凸轮轴变转速数控磨削方法的数学解析

针对恒转速凸轮轴磨削存在的问题,提出了一种实现凸轮轴变传速磨削的分析方法,建立了以凸累矢量角θ为参变量的数学模型,并验证了这种分析方法的可行性,为研制变转速凸轮轴数控磨床提供了理论依据。     

高速精密磨削汽车凸轮轴的加工技术

凸轮轴是发动机的关键零部件之一,其轮廓精度直接影响到发动机的性能和寿命。采用高速精密磨削方法和工艺加工凸轮轴可以满足高速、高效、高精度的加工要求。稳定凸轮轴的加工质量,可望取得良好的经济效益。     

基于BP神经网络的高速磨削磨削力预测研究

应用BP神经网络算法建立高速磨削单位面积法向磨削力的预测模型.对比实验结果和预测值,表明该模型有一定的预测精度,通过增加学习样本或采用改进型的神经网络模型,能够进一步提高预测精度,对于高速超高速磨削研究有一定的帮助.     

磨削工艺参数智能优化系统设计

在实际磨削加工过程中,技术人员凭借经验和参考手册来选取磨削工艺参数,导致正确性难以保证.为了克服这个缺陷,在分析用户需求的基础上采用模块化设计方法对磨削工艺参数智能优化系统进行总体设计.介绍了各模块功能以及设计思路,并对系统的智能优化技术进行了详细分析,经分析论证后选用BP神经网络作为工艺参数优化的智能算法.此外,还就BP神经网络模型的建立以及网络结构的确定过程做了详细阐述.将模型优化参数进行试验验证,参数优化预测准确率超过85%,体现了其工程应用价值.     

BP神经网络在磨削烧伤诊断中的应用

用磨屑热辐射流温度信号作为信号源，运用ＢＰ神经网络对磨削烧伤状态的智能辨识进行探讨，结果表明，利用ＢＰ网络的高度非线性射表达能力，实现了样本特征值空间的模式空间的映射，对训练样本及测试样本进行了正确识别，且识别正确率较高。     

基于BP神经网络的轴承套圈磨削误差的预报

提出一种基于BP(反向传播)神经网络磨削误差的预报方法,针对轴承套圈磨削误差序列的非线性特点,使用BP神经网络对其进行建模预测,为磨削自动线的监控调整提供准确的预报值,从而可有效地修正磨削过程中温度、变形及其他复杂因素对工件加工精度的影响,提高加工精度,降低轴承套圈磨削的尺寸分散度。     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度,采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况,确定了输入层和中间隐层的维数,从而确定了模型的结构．用试验参数对模型结构进行训练,最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明,该模型的预测误差可以控制在10％以内,具有很高的精度预测能力．     

凸轮轴磨削加工过程的动态优化和仿真

为了提高凸轮轴的加工效率及加工精度,开发凸轮轴磨削加工过程动态优化仿真模块．根据凸轮轴恒线速加工的数学模型,提出一种基于最小二乘法的速度优化算法,对加工过程运动曲线进行优化仿真,得到了波动较小的速度曲线并减小了联动轴加速度的跳动．在此基础上根据工艺系统各组件的运动轨迹完成凸轮轴加工过程的实时三维动态仿真,全面、逼真地反映现实的加工状态和加工环境,使操作者可以直观地观测加工过程中是否存在碰撞和干涉现象,对各种型号凸轮轴的生产具有指导意义．     

基于模糊神经网络进行磨削加工尺寸精度智能控制的研究

采用模糊神经网络方法进行磨削加工尺寸精度的控制，给出了模糊推理BP网络模型。通过仿真证明了模糊神经网络控制的可行性，控制精度优于传统方法。     

数控加工工艺的研究与分析

工艺分析是数控加工编程的前期工艺准备工作,无论是手工编程还是自动编程,在编程之前均需对所加工的零件进行工艺分析。若工艺分析考虑不周,往往会造成工艺设计不合理,从而引起编程工作反复,工作量成倍增加,有时还会发生推倒重来的现象,造成一些不必要的损失,严重者甚至还会造成数控加工差错。为此,本文首先讨论了分析零件图,确定加工内容,接着分析了正确划分工序和确定合理的加工路线、选择合理的刀具和选用合适的切削用量,工艺装备的选择和图样尺寸的标注,最后研究了正确选择切削加工方式和使用新型高效刀具。     

基于曲率分段的发动机凸轮磨削步长优化算法

提出一种改进凸轮磨削加工效率和精度的新算法.该算法根据加工精度要求，利用砂轮相对凸轮转角的运动轨迹的曲率计算各加工转角下的最大允许转角步长，并对凸轮加工转角进行分段，优化加工转角步长和转速.与恒转速法相比，有效减少加工中的冗余步长，提高加工转速，改善加工效率，并避免恒转速法在凸轮上升段及下降段与缓冲段相接处的精度不足及砂轮架加速度过大所致的响应滞后问题，保证凸轮加工精度和加工效率.     

BP神经网络的模型优化研究及应用

随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题。通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究。并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度。     

基于神经网络和遗传算法的桥梁参数优化方法与分析

在桥梁施工监控中,实测标高与理论预测标高存在差异的主要原因之一是理论计算参数存在偏差,因此对计算参数进行有效修正成为现代施工控制的一个关键问题。分析和确定了影响标高预测误差的主要参数,利用有限元分析建立了主要参数和标高之间的BP网络模型,该模型在一定参数取值范围内可以取代有限元模型预测标高,从而大大减少计算量。在建立的BP模型基础上,通过浮点编码的遗传算法对目标函数进行优化得到一组最优计算参数。对实际桥梁的计算分析表明,本文确定的分析参数物理意义明确,基于本文方法的修正能有效地提高标高预测精度,对类似桥梁的计算分析具有指导意义。     

基于BP神经网络预测的自相关过程MMSE控制

自相关过程的质量控制，常采用基于MMSE控制器的SPC／APC整合方法进行监测．而MMSE的设计，依赖于自相关过程预测的精度．对自相关过程采用BP神经网络进行预测，APC过程采用MMSE控制器进行过程调整，最后采用SPC进行过程监测．仿真实验表明：该方法能够有效去除自相关的影响，是一种有效的自相关过程监测方法，有实际应用价值．     

基于改进天牛群算法优化的BP神经网络的入侵检测

针对传统BP神经网络的入侵检测中,BP神经网络模型存在容易陷入局部最优、收敛速度慢、初始值随机性较大等缺点,本文提出改进天牛群算法(Beetle Swarm Optimization,BSO)用于优化BP神经网络的权值与阈值,并采用可变的感知因子及导向性的学习策略,以增强算法跳出局部最优的能力,提升算法全局寻优能力。利用天牛群算法群体智能的特点,提高BP神经网络的收敛速度。并将天牛群优化的BP神经网络模型应用于入侵检测,仿真实验结果表明优化后的BP神经网络模型能够显著提高模型的收敛速率和对入侵数据的检测率,降低误报率。     

基于神经网络理论的内圆磨削过程模型研究

探讨用神经网络（ＮＮ）模型描述内圆磨削过程，介绍了ＮＮ模型的特点，针对ＢＰ算法，提出了一改进算法．利用内圆磨削轴承内圈内孔的实例，设计了一个三层ＮＮ模型，并针对内孔尺寸某一数据集，在计算机上进行了ＮＮ仿真建模．结果表明：ＮＮ模型适于描述内圆磨削过程，且合理选择输入节点及隐节点将加速网络的收敛．     

基于混沌粒子群优化BP神经网络的网络安全风险评估系统设计

网络规模不断扩大的同时,也容易受到各种安全风险的威胁,因此,必须对网络安全风险进行准确评估。传统的评估系统中存在的趋势性、周期性以及随机性影响评估准确率的问题,导致评估的结果大都不准确;为此,提出并设计了基于混沌粒子群优化BP神经网络的网络安全风险评估系统。首先对系统的硬件进行了设计,并得出了设计的框图;然后使用混沌粒子群的优化算法和BP神经网络的算法对系统的软件进行了设计;最后进行了对比的实验。实验结果表明,该系统能够更好的协调,并处理评估过程中出现的问题,不会受到趋势性、周期性以及随机性的影响,能够更好的发挥网络安全评估的效果,提高评估的准确率,减小相对的误差。     

基于BP网络多指标多因素最优工艺参数分析

基于BP神经网络理论,利用实验数据对连接权系数和结点阈值自学习确定,从而建立BP神经网络模型,采用BP神经网络模型比回归方程形式数学模型具有更小的方差,能够寻找到最优的工艺条件.