析和计算单螺母滚珠丝杠副的可靠度和灵敏度。结果表明:适当增大滚珠丝杠副的导程以及减小滚道曲率比可提高滚珠丝杠副的刚度,减小工作载荷可以降低滚珠丝杠副的轴向接触变形,提高滚珠丝杠副的可靠度.     

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。     

Stochastic speed prediction for connected vehicles using improved bayesian networks with back propagation

Advanced vehicular control technologies rely on accurate speed prediction to make ecological and safe decisions. This paper proposes a novel stochastic speed prediction method for connected vehicles by incorporating a Bayesian network (BN) and a Back Propagation (BP) neural network. A BN model is first designed for predicting the stochastic vehicular speed in a priori. To improve the accuracy of the BN-based speed prediction, a BP-based predicted speed error compensation module is constructed by formulating a mapping between the predicted speed and whose corresponding prediction error. In the end, a filtering algorithm is developed to smoothen the compensated stochastic vehicular speed. To validate the workings of the proposed approaches in experiments, two typical scenarios are considered: one predecessor vehicle in a double-vehicle scenario and two predecessor vehicles in a multi-vehicle scenario. Simulation results under the considered scenarios demonstrate that the proposed BN-BP fusion method outperforms the BN-based method with respect to the root mean square error, standardized residuals, R-squared, and the online prediction time of proposed fusion prediction can satisfy a real-time application requirement. The main highlighted contributions of this article are threefold: (1) We put forward an improved BN method, which is combined with a BP neural network, to construct a stochastic vehicular speed prediction method under connected driving; (2) different from existing methods, a unique interconnected framework that consists of a stochastic vehicular speed prediction module, a compensation module, and a speed smoothing module is proposed; (3) extensive simulation studies based on a set of evaluation metrics are illustrated to reveal the advantages and merits of the proposed approaches.

     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

基于粒子群优化BP神经网络的医患关系风险预警模型

为了提高医患关系风险预警的准确度,提出一种基于粒子群优化反向传播(back propagation,BP)神经网络的医患关系风险预警模型.首先采用通过粒子群算法优化BP神经网络初始权值和阈值的方法来提高BP神经网络的预测准确度;通过对模型优化前后的对比分析,得出优化后模型预测误差更小的实验结果.仿真结果表明:此方法建立的医患关系风险预警模型收敛速度更快,预测精度更高.     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

光电编码器误差补偿及精度校验

编码器由于码盘刻划精度、轴系跳（晃）动、安装工艺、环境干扰等原因,必然存在误差。为了提高编码器的精度,减小测量误差,本文首先针对编码器误差源进行了分析,并提出了基于BP神经网络的误差补偿方法,在实际应用中经过补偿后误差由20″提高到了2″以内,然后对其进行了精度校验,此校验方法主要利用激光干涉仪对编码器相对转角量进行检测。最后利用LabVIEW虚拟仪器对此校验系统进行了设计,并对实验所得数据进行了数据处理和分析。     

基于BP网络算法的大地测量误差检测技术

针对大地测量检测时间长、检测过程成本较高,且检测结果准确度较低的问题,提出一种基于BP神经网络算法的大地测量误差检测方法.对大地测量的基本原理进行分析,通过对测量所得数据的综合计算得到待测量目标相对位移及旋转角度相关测量结果,构建基于BP网络的测量误差预测模型;将测量结果输入模型,得到的输出值即为预测误差,利用动态贝叶斯检验算法判断测量结果是否准确.结果表明,所提测量误差检测方法的检测结果准确率在90%以上,且检测过程所需时间与成本消耗低于实验对比方法,证实了所提方法的检测准确率及检测效率.     

基于组合损失函数的BP神经网络风力发电短期预测方法

为了改善风电大规模并网带来的电力系统功率平衡问题,提高系统的风电消纳能力,构建了基于组合损失函数的风电功率预测神经网络模型. 为了提高原始数据信息的利用率,在模型中将数据进行分类,提出以最小化组合损失函数为目标的BP神经网络风力发电短期预测模型,由均方差损失函数、交叉熵损失函数和排序损失函数按照不同的权重比构成组合损失函数. 基于实际风场数据,对基于组合损失函数的预测模型效果进行训练和仿真验证,结果表明相较于基于单一的均方差损失函数的预测方法,提出的组合损失函数可有效提高预测精度.