基于CPSO-RBF网络的数控机床热误差实时补偿系统研究

目前,生产制造正向着更加精密化、智能化的柔性制造方向发展,但大多数控机床的智能化程度依然有限,导致不能对生产加工过程中产生的误差进行实时反馈补偿。以RBF神经网络技术为基础,并通过引入CPSO算法来对RBF神经网络进行训练优化,构造了数控卧式镗床的主轴热误差预测模型,并针对生产加工过程中产生的热误差设计了主轴热误差实时补偿方法。最后应用MATLAB仿真软件对主轴热误差的实时补偿系统的效果进行验证,表明了补偿方法的可行性和有效性。     

基于时间序列算法的数控机床热误差建模及其实时补偿

提出了一种基于时间序列算法的机床热误差建模方法.通过时序算法综合分析软件,对实测的热误差数据进行预处理、模式识别、模型参数估计、循环定阶判别以及模型整合,建立表征机床热误差变化规律的实时补偿模型,并通过判别温度变化趋势,实时调整模型迭代系数.通过实时补偿系统,利用所建立的热误差补偿模型对数控机床的热漂移误差进行实时补偿加工.结果表明,工件的径向尺寸误差从补偿前最大的112μm降低到7μm,机床加工精度和稳定性大幅度提高.     

基于插值算法的数控机床复合误差补偿技术

为提高数控机床的加工精度,提出了基于线性插值法和牛顿插值法的数控机床几何与热的复合误差建模方法,并利用数控系统外部机床坐标系的偏置功能,应用自行研发的综合误差实时补偿系统进行误差在线实时补偿.结果表明:所提出的模型具有计算简便、预测精度高等优点,可用于各种复杂加工场合中的数控机床几何误差与热误差的实时补偿.     

RBF网络在线建模方法在热误差实时补偿技术中的应用

应用径向基(RBF)神经网络模型的学习性能,对一台数控加工中心的主轴温度与主轴径向热误差关系分别进行离线建模与在线建模对比研究,并将2种建模方法用于实例分析.结果表明,RBF神经网络模型能够反映数控机床的热特性,准确实时预报机床热误差.当工况发生较大变化时,在线建模能够及时补充系统信息,更好地反映机床系统热性能,从而精确预报机床的热误差,提高了误差补偿效果.     

精密车削中心热误差鲁棒建模与实时补偿

为了减小数控机床的热误差.提高数控机床的加工精度,使用BP神经网络和遗传算法相结合的方法建立了热误差模型,并基于所建模型开发了数控机床热误差实时补偿系统.基于对数控机床热动态过程的分析,利用4个关键温度点,建立BP神经网络热误差模型.用遗传算法优化BP神经网络连接权值和阈值,提高了模型的预测精度和收敛时间.试验结果表明:对精密车削中心进行实时补偿后,加工误差从32 μm降低到大约8 μm,明显提高了数控机床的加工精度.     

基于主轴电流的铣削力间接测量方法研究

从数控机床主轴系统的传动机理出发,结合交流伺服电机的控制理论,推导出了主轴电流间接测量铣削力的理论依据,并且提出用三相电流的均方根值表示等效的直流电流,省去了复杂的d-q坐标变换.通过对实验获得的主轴电流和力信号的时域和频谱分析,发现了两个信号在时域上存在滞后,而在频域上存在对应关系,并利用相关函数计算出了时延,证明了切削力与主轴电流之间的强相关性,可以通过监测电流间接测量切削力.     

大型数控滚齿机热误差补偿建模

针对某大型数控滚齿机,提出滚刀与工件主轴中心距热误差计算新模型,建立热误差实验检测系统,进行热误差与温度的关系实验;在此基础上,采用模糊聚类与多元线性回归法建立滚刀与工件主轴中心距热误差补偿模型;将补偿模型与实验数据进行对比分析,揭示滚齿机热误差规律,得到热误差随加工温度变化曲线。研究结果表明:经热误差理论、实验及补偿模型值比较,三者热相对误差均低于5%,验证了所建立热误差补偿模型的正确性与有效性,表明该热误差补偿模型精度高,实用性及鲁棒性强,可为滚齿机热误差预测、控制及实时补偿提供有益参考与指导。     

数控机床热误差的混合预测模型及应用

基于机床热变形误差的产生机理及其表现形式的复杂性,综合时序分析方法建模和灰色系统理论建模的优点,研究了一种智能混合预测模型.将该模型应用于一台数控车削加工中心进行热误差趋势预测,以进行机床热误差补偿研究.结果表明,混合预测模型预测精度高于时序分析模型和灰色系统模型,其优异的预测性能可使数控机床进行实时补偿更加有效,从而大大提高机床热误差的补偿精度.     

主轴回转误差的动态数据模型研究

从车床切削过程的动态模型出发，分析了用动态数据系统（ＤＤＳ）方法建立主轴回转误差模型的理论基础，直观，深入地展示了模型建立的条件和实质，进一步对实测的多组主轴回转误差信号，建立了ＡＲ模型。通过模型的预测误差研究，验证了模型和文中理论分析的正确性，本文结论可用于实时误差补偿系统中，为主轴回转误差的建模和预测方案设计提供依据。     

采用天鹰优化卷积神经网络的精密数控机床主轴热误差建模

针对数控机床因主轴热误差而严重影响加工精度等问题，结合求解最优解能力强的天鹰优化算法(AO)以及自学习和自适应能力强的卷积神经网络(CNN),提出一种采用AO-CNN的数控机床主轴热误差模型。根据磨齿加工过程特点，总结磨齿机主轴系统热变形规律，确定了X方向热误差为影响齿轮加工的主要因素；利用模糊C均值聚类(FCM)和相关系数法筛选出关键温度点；利用AO算法优化CNN结构的卷积核，并且建立AO-CNN的数控机床主轴X方向热误差预测模型。在2种不同转速的工况下对所建立模型的性能进行了验证，结果表明，采用AO-CNN进行热误差建模，数控机床X方向的热变形预测精度相比于CNN模型提高了15%,具有更加优越的预测精度。     

基于蒙特卡洛法的铣削让刀误差概率分布预测

基于斜角切削理论,建立铣削力计算模型,求解得到铣削力.构建薄板受力变形的挠度函数,结合刀具的受力变形求解刀具-工件耦合变形的铣削让刀误差.采用神经网络拟合方法,求出输入铣削参数与输出最大让刀误差的函数关系.考虑刀具参数、材料参数、工件参数以及加工工况等随机参数对金属切削的影响,利用蒙特卡洛方法,对输入参数进行抽样,将参数样本代入神经网络拟合的函数模型中,获得铣削让刀误差样本,并分析其概率特性,从而提出一种铣削让刀误差的概率分布预测方法,较确定性计算铣削让刀误差的方法更加符合实际.     

基于非线性自适应回归神经网络的GPS/IMU组合导航方法

车道级高精度定位导航是智能网联汽车的基本配置,全球定位系统(globlal positioning system,GPS)/惯性测量单元(inertial meansurement unit,IMU)组合导航是高精度定位的关键技术之一。根据汽车行驶过程中高精度定位要求,提出了应用于智能网联汽车的基于非线性自适应回归(nonlinear autoregressive exogenous,NARX)神经网络的GPS/IMU组合导航方法。首先,根据IMU传感器数据特性,建立了基于扩展卡尔曼滤波的惯性导航系统(inertial navigation system,INS)模型,其次,基于NARX神经网络,建立了GPS/INS组合定位训练和预测模型,然后,基于全球导航卫星系统(global navigation satellite system,GNSS)、实时动态差分技术(real-time kinematic,RTK)、INS等技术,设计了智能网联汽车RTK高精度定位数据采集实验系统,并收集了实验数据。最后,对NARX网络训练误差和GNSS信号长时间失效情况下定位预测误差进行了讨论与分析。实验结果表明,该方法在GNSS信号失效5 min情况下,定位预测误差在2. 5 m以内,满足一般情况下,短、中、长隧道中智能网联汽车定位应用要求。     

基于神经网络的扎龙湿地土地覆盖分类研究

主要研究神经网络在土地覆盖分类方面的应用问题．采用四层神经网络结构,对扎龙湿地的TM影像进行了分类研究,并提出一种基于鲁棒误差函数的自适应反向传播学习算法．仿真结果表明,该方法能够有效地对扎龙湿地TM影像进行分类．所采用的四层网络结构可减轻存储量大的负担,鲁棒误差函数有效地抑制了大误差,自适应反向传播算法使误差下降更快,而且最终得到的分类精度高于三层神经网络和最大似然法的分类精度。     

基于BP神经网络的非线性广义预测控制

广义预测控制在理论上已经有了很深的研究,并在工业控制中获得了应用,但广义预测控制存在着模型失配和系统不确定等缺陷.为克服上述缺陷,本文提出基于BP神经网络建立一个对象模型,用修正的误差预测值对输出预测值进行补偿,从而实现对被控对象的预测控制.通过Matlab仿真,表明神经网络预测控制对非线性系统具有较好的控制效果.     

基于动态补偿神经网络误差修正的广义预测控制

本文采用权值可在线调整的动态补偿神经网络(动态BP网络)对模型预测误差进行拟合,从而显著提高了基于线性模型的非线性广义预测(GPC)的预测精度,增强了算法的鲁棒性。仿真实验证明了该算法的有效。     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

网络控制系统的模糊动态调度算法研究

针对多回路的网络控制系统,本文同时考虑系统误差和误差变化率,设计了一种基于神经网络的模糊动态调度算法.该算法根据系统中各回路的误差和误差变化率,利用神经网络模糊控制的方法实时调整各回路的优先级,从而实现对网络控制系统的调度.最后,利用TrueTime工具箱建立了包含模糊动态调度器的网络控制系统仿真模型,并将其与RM和EDF调度算法进行对比.仿真结果表明,在相同的网络带宽占用条件下,本文所设计的模糊动态调度算法相比于RM和EDF调度算法,产生的网络诱导时延更小,且具有较好的控制性能.     

基于BP神经网络的精对苯二甲酸回收系统水含量预测模型

采用电导率法测量精对苯二甲酸回收系统水含量,考察了电导率与水含量、金属离子浓度及温度的关系。以温度、金属离子浓度、电导率为输入变量,通过BP人工神经网络贝叶斯正则化算法建立水含量预测模型。优化后的BP神经网络模型结构为3-13-1,动量因子为0.75。使用优化的模型对水含量进行预测,测试集最大绝对相对偏差为4.36%,平均绝对相对偏差为0.96%,表明所建立的神经网络模型可较好地用于预测精对苯二甲酸回收系统的水含量。     

基于Elman神经网络的路面附着系数识别

准确、高效地识别路面附着系数为汽车主动安全系统提供了重要输入参数。笔者提出了基于Elman神经网络识别路面附着系数方法,采用Carsim/Simulink联合仿真,获取了某车辆的63个行驶工况,共20个重要动力学响应。构建了Elman神经网络的路面附着系数识别模型,对附着系数为0.2～0.9的路面进行了识别,识别平均绝对百分比误差为4.92%,准确率为91.22%。相对于传统的BP神经网络方法,该方法使路面附着系数的识别平均绝对百分比误差降低了2.24%,准确率提升了9.82%,并且在潮湿沥青路面以及干燥沥青路面进行了实车实验,验证了该方法的有效性、可行性。     

基于新型PID神经网络的自适应控制系统研究

提出一种新的PID型神经网络的自适应控制系统,该控制系统采用对角递归神经网络辨识对象的正向模型,采用一种新型神经网络控制器产生控制量,与常规PID控制不同的是,该控制量不再是误差信号的比例、积分和微分量的简单线性组合,而是这些信号的一种非线性组合,从而可以有效地解决常规PID控制器存在的快速性和超调量之间的矛盾.仿真实验表明,这种新型控制系统具有较强的自适应性和鲁棒性.