基于有限差分法的重型龙门铣床大跨距横梁重力变形曲线计算方法

为解决重型龙门铣床大跨距横梁由于铸件材质、制造工艺等因素导致重力变形有限元仿真结果不准确的问题,基于有限差分法提出一种大跨距横梁重力变形曲线的离散化计算方法。利用有限差分法、简支梁弯曲理论和固支梁扭转理论建立了横梁重力变形的离散化模型。假设横梁离散段的抗弯刚度为变量,结合横梁自重变形曲线和重力变形离散化模型计算各离散段的当量抗弯刚度,表征横梁材质的不均一性。采用有限元仿真方法分离横梁重力变形曲线,得到弯曲变形曲线与扭转变形曲线。应用当量抗弯刚度校正弯曲变形曲线、扭转变形曲线,得到准确的横梁重力变形曲线。实验验证表明,该计算方法相比有限元仿真,能有效提高机床的G10精度。     

加工精度在线检测系统预行程误差预测与补偿

预行程误差的预测和补偿能够大大提高加工精度在线检测系统的测量精度.提出了一种基于BP神经网络的检测误差预测新方法,建立了一个基于BP神经网络的在线检测系统预行程误差预测模型,通过实验数据对该网络进行训练,并将训练好的神经网络应用到实际加工零件的误差预测和补偿.为了验证该方法的有效性,以一圆柱零件的圆度误差检测为例,对其加工精度的在线测量进行了预行程误差的预测与补偿,经与CMM检测结果的对比,说明了该方法的有效性.     

基于神经网络的多点柔性夹具横梁结构优化

研究了神经网络在多点柔性夹具横梁结构优化中的应用。横梁结构与最大变形量间为复杂的非线性关系或隐函数关系,且单一的有限元分析工作复杂,计算耗时大。在有限元与数学规划法基础上利用人工神经网络进行横梁结构分析,并通过测试比较从BP、Elman和RBF神经网络中选取性能较好的神经网络,实现了横梁质量的最优化,节省了计算时间。     

龙门五面加工中心横梁有限元分析及优化设计

首先运用有限元法对横梁进行静态分析和动态性能分析,以确定机床设计中横梁结构的合理性;然后运用最优化原理对横梁结构尺寸进行优化分析,得到了在满足横梁动静态刚度条件下的最优设计方案。最后对取得的最优方案进行验证,分析得到了各轨导轨面的变形情况,并绘出导轨面的变形曲线。据此可以得到导轨的变形补偿曲线,为机床在切削加工时对导轨面变形进行补偿提供了可靠的依据。     

铝合金板快速加热弯曲的参数预测

基于BP神经网络平台,建立了铝合金板快速加热弯曲的角度预测BP网络模型,实现了脉冲激光加工工艺的参数控制与优化。通过试验获得样本数据,将试验样本数据用于BP网络的训练,利用训练好的BP网络对非线性的样本数据规律进行拟合,对脉冲激光弯曲角度和工艺参数进行准确的预测,预测误差范围可控制在＜5~8%,研究结果为实际生产中精密成形提供了有效的理论与试验依据。     

柔性臂坐标测量机动态误差补偿算法研究

针对柔性臂坐标测量机误差因素复杂且误差影响之间呈非线性的问题,分析了误差因素并对部分动态误差进行研究,提出了一种基于模拟退火和神经网络的柔性臂坐标测量机动态误差补偿方法。利用BP神经网络建立动态误差补偿模型,通过模拟退火算法优化权值从而解决了神经网络的收敛速度慢的问题。通过实验获得数据样本,训练所建模型后对测试数据进行误差补偿。与BP神经网络模型进行对比结果表明,补偿测试点后得出的单点重复性测量误差提高了60.85%,长度测量误差的精度提高了54.79%,证明了所提方法的有效性和可行性。     

基于BP神经网络的W形微弯曲回弹预测

能准确预测并有效控制微弯曲回弹对于提高其尺寸精度和成形质量具有重要意义。首次以W形微弯曲成形为研究对象,开展基于BP神经网络的微弯曲回弹预测研究。首先采用基于I优化准则的试验设计方法对影响成形精度的4个因素进行了试验,得到56组数据。再分别利用40组、8组、8组数据对神经网络进行了训练、验证和预测。结果表明,BP神经网络能快速预测回弹量,且预测精度满足实际工程要求,可为W形微弯曲成形尺寸精度的控制提供参考。     

基于POA-BP的TP2管材自由弯曲成形结果预测

将壁厚减薄率和椭圆率作为管材自由弯曲成形结果的评价指标,选取弯曲模与管材间隙值、弯曲模圆角半径值、管材弯曲变形区长度、导向机构圆角半径值、导向机构与管材间隙值作为影响因子。利用数值模拟方法对管材自由弯曲成形结果的评价指标和影响因子建立样本库,并随机选取6组作为测试样本,其余的作为训练样本,结合BP神经网络和鹈鹕优化算法对预测模型进行训练,构建POA-BP神经网络预测模型对管材自由弯曲成形结果进行预测。结果表明,POA-BP预测模型的壁厚减薄率和椭圆率的最大预测误差不超过2%,故POA-BP预测模型能够有效预测管材成形结果。     

基于萤火虫优化BP神经网络方法的传感器温度补偿策略

为了解决硅压阻式压力传感器温度漂移现象影响工程测量精度的问题,提出一种基于萤火虫优化的BP神经网络温度补偿策略。对一般型BP神经网络利用萤火虫算法进行权值和阈值的优化,进而提高神经网络的泛化性能和搜索速度,并利用优化后的BP神经网络进行压力传感器温度补偿实验。将优化后的BP神经网络温度补偿性能与一般的神经网络和粒子群优化的神经网络进行对比分析,结果表明:萤火虫优化后的BP神经网络补偿效果显著,相比于一般的神经网络补偿误差减少了52%,相比于粒子群优化的BP神经网络补偿误差减少了23%;考虑补偿耗时,萤火虫优化的BP神经网络综合特性表现良好,补偿后的传感器数据满足课题实验需求,补偿算法可行。     

基于BP网络的机床主轴故障诊断研究

针对机床主轴在运转过程中由于高速、热变形和应力集中等原因而发生平移、旋转、压缩和伸展等,提出了一种基于BP神经网络和误差标定拟合对机床主轴轴心轨迹误差预测的方法。该方法首先通过实验测量出机床主轴轴心轨迹的偏心数据形成样本,运用BP神经网络对样本进行训练,然后根据样本训练结果预测机床主轴轴心偏转的将来值,最后通过三维张量空间分布函数分析将来值与理论值拟合情况得出机床运转状态。实验结果显示,当迭代次数epoch=2,训练误差为Validation=0.0052442时,训练后的拟合曲线拟合效果较好,此时BP训练状态最佳,训练后的主轴偏转结果能够反映和预测机床运转状态。本方法对于生产过程中的机床定期维修保养具有重要的指导意义。     

基于BP神经网络的TC4钛合金超塑性变形后组织及性能预测研究

分别用Visual Fortran语言和MATLAB软件建立了TC4钛合金超塑性变形时变形参数与其力学性能和晶粒尺寸之间的BP神经N络模型，通过用较少的力学性能和晶粒尺寸的试验数据进行训练，进而对其性能进行预测。结果表明，BP神经网络用于材料超塑性变形后的力学性能及晶粒尺寸预测是可行的，其预测误差小于7%。     

双通道多级旋转变压器的标定和基于BP神经网络的误差补偿方法

通过高精度的编码器实现对旋转变压器的标定,为了提高旋转变压器的精度,提出了一种基于BP神经网络的误差补偿方法,用该网络对误差曲线进行训练,再将训练结果写入DSP程序中进行实时补偿。实验结果表明,通过该方法对误差进行补偿,可以将误差从±9′补偿到±0．3′,重复性好。     

Parameter prediction in laser bending of aluminum alloy sheet

Based on the basic platform of BP neural networks, a BP network model is established to predict the bending angle in the laser bending process of an aluminum alloy sheet (1–2 mm in thickness) and to optimize laser bending parameters for bending control. The sample experimental data is used to train the BP network. The nonlinear regularities of sample data are fitted through the trained BP network; the predicted results include laser bending angles and parameters. Experimental results indicate that the prediction allowance is controlled less than 5%–8% and can provide a theoretical and experimental basis for industry purpose.     

神经网络在激光位移传感器误差补偿中的应用

为降低入射角对激光定位移传感器测量精度的影响,提出一种新型的误差补偿方法：先采用ＢＰ神经网络实现测量误差与法矢章动角和进动补偿方法可有效地提高激光位移传感器的测量精度。在此基础上,提一步提出了自由工面测量误差的补偿方法。     

基于惯性传感组件和 BP 神经网络的 防冲钻孔机器人钻具姿态解算

钻孔卸压是高地应力矿井治理冲击地压的首要措施,对实施钻孔作业的防冲钻孔机器人钻具姿态准确测量是保障钻孔位置及卸压效果的前提。为此,本文提出了基于惯性传感组件和BP神经网络的防冲钻孔机器人钻具姿态解算方法,通过设计惯性传感组件的空间阵列式布局方式(空间阵列式IMU),建立了空间阵列式IMU的数据融合模型及位姿解算模型,实现了钻具姿态的高精度解算。在此基础上,提出了基于BP神经网络的惯性传感组件误差补偿方法,建立了钻具姿态解算误差补偿模型,并通过钻具模拟运动的解算分析对空间阵列式IMU解算和误差补偿方法的可行性进行了验证。最后,通过搭建的防冲钻孔机器人钻具姿态监测实验平台,对不同方法的钻具解算结果进行对比分析。实验结果表明,在BP神经网络模型进行误差补偿后,本文所提方法解算出的钻具姿态精度明显提高,钻具方位角、倾角和横滚角的平均误差分别为0.099°、0.079°和0.045°,有效抑制了惯性传感组件的漂移和误差积累,且钻具姿态解算误差曲线没有出现发散现象。因此,该方法可以持续稳定地对防冲钻孔机器人钻具姿态进行可靠监测,具有较高的推广应用价值。     

BP神经网络补偿并联机器人定位误差

为减小机构末端定位误差,提高机器人运动精度,分析了所开发的6-DOF精密并联机器人末端位姿的误差来源及以往误差补偿方法的局限性。通过实际测量末端位姿,在精密定位的局部工作空间内,提出了基于BP神经网络的机器人关节空间误差补偿方法。确定了BP神经网络模型,建立了误差补偿的数据样本,并对数据样本进行了标准化,通过实验对比的方法确定了隐层神经元的个数,同时对网络的推广能力进行了验证。经过误差补偿,6-DOF精密并联机器人的平移定位误差下降了80%,转角定位误差下降了60%。该实验结果表明,基于BP神经网络的误差补偿方法对机器人局部工作空间的补偿具有明显的效果,满足精密并联机器人工作的精度要求。     

BP神经网络求6PTRT型并联机器人正运动学精确解

采用BP神经网络,利用位置逆解结果,通过训练学习,实现操作从关节变量空间到工作变量空间的非线性映射,从而求出6PTRT型并联机器人的正运动学解.计算实例表明单用BP神经网络得到的精度并不高,所以为提高正解结果精度,引入误差补偿算法,并设计相应软件,所得数据表明,该算法计算精度高.     

磁力仪温度误差的径向基神经网络补偿模型

磁通门磁力仪参数受温度影响明显,直接影响传感器测量精度,需要研究补偿方法,提高测量精度。采用无磁高低温试验箱测量磁通门传感器温度特性;提出基于径向基神经网络的温度误差补偿方法,分别建立磁通门磁力仪零漂误差补偿模型和刻度因子误差补偿模型。结果表明,径向基神经网络能良好逼近磁通门传感器参数的温度特性;与BP神经网络相比,径向基神经网络在零漂补偿中训练时间更短,精度更高,重复性更好,零漂误差的抑制能力更强。补偿后,磁通门磁力仪零漂误差从7.105 5 nT减少到0.766 1 nT;刻度因子误差从6.3E-3减少到7.2E-5;测量值温度误差由213.6 nT补偿到9.1 nT。提出建立通用的温度补偿模型,在不同磁场环境下经过反复测试,采用训练过的模型补偿后,温度误差均降低一个数量级,提高了磁通门磁力仪温度性能和精度。