轧机压下装置中重载丝杆—螺母副的磨损自补偿系统磨损模型的建立

在基本摩擦学理论和试验的基础上建立了轧机压下装置中重载丝杆—螺母副的摩擦学特性与载荷之间关系的磨损自补偿数学模型,推导出相对准确的摩擦系数―载荷,磨损率―载荷计算公式,与试验结果比较有较好的吻合性。该数学模型可为工程设计人员在摩擦学设计时提供有效的计算工具。     

重载丝杆螺母副的神经网络摩擦学模型的建立

用ＢＰ人工神经网络建立了重载丝杆螺母副的摩擦学特性与载荷之间关系的磨损自补偿教学模型。结果表明：用Ｌ－Ｍ规则进行神经网络学习训练可使网络收敛快，误差小。网络输出结果与实验结果比较有极好吻合性。该神经网络可为工程设计人员在摩擦学设计时提供有效的计算工具。     

重载丝杠螺母副的摩擦学系统模型的建立

在基本摩擦学理论和实验的基础上 ,分析了某种选定的摩擦副在某种选定的摩擦学工况条件下的摩擦学系统特性 ,建立了轧机压下装置中重载丝螺母副的摩擦学特性与载荷之间关系的数学模型 ,推导出相对准确的摩擦系数—载荷 ,磨损率—载荷计算公式 ,与实验结果比较有较好的吻合性。该数学模型可为摩擦学系统特性转化的研究提供研究参照体 ,亦可为工程设计人员在摩擦学设计时提供有效的计算工具。     

自补偿润滑油作用下丝杆螺母副表面硬度研究

为了研究目前钢厂轧机压下系统丝杆螺母副使用的硬度比是否合理,对在N150.SW4润滑作用下钢-铜摩擦副摩擦学特性与钢表面硬度及表面处理工艺的关系进行了研究。结果表明在N150.SW4润滑作用下,在硬度为HV320~800范围内,钢-铜摩擦副的磨损随钢表面的硬度提高而下降,目前钢厂轧机压下系统丝杆螺母副丝杆表面硬度是不尽合理的,建议将丝杆表面硬度提高到HV800左右和采用适当的表面处理工艺(如FM法或气体氮化),同时,提高丝杆表面的光洁度。     

自补偿的磨损模型研究

本文以钢厂轧机压下系统的丝杆螺母副为例，考虑了金属直接接触，流体膜和磨损自补偿膜的减磨作用，在理论分析和试验综合的基础上，建立了磨损自补偿润滑下钢－铜摩擦副的磨损模型，该模型能较好地解释一系列摩擦学试验和分析试验结果。     

BP神经网络计算丝杠螺母副摩擦系数的方法

利用Matlab系统建立了丝杠螺母副的摩擦系数与载荷之间关系的BP人工神经网络模型。并用trainbpx动量—自适应学习率调整算法进行神经网络学习训练 ,可使网络收敛快 ,误差小。网络输出结果与实验结果比较 ,有极好的吻合性。采用Matlab神经网络工具函数建立神经网络的方法简单方便 ,不失为摩擦学设计的有效计算工具     

水污染对磨损自补偿性能影响研究

为了研究水污染对磨损自补偿性能的影响，针对重载丝杆-螺母副分别在N150和N150＋SW4中磨损率随含水量的变化研究了自补偿添加剂SW4在水污染环境下的摩擦学特性。结果表明：水有利于自补偿润滑油在摩擦表面形成磨损自补偿膜，提高其补偿率；以自补偿润滑油代替常规润滑油是非常好的耐磨措施。     

神经网络对磨损自补偿摩擦副磨合过程的预测

利用ＢＰ人工神经网络建立了磨损自补偿状态下的摩擦副磨合特性预测的仿真计算模型。用Ｌ－Ｍ规则进行神经网络学习训练可使网络收敛快,误差小。网络输出结果与实验结果比较有极好的吻合性。该神经网络可用于青铜－４５＾＃钢摩擦副表面粗糙度对磨合特性影响的准确预测,亦可为工程设计人员在摩擦学设计是提供有效的计算工具。     

一种新型滚动丝杆螺母副的研究与应用

采用专利号为ZL 2005 1 0026176.5[1]的专利技术,成功地研制出了适合于高精度传动的滚动丝杆螺母.该螺母采用了一种全新的滚动结构,不仅具有普通滚珠丝杆的特点,而且丝杆螺母副采用了普通T型丝杆和一种变形滚珠轴承相配合并进行了优化设计,滚动精密螺母螺杆副的啮合间隙趋近于零,在往复直线运动换向时消除了空行程,全部为滚动接触使磨擦阻力更小,有效消除了往复间隙,提高了运动定位精度和效率.与现有技术相比,该螺母加工简便,具有易于调整和维护的特点,成本低,降低了能耗,便于推广和应用,具有很好的应用前景.     

螺母刚度对压下丝杆副中载荷分布的影响

本文从实际受载情况出发，对轧钢机压丝杆和螺母体刚度对螺纹副载荷分布系数的位置将随丝杆和螺母体刚度之间的比值而变；和一般受拉螺纹副不同，螺母体刚度过大非但不能改善载荷分布，反而会加剧载荷分布的不均匀性。当螺母体刚度和螺杆体刚度基本一致时，螺纹副中的最大载荷分布系数将达到最小值。所以在压下丝杆副设计中应注意等刚度设计的应用。     

基于神经网络泛函数的摩擦学系统转化模型研究

建立了摩擦学特性影响规律的径向基神经网络模型，可以较准确地计算和预测不同摩擦学系统条件下摩擦系数与各影响参数之间的关系；进一步基于神经网络建立了不同系统之间的泛函数关系，基本解决了摩擦学系统的条件转化，为摩擦学设计、程序化计算和分析提供了一种方便有效的工具。     

BP 网络在基于知识的摩擦学设计中的应用

在众多神经网络模型中，ＢＰ网络是比较成熟且应用较为广泛的一种。为此，本文选用ＢＰ网络作为基本网络模型，分别从知识表达、知识获取、综合评价方面研究了ＢＰ网络在基于知识的摩擦学设计中的应用。     

基于神经网络的摩擦学设计知识表达方法

本文以神经网络理论为基础，提出了摩擦学设计知识表达理论。结合摩擦学设计知识的特点，研究了基于神经网络知识表达方法的实现技术，并给出具体表达实例。实践证明这种方法是行之有效的。     

BP网在摩擦学系统建模和预测应用中的研究

本文在分析了摩擦学系统特点以及在BP神经网络的结构的基础上，采用BP神经网络对摩擦学系统进行了建模和预测，通过对结果的分析，给出了这种神经网络在不改变隐层节点数和训练精度的条件下，来提高训练速度和拟合精度的一种新的方法，并指出了要保证BP神经网络近似任意的连续非线性函数，其训练数据应具备的条件。它对BP神经网络在处理大数值的应用中，具有较大的指导意义。     

基于BP神经网络的钢轨磨损量预测

随着列车运行速度和轴重的提高,轮轨系统的磨损越来越严重,其中曲线半径、轴重和运行速度是影响轮轨磨损的重要因素。建立了钢轨磨损量影响规律的径向BP基函数神经网络模型,该网络具有3路输入,3个神经层;在JD-1大型轮轨模拟试验机上通过改变试验参数进行钢轨磨损试验,获得不同试验参数下的钢轨磨损量;以钢轨磨损数据作为BP神经网络的目标样本,对不同试验参数下的磨损量进行了预测。结果表明,模型可较准确地计算轮轨冲角和速度对钢轨磨损量的影响规律,利用BP神经网络对钢轨磨损量预测具有较高的精度,可在一定程度上验证试验结果。     

模具钢铣削中刀具磨损的试验研究

以面铣刀刀片磨损为研究对象,结合类神经网络系统建构高速数控铣削加工的预测模型。以加工参数为模型输入条件,刀腹磨耗为输出条件。采用多因素试验方法,选择切削速度、进给速度、切削深度三个试验参数,利用直交表式的试验计划法设计试验点。依照试验点铣削工件后再测量刀具加工后的刀腹磨耗量,进而求得倒传递网络所需的36组训练范例与11组验证数据。刀腹磨耗预测模式是利用类神经网络中的倒传递网络原理,以田口法求得倒传递网络参数的最优值。试验结果显示,刀腹磨耗随着切削速度、进给速度、切削深度增加而上升。铣削模具钢后,刀具磨耗预测值的平均误差为4.72%,最大误差为11.43%,最小误差为0.31%。整体而言,类神经网络对于铣削加工可进行有效预测。     

内燃机摩擦学智能设计中人工神经网络的应用

开发内燃机摩擦学智能 CAD系统 ,除建立符号模型、数学模型之外 ,需要建立人工神经网络模型 ,将大量隐含于数值分析和试验数据中的隐性知识转化成显性的设计规则。文中提出了智能 CAD系统中人工神经网络的应用模型 ,并应用于内燃机活塞功耗的分析和规则提取