数控切削加工表面粗糙度RBF神经网络预测模型

针对数控切削加工表面粗糙度存在预测精度不高的问题,采用径向基(RBF)神经网络技术,以多组实际加工试验数据作为样本,建立了以转速n、进给速度vf、背吃力量ap为自变量的切削表面粗糙度预测模型。试验及预测结果表明:切削表面粗糙度RBF神经网络预测模型的预测相对误差小于2.7%,而回归分析预测值的相对误差在7.1%～14.0%变动。充分说明数控切削加工表面粗糙度RBF神经网络预测模型的预测精度高,可满足数控切削加工表面粗糙度实时在线预测的要求。     

基于灰色理论的硫化铜精矿品位预测模型

针对小样本数据条件下预测硫化铜精矿品位的问题,提出了基于灰色理论的铜精矿品位预测模型。该模型通过试验所得的小样本数据,动态改变建模数据的初始值和背景值,结合灰色理论建立了硫化铜精矿品位的GM(1,1)预测模型,统计预测模型的平均相对误差。结果表明:基于灰色理论的预测模型精度较高,最小的平均相对误差为1. 88%,模型的预测效果较好,可作为预测铜精矿品位的一种新方式。     

球轴承摩擦力矩测量仪的开发研究

主轴的运转精度、平稳性以及使用寿命都与摩擦力矩相关。轴承摩擦力矩太大会导致轴承内部温度上升,进而导致润滑剂劣化,导致磨损加剧。因此,摩擦力矩这项性能指标对轴承来说显得极为重要。设计的球轴承摩擦力矩测量仪,利用上、下定位卡盘分别将轴承的内、外圈固定住。开发的轴承摩擦力矩测量仪结构简单,稳定性好,测量数据可靠性高,能够准确反映被测轴承在一定条件下的摩擦力矩,对进一步研究轴承摩擦力矩测量仪具有极其重要的参考价值。     

大型负游隙转盘轴承启动摩擦力矩的研究

为了研究大型负游隙转盘轴承启动摩擦力矩与负游隙的定量关系,分别用赫兹接触理论和有限元分析软件对此类轴承进行接触分析和启动摩擦力矩分析、计算。从赫兹接触理论计算结果可以看出,轴承为负游隙时钢球与滚道间的接触区域是椭圆形的,并且其接触面积与最大接触应力均随着负游隙的增加非线性增加。同时,有限元分析的结果与试验数据非常接近。为今后利用有限元分析软件优化设计,在设计阶段预估轴承的启动摩擦力矩提供了一种新的、高效的方法。     

基于小波分析与GM(1,1)-ARMA(p,q)组合的矿井防尘用水量预测

为了提高矿井防尘用水量预测的精确度,提出了基于小波分析理论与灰色预测模型(GM(1,1))、自回归滑动平均模型(ARMA(p,q))组合的预测模型。运用小波分析将用水量时间序列做不同尺度分解,并将低频信号和高频信号采用GM(1,1)和ARMA(p,q)进行预测,最终经小波重构得到预测结果。以林南仓矿为研究背景,使用该组合模型预测2014年各月份的用水量,通过与实际数据对比,残差检验相对误差不超过2.5%。结果表明:矿井防尘用水量在总体上逐年缓慢增加,每年内呈周期性的变化;基于小波分析与GM(1,1)-ARMA(p,q)组合的预测模型具有较高的预测精度。     

矿井巷道摩擦阻力系数预测模型研究

矿井通风摩擦阻力系数在矿井通风管理和设计中有着重要的作用,为准确预测巷道摩擦阻力系数,以实测数据为研究对象,提出2种机器学习预测模型。以锚杆间排距、锚杆外露长度、巷道周长、巷道长度、巷道断面积、巷道负压、巷道风速和巷道摩擦阻力系数为输入参数,对巷道摩擦阻力系数进行了预测。研究结果表明,巷道周长与巷道断面积、巷道风速相关性分别为0.99,0.54,巷道长度与巷道负压的相关性为0.53,巷道断面积与巷道风速的相关性为0.54,巷道摩擦阻力系数与其余因素之间的相关性较弱。随机森林、Ada Boost预测模型,预测误差率最大分别为3.0%、2.950%,最大相对误差分别为0.03,0.0295,平均相对误差分别为0.64%、0.65%。2种算法预测准确率均为97%以上,对矿井巷道摩擦阻力系数预测具有良好的适用性和可靠性。     

基于PSO-BP的胶结充填体强度预测研究

为快速、准确地确定胶结充填体强度,构建了基于PSO-BP的胶结充填体强度预测模型,并以养护7 d和28 d的胶结充填体强度试验数据进行了验证。结果表明：结合粒子群算法优化BP神经网络初始权值,从而大大提高了预测模型的准确性和可靠性,基于粒子群算法优化下的神经网络相对误差为0.77%,比BP神经网络预测的平均相对误差降低了3.42%,表现出良好的预测精度。     

基于小波神经网络的钢丝绳磨损趋势预测研究

针对非线性预测问题,提出了小波神经网络算法,建立了小波神经网络的趋势预测模型,通过对钢丝绳磨损度的时间序列预测,实现了故障预报。实践表明：小波网络具有更快的收敛速度和更高的预报精度,仿真结果与实测数据相比最大相对误差为4.23%,预报精度满足要求。     

基于小波分析的灰色预测法预测边坡变形

通过分析小波理论和灰色模型的各自特征,提出了基于小波分析的灰色预测模型。即先用小波滤波法对监测数据进行去噪处理,之后再建立灰色预测模型进行预测,该方法可有效地提高预测精度。     

基于MED与小波包熵的矿用排水泵轴承故障特征提取方法研究

煤矿排水泵运行的可靠性关系到煤矿工人生命和生产的安全。为了提高煤矿排水泵轴承故障诊断的精度,提出一种基于最小熵反褶积(MED)和小波包熵相结合的故障特征提取方法。该方法在MED降噪基础上利用小波包进行分解重构,再结合信息熵理论求取小波包熵值,突出了信号中有效冲击成分,克服了小波能量特征提取的局限性。通过对水泵轴承振动200组数据进行分析验证,该方法准确率达到100%,具有较高的应用价值。