基于L-M算法的BP神经网络预测短电弧加工表面质量模型

短电弧铣削加工技术属于特种加工行业中电加工的技术范畴,尤其适用于特硬、超强、高韧性等难加工材料的高效加工。但工件加工表面的技术特性(表面变质层、硬度、残余应力、表面层缺陷等)还有待于深入研究。为获得短电弧铣削加工良好的工艺效果,引入传统BP算法和Levenberg-Marquardt(简称L-M)算法,构建短电弧铣削加工表面质量模型。通过分析表面质量的影响因素,选取放电电压、频率、气压、脉冲时间为模型的输入,表面粗糙度、变质层厚度、工件材料去除率为输出,比较两种模型的预测精度。结果表明,基于L-M算法的BP神经网络对表面粗糙度、变质层厚度、材料去除率的平均预测误差分别为2.9%、9.4%、4.6%,低于传统的BP神经网络。相比传统的BP神经网络,改进的LM-BP神经网络模型提高了预测精度,实际工程中可用于优化工艺参数。

关于汽车动态载荷智能测量的研究

汽车动态称重系统虽然能够适应快速称重,但其称量精度有所下降。为了在快速称重的同时保证称量精度,提出了基于改进Levenberg-Marquardt算法的动态载荷处理方法。首先通过小波变换对动态载荷中的高频随机干扰进行预处理,然后采用改进Levenberg-Marquardt算法对低频动态载荷进行拟合,最后从称重信号中减去拟合的动态载荷即可获得真实的静态载荷。仿真和实验表明,该方法可以有效地降低动态载荷对称量精度的影响,使系统动态称重相对误差小于2%,对高速动态称重精度问题具有一定意义。