医用氧化锆陶瓷磨削表面粗糙度的声发射智能预测

医用氧化锆陶瓷(Y-TZP)是较好的齿科修复体材料,为了得到较好的齿科修复体性能对于其制造精度特别是表面粗糙度的要求比较高,但其是硬脆难加工材料,为了提高医用氧化锆陶瓷磨削加工表面质量和加工效率,在对医用氧化锆陶瓷磨削过程中的声发射信号分频段进行相关性分析的基础上,提取磨削声发射840~850kHz敏感频段信号中与磨削表面粗糙度强相关的12组特征值,构建了具有较高预测精度的随机森林神经网络,最终医用氧化锆陶瓷磨削表面粗糙度声发射预测最大相对误差低于8.37%,研究结果对医用氧化锆陶瓷磨削表面粗糙度在线智能监测有较大的参考价值。

非共振椭圆振动切削BK7光学玻璃的亚表面损伤深度预测研究

椭圆振动辅助切削引起的亚表面损伤严重影响BK7光学玻璃的应用,但是目前尚无关于椭圆振动辅助切削的亚表面损伤深度预测模型。应用脆性材料的压痕断裂力学,结合经典公式,利用切削力和亚表面损伤深度的相关性,建立基于椭圆振动辅助切削加工BK7光学玻璃的亚表面损伤深度预测模型,使用有限元软件模拟不同切削参数对工件亚表面损伤深度的影响。研究发现,亚表面损伤深度与切削力的指数成正比(即κ^(Fχ)_(c));随着切削参数的变化,亚表面损伤深度的变化趋势与切削力的变化趋势一致;二者的线性回归方程中,所得指数χ=0.54与预测模型的0.45非常接近,模型得到了很好的验证。利用该模型,可以通过测量切削力快速实时地预测椭圆振动辅助切削加工BK7光学玻璃时产生的亚表面损伤深度。

基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度智能预测

部分稳定氧化锆(Partially stabilized zirconia,PSZ)陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标,为了降低磨削表面粗糙度的预测误差,提出了一种基于相关性分析与卷积-双向长短期记忆神经网络(Convolution-bidirectional long short term memory neural network,CNN-BiLSTM)的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性,筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵,作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明,基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。

硬质合金刀具高速切削7075铝合金表面粗糙度预测模型

为提高金属切削加工后工件表面质量,课题组将切削速度vc、进给量f、背吃刀量ap及刀尖圆弧半径R这4个因素结合起来,分析各个因素对工件表面粗糙度的影响。首先,设计了正交方案并进行切削试验,用极差法分析正交试验结果;其次,根据正交试验数据,采用多元非线性回归方程建立了表面粗糙度预测模型;最后,进行了离差平方和显著性检验以及模型试验验证。结果表明:4个因素对表面粗糙度的影响程度为f>R>vc>ap;该预测模型高度显著,且通过试验进行了验证,对比得出其误差率低于6%,可以准确地预测铝合金表面粗糙度。该模型为硬质合金切削Al7075-T6铝合金时,切削参数的合理选择提供了依据;为研究硬质合金切削Al7075-T6铝合金表面粗糙度提供了一种便捷的方法。

融合IVMD的海表温度时空智能预测方法

精准的海洋表面温度(sea surface temperature, SST)预测在海洋和气象领域具有重要意义,如海洋渔业捕捞和海洋天气预报等。提出一种融合改进变分模态分解(improved variational mode decomposition, IVMD)的时空混合模型来预测SST,采用中心频率观察法、残差指数最小化和皮尔逊相关系数改进变分模态分解(variational mode decomposition, VMD),去除SST序列冗余,利用图卷积神经网络(graph convolutional network, GCN)提取SST交互特征并结合长短时记忆网络(long short-term memory, LSTM)捕捉时间动态,提高预测精度。选取中国东海海域进行实证分析,实验结果表明:与现有模型对比,本文模型在均方根误差、平均绝对误差和平均绝对百分比误差3个指标上均有显著提升,验证了本文模型的有效性和稳定性。

结合CSSA-BP神经网络的砂带磨抛表面粗糙度预测研究

镍基合金在航空涡轮机、压气机的叶片制造中广泛应用,提升其加工效率与质量是行业热点。为实现航发叶片恒力磨抛的表面粗糙度准确预测,提出一种基于改进麻雀搜索算法(CSSA)优化BP神经网络的预测模型,开展机器人砂带磨抛工艺参数预测研究。选取4个主要影响因素为变量进行正交试验和极差分析;利用BP神经网络建立表面粗糙度预测模型,引入Tent混沌映射和种群多样性变异,进行麻雀搜索算法的改进,再通过CSSA对预测模型进行优化。结果表明:优化后的粗糙度预测误差降低了85.9%,相比优化前提升明显,可准确预测所输入工艺参数对应的粗糙度值。

微透镜阵列的慢刀伺服加工表面粗糙度预测模型

建立了超精密加工微透镜阵列的表面形貌预测模型。基于切削参数、刀具几何参数、微透镜阵列的几何结构,分析了加工的轨迹规划;模型中考虑了刀具与工件之间三维方向相对振动的影响,仿真出加工的表面形貌和粗糙度。通过仿真模型的计算,分析了切削参数、透镜几何参数对微透镜阵列表面形貌及粗糙度的影响。

超精密加工的三维表面形貌预测

描述并建立了仿真超精密加工的三维表面形貌模型。三维表面形貌模型由切削参数、刀具几何形状及刀具与工件的相对运动来表征 ,通过将预测的表面粗糙度轮廓线性映射到网格面元上来生成已加工表面的形貌。实际的加工和测量实验表明 ,仿真的三维表面形貌和由激光干涉形貌仪测量得到的三维形貌具有很好的相似性。该模型可用来确定如刀具切削运动的迹线、表面波度等表面特征。

基于DEPSO-RBFNN的变压器表面温度预测模型

提出一种基于差异进化算法(DE)和粒子群优化算法(PSO)的新型混合进化算法DEPSO,以及基于DEPSO的径向基函数神经网络(RBFNN)模型,并应用于预测SF6气体绝缘变压器表面温度。该模型用DEPSO算法训练RBFNN隐层中心的数量和位置,并采用递推最小二乘法确定网络输出层的权值。对某变电站SF6气体绝缘变压器的表面温度预测结果表明:与BP网络、基于进化规划(EP)、PSO的RBFNN相比,这种建模方法具有更高的预测精度。

Spark平台下的海表面温度并行预测算法

面对海量的海表面温度数据,如何使用大数据处理平台和新的处理技术来实时处理、分析并预测海表面温度数据,是一个亟待解决的问题。本文基于现阶段的时间序列方法和专家意见,首先,将类比合成方法引入到海表面温度预测应用中;其次,基于 Spark 平台提出了一种改进的快速 DTW 算法 SparkDTW;最后,为了充分利用通过时间序列挖掘得到的信息,将SparkDTW 与 SVM 相结合,提出了 SparkDTW+SVM 混合模型,为海表面温度预测的应用研究提供了较好的理论基础和技术支持。实验结果表明,SparkDTW 算法预测精度优于 SVM,提高了海表面温度预测效率,验证了将类比合成方法应用在海表面温度预测的可行性;SparkDTW+SVM 在精度方面要优于 SparkDTW 和 SVM,表明 SVM 模型能充分利用时间序列挖掘的信息,验证了 SparkDTW+SVM 在海表面温度预测的有效性。

基于遗传算法的超精密切削表面粗糙度预测模型参数辨识及切削用量优化

建立易于分析各切削用量对粗糙度影响关系的表面粗糙度预测模型和最优的切削用量组合,是超精密切削加工技术的不断发展的需要。针对最小二乘法和传统优化方法的不足,提出了将遗传算法用于超精密切削表面粗糙度预测模型的参数辨识,并用于求解最优切削用量,给出了金刚石刀具超精密切削铝合金的表面粗糙度预测数学模型和切削用量优化结果,进行了遗传算法和常规优化算法的比较,结果表明遗传算法较最小二乘法和传统的优化方法更适合于粗糙度预测模型的参数辨识及保证切削用量的最优。

金刚石线锯横向超声振动切割SiC单晶表面粗糙度预测

把横向超声振动应用到金刚石线锯切割硬脆材料加工中,基于冲量原理分析了线锯横截面上不同位置处金刚石磨粒对工件的法向锯切力。应用压痕断裂力学理论,定量分析了在法向和切向载荷共同作用下磨粒下方中位/横向裂纹扩展的长度和深度。研究了振动磨粒在工件上间歇加载和卸载使横向裂纹优先扩展并抑制中位裂纹扩展的屏蔽效应。建立了横向振动线锯切割硬脆材料时线锯横截面不同位置处磨粒的材料去除模式模型,得到了横向振动线锯切割硬脆材料晶片表面粗糙度的预测公式。以Si C单晶为切割对象,进行普通线锯和横向超声振动线锯切割对比试验,测定线锯的锯切力和晶片表面粗糙度,并对表面形貌进行观察。结果表明,横向超声振动线锯切割Si C是以脆性去除为主塑性去除为辅的混合材料去除模式;同等试验条件下,超声振动线锯切割能使晶片表面粗糙度降低25.7%。表面粗糙度测试结果与理论预测具有较好的一致性。

基于振动传感器的车削加工表面粗糙度预测

文章通过深入研究车床精车外圆时刀具和工件存在相对振动的情况下,加工工件表面轮廓的形成机理,探索出一种建立表面粗糙度值预测模型的新方法。并结合传感器技术,搭建一个能用于测量振动信号的实验平台,通过比较表面粗糙度的预测值和实测值,证明预测模型有一定的准确度。

45钢高速铣削表面粗糙度预测

为了提高高速铣削加工表面粗糙度预测的精确性以及模型的通用性,提出了一种基于粒子群最小二乘支持向量机(PSO-LSSVM)算法的高速铣削加工表面粗糙度预测方法。以工件硬度以及铣削参数为影响因素,采用回归分析方法、最小二乘支持向量机(LSSVM)以及PSO-LSSVM方法,分别建立了45钢高速铣削加工表面粗糙度预测模型,并对模型的预测精度进行了试验验证和对比分析。结果表明:相同样本条件下,回归分析方法的预测误差较大,PSO-LSSVM预测模型平均预测误差仅为LSSVM方法平均预测误差的50%。PSO-LSSVM预测模型具有较高的预测精度和泛化能力,能够准确地预测高速铣削不同硬度的工件表面粗糙度,同时为铣削参数的选择和表面质量的控制提供了依据。

基于模糊基函数网络和自适应最小二乘算法的外圆纵向磨削表面粗糙度的预测

建立了外圆纵向磨削表面粗糙度的模糊基函数网络(FBFN)预测模型,网络的训练采用自适应最小二乘算法(ALS)。ALS将最小二乘算法和遗传算法相结合,能够自主学习,不用人为干预,FBFN和粗糙度的分析模型相结合,只需少量实验数据便可完成网络的训练,自动产生模糊规则,确定隐含层的节点数。仿真和实验结果表明,FBFN网络结构非常适合粗糙度的预测和控制,采用ALS学习方法比BP算法、传统的遗传算法和正交二乘法等能产生更好的结果。

基于支持向量机的航空电机表面温升预测

针对航空电机发热及散热受电机功率、结构,以及由于海拔高度改变带来的大气温度、粘度、压力变化等众多因素影响,温升模型难以准确建立的问题,通过已有试验数据,建立起遗传算法-支持向量机表面温升模型,解决了遗传算法局部搜索能力差的问题,有效地利用支持向量机学习速度快的特点,在小样本情况下具有良好的非线性建模和泛化能力。基于LS-SVM的预测控制算法具有很好的控制性能。试验表明,该模型实现了对航空电机表面温升的智能预测。由于支持向量机具有自学习功能,可在应用中不断提高预测精度,因而这种方法在电机设计中具有广阔的应用前景。

切削加工表面粗糙度预测方法

表面粗糙度是进行零件设计的重要技术要求之一,也是衡量工件加工质量的重要指标,因此,在实际加工前,对表面粗糙度进行预测和加工参数优化具有重要的意义。文章根据近年来国内外的研究进展情况,总结和讨论了切削加工过程中表面粗糙度的预测方法:理论方法、设计实验方法和人工智能方法,并探讨了该研究领域今后的发展方向。

基于遗传神经网络的航空电机表面温升预测

针对航空电机发热及散热受电机功率、结构,以及由于海拔高度改变带来的大气温度、粘度、压力变化等众多因素影响,温升模型难以准确建立的问题,通过已有试验数据,建立起遗传算法-神经网络表面温升模型,解决了遗传算法局部搜索能力差的问题,降低了神经网络陷入局部最小点的可能性。试验表明,该模型实现了对航空电机表面温升的智能预测。

基于改进BP神经网络的螺杆转子铣削表面粗糙度预测

以提高螺杆转子等具有螺旋曲面零件铣削表面质量为目的。根据螺杆转子加工特点,针对主轴转速、进给倍率和间歇进给量进行单因素轮换铣削加工实验。采用改进粒子群算法确定BP神经网络初始权值和阈值的最优值,采用训练后的改进BP神经网络算法对铣削后的螺杆转子表面粗糙度进行预测,并与传统BP神经网络进行对比。结果表明,传统BP神经网络对表面粗糙度的训练精度最低,改进算法中粒子群迭代2000次的平均相对误差最小,为1.21%。利用模型进行工艺参数对表面粗糙度影响规律的预测,可以看出,其他工艺参数不变的前提下,随着主轴转速的升高,表面粗糙度呈现降低趋势;随间歇进给量的增大,表面粗糙度先降低后升高;表面粗糙度随进给倍率的增加,呈现先降低后升高的趋势。结论:改进神经网络算法可以准确预测铣削后的螺杆转子表面粗糙度,为螺杆转子铣削加工中的工艺参数选择提供理论指导。

压铸模型腔曲面铣削表面粗糙度GA-ELM预测

应用球头铣刀对压铸模具型腔曲面铣削精加工前,通过预测其表面粗糙度,可以辅助工艺人员合理配置铣削工艺参数组合。依托GA算法强大的全局寻优能力,优化ELM固有缺陷,建立遗传算法-极限学习机(GA-ELM)模型,并应用该模型预测压铸模型腔曲面铣削精加工表面粗糙度。训练本模型需要选定输入参数及输出参数,选定输出参数为表面粗糙度,输入参数选定为与之相关的铣削工艺参数,通过可变轴精加工铣削实验获得训练集和测试集数据样本,并将本模型预测结果与其他模型对比,对比模型选择未优化的ELM模型及GA-BP模型,对比结果验证了本模型的优越性。最后,再次通过可变轴精加工铣削实验验证本模型预测结果的可靠性,并基于MatLab环境开发可视化的表面粗糙度预测系统。结果表明:本模型相比ELM模型及GA-BP模型,在铣削精加工表面粗糙度预测方面,预测精度及效率优势明显。