高速铣削工件表面粗糙度遗传-BP神经网络建模

遗传算法作为一种高效,并行的全局搜索优化方法,非常适合用于BP神经网络学习率的优化。文中通过基于遗传算法和BP神经网络提出了遗传-BP神经网络。以实验1、实验2、实验5、实验6、实验9、实验11、实验13和实验15下的高速铣削试验数据构建用于高速铣削工件表面粗糙度建模的训练样本对,并用回归的高速铣削工件表面粗糙度预测模型对实验3和实验7状态中的高速铣削工件表面粗糙度进行预测。通过比较表面粗糙度预测结果和实际结果,发现遗传-BP神经网络在高速铣削工件表面粗糙度进行建模方面是一种十分有效的方法。     

超声振动铣削淬硬模具钢表面粗糙度理论模型分析

<正>为了提升铣削淬硬模具钢已加工表面的表面质量，采用在工件上施加超声振动的方法进行超声振动铣削，由于超声振动的存在，刀具对工件进行间断切削，会对已加工表面的质量产生影响，本文主要研究超声辅助铣削淬硬模具钢的已加工表面形成机理和变化规律，分析各种加工要素对表面粗糙度的影响，由此综合实现了对表面粗糙度在理论上建模，经验证，当加工参数及刀具参数保持一致时，采用超声振动铣削能够有效降低被加工工件表面粗糙度值。     

基于热电偶法的高速铣削温度检测系统设计

介绍了基于热电偶法对高速铣削过程中切削温度采用接触式测量的计算机辅助测温系统。采用自然热电偶测量刀具-工件界面温度,采用标准热电偶检测工件表面和内部温度分布。为高速铣削加工中切削温度的测量提供一定的借鉴。     

基于改进GLCM和Tamura特征的工件表面粗糙度检测

由于使用图像法获得工件的单一纹理无法精确描述工件表面粗糙度，所以给出了通过改进GLCM（灰度共生矩阵）特征和Tamura特征的纹理提取算法，并通过建立纹理特征与表面粗糙度之间的模型关系定性评价工件表面粗糙度。首先对传统的GLCM加以修改，提出了增强的GLCM(ET-GLCM)算子，提升了GLCM的尺度不变性和旋转不变性，并经过对比实验证明ET-GLCM有较强的鲁棒特性；然后创建了支持向量机检测模型，测量不同粗糙度等级的工件表面图像。以工件表面图像的纹理特征参数为输入，对应的工件表面粗糙度Ra为期望输出，从而完成工件表面粗糙度的检测。通过实验验证支持向量机检测模型的有效性，其检测结果相对误差不超过5%，绝对误差小于0.06。根据仿真对比实验结果表明，提出的方法具有较高的检测精度，可用于工件表面的粗糙度检测。     

浅析改善圆周铣削表面粗糙度的措施

通过对影响圆周铣削表面粗糙度的零件结构、零件材料、铣削方式、切削用量等因素的分析,提出了改进圆周铣削加工表面粗糙度的一些方法,并结合零件的实际加工给出了通过改变加工参数改善零件表面粗糙度的措施。     

230"经编机压电贾卡梳栉的数控铣削变形工艺研究

针对230"经编机压电贾卡梳栉数控铣削加工误差产生的主要原因,分析了该类超长细薄零件数控铣削加工过程中涉及到的工艺路线、走刀策略、工件装夹及切削参数等对加工质量的影响,提出了减小贾卡梳栉的数控铣削加工变形,提高其加工精度和表面质量的工艺措施.实验结果表明,采用该文提出的贾卡梳栉铣削工艺,零件的加工精度及表面粗糙度均达到了使用要求.     

50μm级D形硬质合金微铣刀铣削纯铜试验研究

针对折叠波导慢波结构的微型化和高精度要求,采用自研的μEM-200CDS2组合高精度加工机床,通过线电极电火花磨削技术,制备出直径为50μm级的D形微铣刀.在纯铜工件上开展工艺试验,研究微槽的表面质量.使用白光干涉仪、超景深显微镜、扫描电镜等仪器来观察微槽的变化情况,获得了微槽表面形貌、粗糙度等随铣削距离的变化规律,并...     

基于群智能神经网络的线性直流电源故障诊断

反向传播算法是应用广泛的一种多层前馈神经网络模型,具有求解精度低、易于陷入局部极小值的缺点.群智能研究领域主要有粒子群优化算法和蚁群算法.粒子群优化算法有收敛速度快、算法参数简洁等特性;蚁群算法具有正反馈、启发性收敛等特性.将群智能神经网络的方法应用于线性直流电源的故障诊断:利用蚁群算法来约简故障特征参数;用粒子群优化算法来训练神经网络的权值.实验表明:此方法提高了网络训练效率和故障定位准确性.     

机械加工、工具与机床

0617157基于BP神经网络的立铣加工振动快速预估〔刊,中〕/陈勇//南昌大学学报(工科版).—2006,28(1).—91-94(G)结合研制的立铣加工过程虚拟仿真系统和实验测量铣削力信号,训练并建立优化的1-20-1型BP神经网络模型,快速实现铣削加工过程刀具-工件系统振动状态的预估。对比神经网络模型预估计的振动结果与实验测量振动信号可以看出,二者数据吻合较好,表明铣削虚拟仿真系统与神经网络技术的结合能够高效低耗地用于不同铣削加工条件下铣削振动状态的快速预估和加工过程监测。参60617158大型水轮机叶片制造技术的新进展〔刊,中〕/赖喜德//西华…     

50 μm级D形硬质合金微铣刀铣削纯铜试验研究

针对折叠波导慢波结构的微型化和高精度要求,采用自研的μEM-200CDS2组合高精度加工机床,通过线电极电火花磨削技术,制备出直径为50 μm级的D形微铣刀。在纯铜工件上开展工艺试验,研究微槽的表面质量。使用白光干涉仪、超景深显微镜、扫描电镜等仪器来观察微槽的变化情况,获得了微槽表面形貌、粗糙度等随铣削距离的变化规律,并对微铣削过程中的表面质量变化及毛刺形成的现象进行了分析。结果表明,槽底刀具的旋转轨迹纹路先是集中在刀具切出方向,随着刀具磨损,转为刀具进给方向;微槽顺铣侧毛刺多于逆铣侧,并随着铣削距离的增加而增多;微槽槽底粗糙度以线性增长趋势不断上升。     

基于BP神经网络的光纤激光切割切口粗糙度预测

为了研究工艺参量对光纤激光切割切口质量的影响,进行了切割T4003不锈钢试验,分析了工艺参量与切口质量之间的关系。采用基于误差反向传播算法的人工神经网络,建立了激光功率、切割速率、辅助气体压力等工艺参量与切口粗糙度之间的预测模型。对切割试验采集的训练样本进行了网络训练,并利用测试样本对训练模型进行验证。结果表明,随着激光功率增加,切口粗糙度增大;随着切割速率和辅助气体压力增加,切口粗糙度减小。神经网络预测模型精度较高,网络训练效果良好,预测值与试验样本值间的最大相对误差为2.4%。训练后检验精度较高,检验样本最大相对误差仅为6.23%。该模型可有效预测激光切割切口表面粗糙度,同时为合理选择及优化工艺参量,提高激光切割质量提供试验依据。     

改进混沌搜索的AMPSO-BP激光铣削质量预测

为了更好地控制激光铣削的质量,建立了激光铣削质量和铣削层参数的神经网络模型。针对神经网络易陷入局部极小值的缺点,提出混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立了AMPSO-BP激光铣削质量预测模型。最后以某种材料的激光铣削质量预测为例,将文中所提算法与PSO-BP、BP神经网络预测结果相比,结果表明所提方法有很高预测精度且预测误差明显减小,在实际中有一定应用价值。     

人工神经网络在Al2O3陶瓷激光铣削中的应用研究

为了有效地控制Al2O3陶瓷激光铣削层质量,以人工神经网络（ANN）技术为基础,以MATLAB软件作为开发平台,建立了Al2O3陶瓷激光铣削层质量与铣削参数之间的关系模型。并以激光功率、扫描速度和离焦量作为输入参数,激光铣削层深度和宽度作为输出参数,对激光铣削层质量进行了预测。结果表明,该模型的平均误差小,拟合精度高。并在训练样本之外,选取了5组工艺参数来检验网络模型的可靠性,检验输出值和实验样本值的最大相对误差为7.06%。说明运用该模型可以方便、准确地选择激光工艺参数,提高Al2O3陶瓷激光铣削层的加工质量。     

计算机仿真技术在电火花加工中的应用

详细阐述了计算机仿真技术在火花加工工艺建模,工艺参数优化,加工机理研究等方面的可能与可行性,建立了电火花加工工艺仿真系统,实现了加工效果的预测,加工参数的优化。还利用仿真系统找到了大厚度加工的方法,实现了８０５ｍｍ厚工件的稳定加工。     

粒子群优化BP神经网络的激光铣削质量预测模型

为了有效地控制激光铣削层质量,建立了激光铣削层质量（铣削层宽度、铣削层深度）与铣削层参数（激光功率、扫描速度和离焦量）的BP神经网络预测模型。采用粒子群算法优化了BP神经网络的权值和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-BP算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以Al2O3陶瓷激光铣削质量预测为例,进行算法实现。仿真结果表明:提出的PSO-BP算法迭代次数大大减少,且预测误差明显减少。所构建的质量预测模型具有较高的预测精度和实用价值。     

超声磨削表面三维形貌建模与试验研究

为了研究超声磨削的工件三维形貌,建立了砂轮表面三维形貌,通过对超声磨削磨粒运动轨迹分析,建立了磨粒在工件表面的切削过程模型。提出了大量随机分布磨粒切削工件路径的离散算法和最小高度值包络曲面提取算法,实现了超声磨削表面三维形貌的建立。进行超声磨削试验,结果表明：该模型能有效预测超声磨削的表面形貌,为超声磨削的工艺优化提供了理论依据。     

基于神经网络的典型地物的偏振多光谱图像分类（特邀）

相比传统的多光谱成像探测,偏振多光谱成像探测方法可以探测目标表面的粗糙度、含水量等更多信息,给目标检测带来了很大便利,但目前主要用于目标探测,尚未广泛应用于目标分类。BP神经网络是目前常用的一种典型神经网络,可以建立从端到端的映射,在训练样本集足够大的前提下,训练完毕且效果良好的神经网络是一种高效、精确、快速的工具。首先,利用基于旋转偏振片和滤波片的偏振光谱成像探测系统获取了典型地物的偏振多光谱图像,对图像进行了预处理,建立了数据集;其次,在该数据集上进行了神经网络的训练,训练后的神经网络可以处理未知的偏振多光谱图像,并实现了对几种典型地物的分类;最后,对神经网络分类的效果进行了评价,并与其他几种典型分类方法的效果进行了对比,发现神经网络方法具有更好的分类精度和效果,相比典型的最大似然分类算法,其总体分类精度可从91.7%提升至94.2%,Kappa系数可从0.851提升至0.898。研究结果表明:基于神经网络的偏振光谱图像分类方法对于改进和优化现有的偏振多光谱图像数据处理方法具有一定的研究意义。     

激光冲击区表面质量的人工神经网络研究

大量的实验表明,经激光冲击处理后,材料受冲击区的表面质量与材料的疲劳寿命有着明显的关系。因此,表面质量是判断激光冲击强化效果的重要手段。将人工神经网络技术用于激光冲击处理后试件的表面质量分析,建立了激光参数与激光冲击处理后试件的表面质量之间的联系,并用其实现了对冲击处理后的试件表面质量的预测。研究及实验表明,该方法不仅具有准确及稳定性好等特点,而且这种预测能力在实际应用中还具有不断提高的智能特性。