超声振动磨削放电复合加工SiCp／Al试验研究

针对SiCp／Al的加工,提出一种超声振动磨削放电复合加工的方法．从加工效率、加工稳定性及表面质量等方面与电火花加工进行了对比试验研究。分析了两种加工方法的脉冲宽度和峰值电流对加工速度和表面粗糙度的影响,结果表明：电火花加工的表面粗糙度平均值为尺04．5μm,超声振动磨削放电复合加工的表面粗糙度平均值为Ra2μm：超声振动磨削放电复合加工的稳定性比电火花加工好,但加工速度较低。通过扫描电镜对两种加工方法下零件表面形貌和重熔层进行了观测,对试件表面进行了X射线衍射分析,表明采用超声振动磨削放电复合加工SiCp／Al复合材料可获得较好的表面质量。     

基于支持向量机方法建立超声振动磨削放电加工预测模型

针对采用机器学习理论建立超声振动磨削放电加工模型时存在试验样本数量少、预测量数值变化波动大的问题,提出利用支持向量机方法建立加工指标预测模型的方法。以超声振动磨削放电加工Si Cp/Al为例,利用正交试验获取学习样本数据,采用MATLAB软件建立超声振动磨削放电加工Si Cp/Al工艺指标的支持向量机预测模型,并利用该模型预测零件表面粗糙度和加工速度两项工艺指标。结果表明:支持向量机模型得到的工艺指标预测值与试验值具有较好的一致性,最大相对误差不超过12%,预测值精度较高,所建立的超声振动磨削放电加工工艺指标的支持向量机预测模型是可靠且有效的。     

超声振动磨削放电加工指标预测模型的研究

超声振动磨削放电加工过程复杂,难以用精确的理论公式进行描述,通常在试验基础上,借助于机器学习理论做出分析。针对实际加工中试验样本数量有限、预测量数值变化波动大的情况,采用BP神经网络和支持向量机两种方法分别建立超声振动磨削放电加工SiCp/Al指标预测模型,并利用两个模型预测零件表面粗糙度和加工速度等工艺指标。预测结果表明,零件表面粗糙度的数值变化范围较小,两种模型预测值与试验值均具有较好的一致性,预测精度较高;加工速度的数值变化较大,支持向量机模型的预测精度优于BP模型。因此,支持向量机模型更适合于解决小样本及指标变化范围大的预测问题。     

基于BP神经网络的西安环境空气质量的预测

针对目前空气质量污染日益严重的问题,提出了一种基于神经网络的环境空气质量的预测方法.借助于Matlab分别建立空气污染指数（API）和环境空气质量指数（AQI）对空气质量影响的数学模型.利用Matlab对各污染物浓度数据进行分析,计算相应的空气污染指数（API）和环境空气质量指数（AQI）,对结果进行对比.运用BP人工神经网络的多层神经网络对全市大气污染物浓度的实测值进行训练学习,建立模型.同时结合未来一周西安市天气预报,用此模型对污染物浓度进行预测和预报,以达到对大气环境质量进行预测预警的作用.应用实例表明：人工神经网络应用于大气环境质量预测预警是比较理想的.