基于BP神经网络的切削力预报

切削力预报与控制直接影响切削加工的质量和成本.以多层前馈神经网络为基本结构,以误差反向传播算法(BP算法)为网络训练方法,借助VC 语言建立了切削力预报程序.通过引入共轭梯度法和拟牛顿法优化方法,解决了网络训练中局部最小和过早饱和问题,提高了神经网络的收敛速度和精度,实现了对切削加工过程中切削力的预报和仿真.通过对以两种难加工材料的铣削和磨削试验数据为基础的预报计算,发现传统经验公式方法预报误差偏大,最大相对误差达24.9%,而神经网络方法预报结果最大相对误差为2.01%,证明基于BP神经网络的切削力预报研究具有一定参考和应用价值.     

正交试验法在轴承套圈磨削参数优化设计中的研究

用正交试验法对轴承套圈磨削工艺参数进行了优化设计 ,优选方案提高了轴承的加工精度 ,取得了可观的经济效益。试验结果表明 ,用正交试验法优化轴承套圈磨削工艺参数时 ,必须设置整套重复试验 ,给多指标试验方案以科学的综合评价 ,并对试验结果进行统计分析 ,以增加优选的工艺参数的可靠度。     

计算机辅助提高内圆磨削质量

本文为了利用计算机实时控制和预报轴承内环加工误差,针对轴承内环磨削加工的精度和速度要求,建立了基于Marple算法的AR(n)模型,以及离散勒让德多项式模型.依此研制的微机动态统计控制系统用于现场试验,显著减少了轴承内环加工的返修品和废品.     

减缓轴承套圈沟道磨削烧伤的探讨

轴承套圈沟道磨削加工时产生的高温会造成磨削工件表面局部升温而形成不均一的组织和硬度,从而导致轴承质量合格率大幅下降.论文探讨了砂轮速度与工件速度之比（a）、砂轮修整时间以及磨削冷却措施对轴承套圈沟道表面烧伤的影响.试验结果表明：当速度比a处在45～55时,可以减少烧伤并能获得较好的表面质量;采用较短的砂轮修整时间对减少烧伤有利,并对零件的表面粗糙度影响不大;通过强化磨削加工区的冷却能有效降低工件的温度,进而显著缓解轴承套圈沟道的烧伤程度.     

基于进化神经网络的曲面磨削表面粗糙度预测

将人工神经网络技术引入曲面磨削加工领域,介绍了利用BP算法建立的曲面磨削表面粗糙度随磨削用量变化的进化神经网络预测模型．针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练BP神经网络,取代了一些传统的学习算法,设计了基于进化神经网络的学习算法．实验和仿真结果表明,基于进化计算的BP神经网络不仅可以克服单纯使用BP网络易陷入局部极小等问题,而且预测精度较高。     

预应力硬态切削的残余应力及表面形态

理论分析和实践表明,已加工表面上合适的残余压应力分布能提高机器零部件的表面质量和接触疲劳寿命.文中针对轴承套圈外滚道表面的残余应力问题,采用预应力硬态切削方法,来主动控制轴承零件加工表面的残余应力状态,提高轴承零件的疲劳寿命.通过切削实验对比,分析了硬态干式切削、预应力硬态切削和磨削三种方法加工轴承套圈得到的加工表面残余应力和加工表面硬度,并对轴承套圈的加工表面形貌和状态进行了研究.结果表明,预应力硬态切削方法可以在轴承套圈加工表面获得合适的残余压应力状态和良好的表面质量.     

基于BP神经网络的钛合金切削力研究

由于切削力预报与控制直接影响切削加工的质量和成本,为了节省大量的切削试验成本与精力,提高建模效率,本文提出在进行少量的切削钛合金试验,获取一定的样本数据的条件下,建立基于BP神经网络对切削钛合金切削力预报,获得较好的预测精度,精度误差控制在4%以内.     

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BP神经网络的数控机床综合误差补偿方法

针对多轴数控机床热影响导致的加工精度衰减问题,结合神经网络自学习与数据拟合能力,提出基于优化BP神经网络的多轴数控机床综合误差补偿方法。针对BP神经网络神经元误差曲面下降缓慢影响收敛效率的问题,引入陡度因子和放大因子,并基于此对数控机床运动轴加工精度进行预测和补偿。将大型A/B双摆角龙门数控铣床各关键发热源的温度检测数据和运动轴误差检测数据作为精度预测模型的输入量和输出量,采用改进后的BP神经网络进行训练,获得温度变化与位移误差量之间的非线性映射关系,并据此修改被加工工件的刀位数据文件,实现数控机床加工精度的提高。模拟算例和实验结果表明,该方法降低了传统BP神经网络的预测误差和运算时间,对机床平均误差补偿率达到50%以上。开发的数控机床误差补偿系统无须对现有机床进行大规模硬件改造,应用简便易于推广。     

轴承套圈磨削加工误差传递半参数模型及分析

在磨削加工过程中,存在加工误差随加工顺序传递到下一道工序的问题。本文基于误差流理论,分析了上一道工序的加工误差对下一工序加工误差的影响,将工序间的误差传递关系用参数表达,未知的系统误差用非参数表达,基于泰勒公式建立了工序间误差传递的半参数模型。利用自然样条最小二乘法求解模型中的参数和半参数估计,将上述模型和参数求解方法应用于轴承套圈的内圈沟道的磨削加工过程中,并求解模型的残差、均方误差和平均绝对误差,然后进行模型验证。验证结果表明:半参数模型反映出内圈沟道多工序加工过程中的误差传递关系。与参数模型对比,半参数模型的均方误差从49.78降低到3.18,平均绝对误差从6.60降低到1.31,说明半参数模型精度更高,拟合效果更好。     

基于神经网络的回转球面磨削精度过程控制

介绍了回转球面精密磨削系统,在研究回转球面精密磨削原理和机床结构的基础上,分析了球体形状误差的产生原因,利用BP神经网络拟合进给量、磨削区段和砂轮主轴电流三者之间的非线性关系,通过网络预测调整不同磨削区段的进给量控制电流恒定从而达到恒功率磨削.     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

基于神经网络的泡沫混凝土强度及导热性能预测

基于神经网络原理,建立预测泡沫混凝土性能的BP神经网络模型,期望通过输入配合比主要参数,得到泡沫混凝土强度及导热性能的预测结果。将实验数据分为训练组和对照组,对训练组进行非线性拟合,若拟合结果满足误差精度则模型建立完毕;通过拟合结果与对照组的比较,可验证模型预测精度。结果表明,BP神经网络模型能够准确拟合实验数据,利用其泛化能力进行预测的结果与对照组的误差小于8%,该模型具有很高的预测精度。     

基于遗传神经网络的插铣铣削力建模与分析

本文首先对插铣铣削力进行了理论分析,并基于正交试验方法对铣削力进行了测量试验,然后利用遗传算法对BP神经网络的权值和阈值进行优化,建立了预测铣削力的遗传神经网络模型,最后将经过遗传算法优化的BP网络与未优化的进行对比分析.结果表明,经遗传算法优化后BP网络模型预测误差明显减小,网络的计算精度和收敛速度有了显著提高.     

基于BP神经网络的汽车发动机凸轮轴数控磨削加工工艺优化

随着汽车工业的迅速发展,作为汽车发动机的关键零件,凸轮轴的需求量越来越大,对其加工质量和加工效率的要求也越来越高．本文概述了凸轮轴磨削加工的现状,介绍了人工神经网络特别是BP神经网络的相关理论,最后采用BP神经网络算法对凸轮轴磨削加工部分工艺参数进行优化．     

基于AP-BP神经网络的建筑能耗分析与预测

建筑行业对能源的节约是当前节约能耗的重要途径之一,在对能源浪费现状和建筑物能源绩效调研和分析的基础上,提出了一种基于affinity propagation（AP）聚类的back propagation（BP）神经网络建筑能耗分析与预测方法。通过AP聚类算法对影响建筑能耗的多维因素进行聚类分析,得到影响建筑能耗的主要因素并作为BP神经网络的输入,然后将建筑能耗指标热负荷和冷负荷作为BP神经网络的输出,建立建筑能耗分析与预测模型。均方根误差（RMSE）和平均相对泛化误差（ARGE）评价指标分析结果表明,本文所提方法对能耗值预测的拟合程度优于经典的BP神经网络,且通过建筑能耗输入输出的结构调整能够节约能耗,提高能效。     

两种不同神经网络算法预测人口的研究

文章利用MATLAB编程软件,分别建立RBF神经网络和BP神经网络,采用《中国人口统计年鉴》中1999-2003年男性人口总数量作为样本,分别对RBF神经网络和BP神经网络进行训练,并预测后5年后男性人口数量.结果表明这两种方法预测人口均是可行的,效果较好,误差很小.     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.