排序方式： 共有5条查询结果，搜索用时 7 毫秒
1
1.
本文提出了SVR算法建立旋转电弧焊接形态的算法。旋转电弧焊接过程是一个多因素耦合的过程,有必要建立关于旋转电弧焊接的焊缝形态预测模型。选择旋转频率,旋转半径,焊枪高度和焊接电流的四个主要变量作为模型的输入,焊缝的宽度和深度作为输出。试验结果表明,基于SVR建立的焊缝形态预测模型在小样本训练数据的情况下具有较高的精度。 相似文献
2.
3.
裂纹顶端塑性区内方向应变能的裂纹扩展准则 总被引：1，自引：0，他引：1
在应用断裂力学和塑性力学对裂纹顶端的分析基础上,提出了裂纹顶端塑性区内方向应变能的概念,并建立了基于此概念上的裂纹扩展准则,引入裂纹顶端临界扩展本征区概念,消除了应变能积分中的奇异性.与其它裂纹扩展准则的比较结果表明,在此基础上建立的裂纹扩展准则是合理可行的. 相似文献
4.
文章提出了基于旋转电弧传感器的NU-SVR水下焊缝偏差识别算法。Nu-SVR通过对基于旋转电弧传感器采集到的不同偏差的水下焊接信号进行学习,然后对水下电流信号进行焊缝偏差识别得出偏差。相对于传统的回归算法-区间积分法和神经网络法,本算法具有具有更好的识别能力。最后通过水下焊接实验,其最大的识别误差仅为0.48mm,证明了该方法十分有效。 相似文献
5.
为提高基于旋转电弧传感器的焊缝跟踪系统的精度,提出了主成分分析(PCA)线性降维方法与关联向量机(RVM)相结合的焊缝偏差识别方法.首先,对采集到的焊接电流信号进行小波滤波,进行周期划分和数据标准化处理.然后,对采集到的焊缝偏差数据集进行主成分分析,映射到低维的PCA空间,作为关联向量机的训练样本集;最后,利用实验数据进行测试.实验结果表明:基于PCA_RVM的焊缝偏差识别方法的最大误差为0.54mm,平均误差为0.43mm;PCA_RVM的精度与普通的关联向量机法相差不大,比区间积分法、神经网络法和支持向量机法更高,其运行速度比区间积分法慢,但比神经网络法、支持向量机法和普通的关联向量机法快,所以PCA_RVM更适用于基于旋转电弧传感器的焊缝跟踪系统. 相似文献
1