Apriori算法及神经网络在数控机床中应用研究

数控机床加工精度受到机床零部件、外部环境等因素的影响，从而需要添加适当的补偿参数确保加工精度的稳定性，另外，不同车床不同时刻的补偿参数实时变化。为此，提出一种基于关联规则及神经网络方法的智能误差补偿模型。以实际生产中产生的数据集为基础，通过Apriori算法对数据集进行筛选；对各个特征值与补偿参数进行归一化处理，以提高数据的收敛速度；利用神经网络模型为不同情形下的车床搜寻最佳补偿参数模型，从而构建起最佳的智能误差补偿模型；经过智能误差补偿后,对生产的物件进行图像识别，分析其是否符合精度要求。仿真测试结果表明:针对训练集数据和测试集数据，车床稳定性分别提高了0.695和0.713。实测结果显示:利用上述方法，对30个产品进行雕刻，精度均符合要求。因此，智能误差补偿模型能够提高车床加工稳定性，提升产品合格率。     

基于MATLAB的切削表面质量预测软件开发

LMBP神经网络具有性能稳定、收敛快的特点,可应用于切削加工表面质量的预测。在MATLAB中设计用户界面,实现对工艺试验数据的读取和对神经网络输入输出的设置;设计了基于LMBP算法神经网络程序,完成软件的编译和验证。将软件应用在切削表面质量预测,预测结果与试验结果误差较小,具有较高精度;软件操作简单,适合现场工作人员使用。     

基于磁致伸缩传感器的辊压机压下位移监测及误差补偿

考虑到辊压机工作时设备温度变化范围大、外界干扰强烈等特点,研究了基于磁致伸缩传感器的辊压机压下位移监测及误差补偿方法。通过理论分析和实验手段,对磁致伸缩位移传感器的精度影响因素进行研究。分析了磁致伸缩位移传感器的工作原理,结合传感器实际使用经验,确定外界环境干扰主要是使用环境温度的变化以及电磁干扰的影响,并通过理论分析磁致伸缩位移传感器受温度和电磁干扰的机理。使用最小二乘支持向量机补偿模型,针对温度变化和电磁干扰产生的误差进行补偿。实验研究结果表明,磁致伸缩位移传感器测量精度受使用环境温度和电磁干扰影响较大,使用本文研究的补偿模型后,可以减小温度和电磁干扰对传感器精度的影响。     

利用温度补偿技术提高型砂水分分析仪的测量精度

以C8051F320单片机为处理单元,将电子天平与卤素灯融为一体,设计了一种型砂水分分析仪.该仪器采用荷重传感器采集重量信号并根据DS18B20采集的温度信号对荷重传感器的输出信号进行温度补偿.有效地消除了温度变化对传感器的影响,提高了仪器的测量精度.     

基于热电偶动态补偿的热压焊温度控制方法

为解决热压焊常规控制中出现的温度过冲问题,提高温度控制稳定性,实现温度曲线平滑过渡,根据热电偶动态响应特性,提出了一种热压焊温度控制方法.在焊接过程中对热电偶时间常数进行在线辨识,并根据实际温度控制效果对辨识值进行调整;利用传感器动态补偿技术对反馈温度进行实时补偿,以补偿后的反馈温度对焊接温度实施闭环控制.搭建热压焊温度控制系统对该方法进行了验证,并与常规PID控制算法进行了比较.结果表明,该方法可实现热压焊头温度快速上升和平稳过渡,温度过冲现象得到有效抑制,温度控制效果较好.     

基于神经网络的汽车EPS传感器故障诊断

汽车EPS传感器的故障诊断对提高汽车行驶的安全性具有重要的意义.提出了将BP神经网络引入汽车EPS传感器中的故障诊断思想.结合故障树分析(rrA)原理,给出基于EPS系统的传感器故障树模型结构图,以BP神经网络为训练网络,从传感器故障模型中选取故障征兆,进行网络训练,最终实现对EPS传感器的故障诊断.训练结果表明该方法在EPS传感器故障诊断中具有较高的诊断精度以及很好的稳定性.     

基于信息融合的角度传感器设计及实现

为了准确测量非稳定平台系统偏离平衡位置的角度值,在对数据融合技术进行综合研究的基础上,提出了基于多传感器数据融合的补偿滤波器融合方案.针对倾角传感器的滞后性和角速度传感器的零点漂移,进行了一系列的试验,校正了补偿滤波器的参数.对于补偿滤波器的性能进行了试验验证,试验结果证明,补偿滤波器可以有效补偿倾角传感器的滞后和角速度传感器的漂移.     

基于华中8型数控系统的热误差补偿技术研究

为满足机床精度要求,提出有传感器热误差补偿方法.详细介绍了热误差补偿原理,通过测试对比和数据分析,对机床的热误差问题进行实验研究.依据统计数据得出结论,将结论及方法应用于数控系统中,对数控系统热误差补偿模块进行完善.结果表明:传感器热误差补偿方法可以解决机床热误差造成的精度问题,广泛应用于机床质量检验.     

基于改进BP神经网络的机床温度预警

为了避免温度过热对数控机床的影响,在对BP网络模型原理分析的基础上,针对BP算法收敛速度过慢的缺陷进行自适应学习率改进,设计了一种基于数控机床温度传感器采集的实时温度预警模型,然后利用MATLAB平台对实验数据进行了仿真分析。实验结果对比表明,采用自适应学习率改进的BP神经网络在误差精度0.01的条件下,迭代次数相较标准BP算法更少,收敛速度更快,模型预测结果与真实测得的温度数据比较具有较高的准确率,可以达到温度预警的效果。     

Rough集理论在神经网络材料性能参数实时识别中的应用

运用神经网络技术实现材料性能参数的实时识别是智能化拉深的重要研究课题.由于训练样本数据的冗余使得BP网络收敛精度差、速度慢,直接影响到网络的识别精度.运用Rough集理论强大的数据分类简约功能,能够去掉多余属性的样本数据,从而优化了神经网络的拓扑结构.经过试验验证优化后的网络不仅收敛速度快、精度得到极大提高,而且网络预测相对误差精度都在6%以下.