基于模糊物元分析的PSO-LSSVM磨加工补调值在线预测与补偿方法北大核心

磨削过程中尺寸补调值的设定对批量工件的加工精度具有至关重要的作用。通过对外圆磨削过程的深入分析,研究磨削加工过程中的补调值预测算法,提出基于模糊物元分析的PSO-LSSVM补调值精确预测模型。通过模糊物元分析迅速准确地获得最佳工艺参数,并将对应的参数作为输入,以此训练出PSO-LSSVM预测模型。通过PSO优化LSSVM模型参数,提高了模型的预测精度。当预测值大于理论边界时,对尺寸误差进行补调,及时调整工艺参数以提高加工精度。通过磨削加工在线测量实验验证,模型平均绝对误差为0.05257μm,均方根误差为0.06533μm;采用所得模型对试样外磨削工件加工时的补调值进行预测可得平均绝对误差0.09625μm,均方根误差0.13412μm,达到补调值预测的精度要求。通过批量工件的加工测试,得出批量工件加工精度较未使用补调值预测补偿控制前显著提高。将提出的补调值预测方法应用于磨加工主动测量控制仪中,控制仪实现了自动补调并与机床形成反馈控制,提高了磨削加工工件的精度与磨加工系统智能化程度。     

平磨磨削力的数学模型改进与实验

为了实现操作人员对最佳磨削参数的可重复性使用,研究改进磨削力的数学模型,以此分析磨削参数对磨削力的影响。磨削力数学模型以力的加速度为核心,使用加速度规测量磨削加工时所产生的振动量,将振动加速度测量值、磨削力模型及牛顿第二运动定律进行计算求得磨削常数,将磨削常数及加工时磨削参数代入磨削力模型得到理论值,与实验结果进行验证并探讨实验值与理论值的误差大小。实验结果表明:实际测量的磨削力造成的振动加速度值与改进的磨削力模型的预测值结果误差相当接近,改进的磨削力数学模型是可行的。     

基于LSTM和声发射的金刚石砂轮磨损状态识别

针对超精密磨床磨削加工中对砂轮磨损状态监测和识别的需求,基于长短时记忆网络(LSTM)建立砂轮磨损状态识别模型,通过小波包分析提取砂轮磨损敏感频段的特征,继而使用降维后的敏感频段频域特征为输入来训练模型以识别砂轮的磨损状态,并对比了不同超参数下的LSTM网络以及传统前馈神经网络的识别效果以获取最佳模型。完整寿命周期的金刚石砂轮磨削熔石英玻璃实验结果表明基于LSTM的网络模型可以准确识别砂轮的磨损状态,且误差比传统BP神经网络模型降低了61.3%,证明了模型的有效性,并为进一步使用数据驱动模型研究砂轮剩余寿命预测提供了理论基础。     

基于指令域大数据的零件尺寸预测方法

针对机械加工零件的尺寸误差人工检测效率低和在机检测成本过高的问题,提出了一种尺寸在线预测方法。基于指令域分析方法,通过在加工过程中获得的数控系统内部指令域大数据,结合实际加工参数与加工后测量的尺寸误差建立起非线性映射模型,该模型基于LM-BP神经网络与RBF神经网络学习实现零件尺寸误差的预测。最后进行对比研究,两种建模方法均能达到很好的预测效果。该方法适应加工参数发生变化的生产环境,能够对被加工零件尺寸误差进行自适应预测。     

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Pearson-KPCA和LSTM的伺服电机滚动轴承剩余寿命预测

针对伺服电机滚动轴承的寿命预测，提出一种基于皮尔逊相关系数及核主成分分析的长短时记忆网络预测方法。提取滚动轴承的时、频域信号，通过移动平均法进一步获取相关特征，并采用皮尔逊相关系数筛选高度相关特征指标，利用KPCA提取高度相关特征指标中的若干主成分；将第一主成分作为长短时记忆网络模型的输入对滚动轴承进行剩余寿命预测。采用IMS轴承数据集进行验证，得到的轴承寿命预测RMSE值和可决策系数值分别为0.054 3和0.989。将其与长短期记忆网络模型和BP神经网络的预测结果进行对比，证明所提方法具有较高的精度。     

磨削质量在线智能监测及模糊综合评判

提出了一种基于小波神经网络的磨削质量在线智能监测及模糊综合评判方法，即通过提取反映磨削质量的多种AE信号特征参数，利用小波神经网络的非线性模型和学习机制，实现磨削质量的在线监测，同时，根据监测结果，利用模糊综合评判方法，对磨削加工质量进行在线综合评判，定出磨削质量等级，为进一步调整加工参数提供信息。     

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...     

MEA优化BP神经网络的电主轴热误差分析研究

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出一种基于思维进化算法(MEA)优化BP神经网络建立磨齿机电主轴热误差预测模型的方法。通过测量磨齿机电主轴在加工过程中的温升与位移情况,利用思维进化算法优化BP神经网络算法在MATLAB软件中建立预测模型,并与未经过算法优化的BP神经网络建立的模型进行了对比。在电主轴X向热误差预测实验中,未经过算法优化的BP模型最低补偿率为84.85%,而经过思维进化算法优化BP模型最低补偿率为95.29%。结果表明:经过思维进化算法优化BP神经网络建立的热误差模型,在拟合和预测精度上要优于未经过算法优化的BP神经网络热误差模型。     

数控机床热变形误差超前预测研究

针对当前数控机床热变形误差实施补偿存在的预测值滞后实际补偿值问题，提出基于长短期记忆(LSTM)神经网络算法热误差超前预测解决方案，详细探讨LSTM神经网络算法的解析流程，建立基于LSTM神经网络算法热误差超前预测模型，并进行关键温测点及热变形误差超前预测实验。实验结果表明：热变形误差实际值与预测值的最大残差、平均值和均方差均在可控范围内，超前预测的准确度为86.3%，进一步论证了机床热变形误差超前预测的有效性。     

基于小波时间序列模型的磨加工尺寸预测技术研究

磨削加工是高精密零件的重要加工环节,且影响磨削工件尺寸精度的因素复杂。针对传统预测模型无法准确预测其趋势变化或预测效果较差,且预测精度不高这一问题,通过对磨加工过程进行分析,对尺寸预测技术的适用性进行研究,提出将小波变换与时间序列分析相结合的预测模型。通过实验验证小波时间序列模型预测平均误差不超过1μm,平均绝对误差MAE=0.105,均方根误差RMSE=0.185,平均绝对百分比误差MAPE=0.159,证明了基于小波时间序列模型的磨加工尺寸预测技术的精确性与可行性。     

基于BP神经网络模型化Volterra非线性系统外圆磨削残余应力建模

对各种不同磨削加工参数和磨削动态过程条件下,用BP神经网络化的Volterra级数建模,对外圆磨削加工时残余应力分布进行了建模仿真,实现了工件内部次表层残余应力大小与张应力峰值位置的预测,验证了多次磨削残余应力分布的非线性叠加关系,实现了外圆磨削次表层残余应力分布的计算。利用三层BP神经网络激励函数在阈值处进行泰勒级数分解,解算Volterra级数各阶核,采用离散Volterra网络学习算法,实现磨削动态系统残余应力非线性建模。并通过实验对模型进行了验证。     

基于自架构神经网络模型的磨削故障在线监测方法研究

提出利用神经网络非线性建模原理构建磨削故障在线监测模型,提取磨削过程声发射(AE)信号的FFT峰值、RMS峰值以及信号幅值偏差等特征值作为神经网络输入,磨削烧伤、颤振、砂轮钝化等磨削故障作为网络输出,神经网络的拓扑结构通过自架构方法建立.利用实验获得的典型数据训练和测试网络模型,结果表明,利用自架构方法获得的网络模型具有较高的磨削故障识别正确率,可用于磨削故障的在线监测.     

磨削加工中滚珠丝杠温度场仿真与实验

螺距精度是丝杠磨削加工的重要指标,累积螺距误差对丝杠定位精度起着决定性作用。砂轮磨削丝杠产生的大量热量通过磨削接触区域按照一定比例传入工件,工件受热伸长而导致的丝杠滚道行程误差会直接反映在螺距误差上。基于若干简化条件,采用有限元法对磨削加工丝杠温度场进行瞬态热分析,并利用红外热像仪构建了磨削加工中丝杠温度测量实验系统,获得了可视化的丝杠热信息,分析了无冷却磨削时工艺参数对加工过程中不同时刻工件温度场分布以及热伸长的影响,有助于丝杠磨削加工的螺距精度控制。     

基于RBF神经网络的磨削表面粗糙度预测模型

工件表面粗糙度是反映表面完整性指标中极为重要的一个参数,也是衡量磨削加工质量的重要因素之一,准确地预测磨削表面粗糙度对于快速合理地选择磨削加工工艺参数具有重要意义。通过开展实际磨削实验获得磨削加工数据,对获取的样本数据进行归一化处理以适应RBF神经网络的学习。同时采用循环算法比较得出隐层的最优神经元个数,最终建立了基于径向基函数神经网络的磨削表面粗糙度预测模型,并利用MATLAB进行仿真预测。仿真结果表明:该预测模型准确率很高,能为表面粗糙度预测研究提供可靠数据。     

GCr15钢平面磨削力仿真分析与实验研究

目的 对不同磨削工艺参数下的平面磨削力进行预测,对磨削机理进行研究,进而控制磨削加工质量。方法 考虑CBN砂轮表面磨粒形状的多样性、姿态的多样性和空间分布的随机性,建立CBN砂轮模型,对GCr15材料模型进行有限元砂轮磨削仿真。同时使用CBN砂轮,采用不同的工件进给速度对GCr15进行单因素平面磨削实验,使用三坐标测力仪测量不同磨削参数下的磨削力。结果 建立的仿真砂轮模型的表面形貌与真实砂轮接近,仿真砂轮上的磨粒出刃高度均服从正态分布,与实际砂轮一致。对比随机多面体磨粒模型和真实CBN磨粒照片,两者形貌相似。磨削力实验和仿真结果表明,工件进给速度由3 m/min增大到18 m/min时,磨削力逐渐增大,仿真所得法向磨削力最大误差远小于切向磨削力。结论 实验结果与仿真结果具有一致性,证明了砂轮磨削有限元仿真模型可用于磨削力预测。因为仿真中无法考虑实际砂轮尺寸和砂轮表面结合剂对磨削的影响,结果具有一定误差,仿真的准确性有待进一步提高。研究结果为使用有限元方法研究磨削机理和控制磨削加工质量提供了思路。     

基于支持向量机的远程磨加工报警系统的研究

针对磨削加工中对加工尺寸误差超出预设值范围时报警的需求,基于交叉验证参数寻优与支持向量机(SVM)算法结合组态软件提出了一种远程磨加工报警系统,该系统对工件尺寸实时预测,并且当工件尺寸超出预设值范围时通过组态软件将报警信息传输到监控界面,防止由于进给速度不均匀而影响工件的磨削质量或导致工件最终加工尺寸受到影响。通过实验验证经过交叉参数寻优优化参数后的模型预测平均误差小于2mm,MRE=0.0070,MSE=0.0020,实验证明基于支持向量机模型的合理性与可行性,为建立报警系统提供了理论基础。     

融合机床加工特性的主轴回转误差预测

针对机械制造装备主轴精度补偿问题,研究一种融合机床精度和加工参数的主轴回转精度预测方法。为获取主轴回转精度指标,研究基于多点测量的主轴实际回转位置测量方法,利用最小二乘法求解主轴端面跳动的最大圆、最小圆和最优圆,进一步得到端面圆度的极大误差和极小误差。建立BP神经网络模型,融合机床精度因素、加工精度因素获得输入指标,将极大误差、极小误差和其余实测指标作为输出指标,训练神经网络,获得网络权值。验证机床主轴回转预测精度,实验结果表明:已训练的网络预测偏差为0.5%。考虑机床本体精度和加工参数的误差预测结果可指导工程技术人员进行机床选型,根据不同加工要求选择最优加工方式,提高加工质量。     

高精度冰刀磨削加工激光在线测量技术北大核心

为了满足体育竞赛对高精度冰刀的需求,提出一种高精度冰刀磨削加工的激光在线测量技术。通过线激光传感器在线测量冰刀刀刃轮廓,对测量数据进行低通滤波、小波滤波及中值滤波的组合滤波处理,利用正弦函数对处理结果进行数据拟合,拟合结果与测量数据的误差在0.01 mm以内,重复测量误差在0.004 mm以内,利用项目研制的高精度数控冰刀磨床加工一段半径R=21 000 mm的冰刀圆弧,这段圆弧的粗糙度达到0.3μm、圆度达到4.1μm。采用激光传感器测量该段圆弧,验证测量数据处理的准确性,得出激光测量结果与标准曲线精度误差在0.007 mm以内,满足高精度冰刀在线测量与加工的要求。     

基于 BP网络的6-UPU开环并联机床误差预测

以6 UPU教学型并联机床为实验平台,以壳体铝合金零件加工为研究对象,提取加工尺寸误差样本数据,采用BP神经网络建立加工尺寸误差预测模型,通过分析6 UPU教学型并联机床误差,提出实验数据与样本数据的处理原则,全面考虑到加工过程中各种情况.提出的基于BP网络来预测加工误差具有较强的实用性和一定的先进性,能有效提高加工精度,为提高开环数控系统精度提供了新的途径.