基于损耗实验的电主轴温度场分析

目的分析高速电主轴温度场分布情况,为研究高速电主轴温升、热变形预测提供理论依据．方法建立高速电主轴1／4三维有限元模型,基于损耗实验计算主轴电机及轴承生热率前提下分析高速电主轴温升分布情况．通过电主轴测试系统建立温升实验,测量高速电主轴外壳不同部位温升验证有限元仿真结论．结果仿真结果表明：高速电主轴稳态温度场中转子处温度最高,温度为84．40C;高速主轴壳体最高温升出现在电主轴轴头处,温升为23℃,与实验结果相比误差为8．6％．结论通过分析温升仿真和实验得到高速主轴外壳不同部位温升不同,外壳温度变化是一个非线性变化过程,前2000s温度快速升高,2000s后温度逐步稳定．此结论为有效控制高速主轴温升,减小主轴变形及提高主轴精度提供理论基础．     

高速电主轴单元的振动性能研究

目的高速电主轴单元是实现高速、超高速磨削加工的关键技术之一．主要研究应用陶瓷轴承对电主轴动态性能的影响．方法采用“外点惩罚函数法”与“凑整解法”相结合的算法进行了陶瓷球轴承优化设计，并对电主轴进行了静、动态性能实验研究．结果探讨了陶瓷轴承电主轴单元结构布局形式的选择，分析了高速电主轴的振动性能．结论研究表明，应用陶瓷轴承作为主轴支承，电主轴单元振动小、温升低、运转精度高，有效提升电主轴功率和极限转速，适应高速、高效磨削加工的要求．     

基于红外的电主轴温升在线检测系统

电主轴的发热问题是制约电主轴发展的重要因素,文章采用红外测温方法对电主轴的轴心温度进行检测,通过检测的温度值、电主轴转速、运行时间等参数建立温度预测模型,对电主轴温升及其故障进行预测和提前报警,达到延长电主轴寿命,防止轴承烧伤的目的,对电主轴的安全运行起到非常重要的作用。最后通过提出确实有效的降低电主轴温升、减少主轴热变形的方法,为电主轴的发展开辟了新的思路。     

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.     

高速电主轴热态特性的研究

主轴轴承高速下的急剧摩擦发热是影响和限制机床主轴转速和加工精度提高的主要原因．本文通过对高速电主轴热态特性的试验与研究，分析了高速下主轴轴承及主轴系统的热态特性及其影响因素，提出了改善主轴单元热态特性的措施．     

基于轴承运行刚度分析的超高速磨削电主轴动态特性

高速电主轴正朝着高速重载与超高速轻载的方向发展,其动态特性研究是电主轴开发的关键技术之一.主轴超高速运行时轴承刚度的确定是整个研究过程的难点所在.基于滚动轴承的拟静力学模型,计算轴承的动态刚度,并考虑转速、初始预紧力、热预紧力及油膜厚度对轴承刚度的影响,确定出轴承的运行刚度.再以轴承运行刚度作为主轴支撑刚度,建立面向高速电主轴动态性能分析的参数化有限元模型,对主轴动态特性进行分析.分析结果表明,初始预紧力、砂轮悬伸长度、前后轴承跨距、前轴承对间距及电机转子内径等参数是影响磨削电主轴动态特性的关键因素.     

高速卧式加工中心电主轴动态特性研究

电主轴的动态特性在很大程度上决定数控机床的加工精度和生产效率。为克服传统方法在预测主轴/轴承单元设计合理性方面的弱点,本文借助ANSYS软件对某高速卧式加工中心的电主轴进行动力学特性研究。结果表明:该电主轴的设计转速远低于其低阶模态固有频率659.90 Hz所对应的临界转速,因此能够有效避免共振;如果主轴系统因受到周期性激振力作用而产生共振,则轴承3支撑处的应力强度最大,容易出现因振动烈度过大而导致轴承工作精度丧失甚至损坏失效。     

陶瓷轴承电主轴的模态分析及其动态性能实验

目的 通过对实验室高速精密磨床用陶瓷轴承电主轴的动态特性的研究,验证电主轴结构设计的合理性.方法 在Ansys中建立了相应的轴承-主轴系统三维有限元模型,采用了Subspace模态提取法对主轴部件进行模态分析,计算主轴前5阶固有频率、振型和临界转速,并利用锤击法对陶瓷轴承电主轴进行动态响应实验.结果 Ansys的模态分析法得出的固有频率与动态响应实验得出的频率基本一致,主轴工作转速远离其临界转速,能有效避开共振区,保证了磨床的磨削精度.结论 通过模态分析法,可以看出Ansys对电主轴的动态仿真和计算有一定的指导意义.也为下一步的谐响应分析打下基础.     

不平衡数据下基于PSO-BP算法的输电线路弧垂预测

针对架空输电线路弧垂在计算过程中易受测量数据(温度、风速、档距等参数)影响的问题,提出了基于数据预处理的PSO-BP神经网络弧垂预测模型.对收集数据中部分样本缺失的情况,使用合成少数过采样技术(SMOTE)对不平衡样本进行合成;构建PSO-BP神经网络用于弧垂预测,使用不同工况条件的数据训练网络,实现弧垂预测的目的,并将网络的性能与传统的BP神经网络性能进行对比.实验结果表明,与传统BP神经网络模型相比,本文提出的模型进行弧垂值预测后所得的误差绝对值显著降低.本文提出的模型可以加快训练速度、提高预测精度.     

高速铣床主轴⁃轴承的振动特性分析

主轴是高速铣床的核心部件,其动力学特性直接影响铣床的加工精度。以德国GMN某型高速铣床电主轴为例,采用有限元方法,建立了主轴⁃轴承系统的有限元模型,研究了主轴的固有振动特性,分析了轴承刚度对主轴固有振型和临界转速的影响。在此基础上,研究了高速主轴的不平衡响应特性,分析了不平衡量大小和位置等因素对主轴振动敏感度的影响规律,发现主轴两端不平衡响应敏感,尤其是连接刀具的一端振幅明显,研究结果可为高速机床主轴系统的动力学设计提供一定的参考。     

基于不同神经网络模型的冷凝器两相换热量的研究

在混合工质下利用4种神经网络模型(反馈神经网络模型(BP)、遗传神经网络模型(GA - BP)、极限学习机网络模型(ELM)和递归神经网络模型(RNN))预测了板式换热器的换热量(含相变换热).结果显示:热源温度为30、40、50 ℃时,GA - BP神经网络模型的平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)均小于其他3种神经网络模型,且与实际值接近.该结果表明,GA - BP神经网络模型比其他3种神经网络模型更适用于预测板式冷凝器的换热量(含相变换热).     

利用机器学习方法改进风云3C星载GNSS掩星温度廓线

本文使用BP神经网络、随机森林回归算法,对2017年全年风云三号C星(FY-3C)GNSS掩星温度廓线数据进行修正和评估.结果表明:在全球范围内,两种方法均可以修正GNSS掩星温度数据,随机森林回归算法的修正效果优于神经网络方法,随机森林回归算法和神经网络方法修正后的结果与再分析数据的平均绝对误差分别为0.03K与0.32K,均方误差分别为0.09K²与1.02K².将全球按照10°×10°划分为324个网格后,随机森林回归算法对平均绝对误差与均方误差修正的正向收益分别为97.53%与92.9%,神经网络方法对平均绝对误差与均方误差修正的正向收益分别为75.61%与67.9%.     

基于BP神经网络的铂铑热电偶的非线性校正

热电偶是工业中广泛使用的测温元件,由于其自身的物理特性的限制,其输出热电势与被测温度之间存在着一定的非线性,这将增大温度的测量误差,从而影响测量精度。针对这一问题,提出了基于BP神经网络的非线性校正算法,以热电偶的热电动势为输入信号,以与其相对应的温度值作为输出信号,给出了前馈型BP神经网络的结构和训练权值的方法。通过实验仿真结果对比可知,此方法降低了热电偶测温的非线性误差,便于操作,大大提高了铂铑热电偶在温度测量中的测量精度。     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

神经网络数据融合在位移传感系统中的应用

温度漂移误差是位移传感系统的主要误差之一.为了提高位移传感器输出的精度与稳定性,可以把位移传感器的输出与温度传感器的输出进行数据融合.提出一种基于RBF网络(径向基函数神经网络)的多传感器数据融合方法,把位移传感器和温度传感器的输出送入融合中心,通过RBF网络的学习训练,得到稳定的位移输出.实验表明:在相同的温度波动情况下,位移传感器的输出稳定性比原来提高了约4倍.该方法在位移传感系统减小温度漂移的应用中十分有效.     

BP神经网络在捷联惯导初始对准中的应用研究

提出了基于多层BP神经网络的滤波器，并用于捷联惯导初始对准中．采用BP网络替代初始对准系统中的闭环卡尔曼滤波器，可以确保系统的误差状态始终为小量，实现了惯导初始对准中的滤波与校正功能。采用BP神经网络滤波的优点是：数据并行计算速度快，在滤波时不需要初始数据。仿真结果表明，这种方法简化了系统运算的代数结构，提高了系统状态估值运算的实时性，并且可以保证系统的对准精度。     

基于熵权法的PHC管桩承载力组合预测

为克服单项预测方法产生的误差,利用灰色模型GM（1,N）、多元线性回归、BP神经网络等3种单项预测方法建立组合预测模型,并采用熵值法确定加权系数。通过对PHC管桩承载力进行比较预测,结果显示GM（1,N）法平均绝对百分比误差（MAPE）值为5.4%,多元线性回归法的MAPE为3.0%,BP神经网络法的MAPE为2.8%,组合预测法的MAPE为2.3%。因此组合预测法精度较高,实用性更强。