基于改进Elman神经网络的轧辊磨削形位精度预测

轧辊磨削形位精度(辊形、圆度)与工艺参数间存在较强非线性关系,传统线性回归难以对形位精度进行有效拟合。针对上述问题,提出了基于改进Elman神经网络的辊形误差和圆度误差预测方法。在Elman神经网络训练过程中采用Sine混沌映射使得种群分布更均匀,同时利用麻雀搜索算法获得Elman神经网络的最优参数。验证结果表明,预测模型对于辊形精度和圆度的预测误差均小于10%,准确度高于85%,满足实际应用需求,证明了所提出方法的有效性。

基于高斯过程的人臂可达运动臂位形预测

针对已有的人臂可达运动臂位形预测方法计算复杂,不考虑上下臂长度导致适应性差、精度低等的问题,提出一种基于高斯过程的人臂可达运动臂位形预测方法.采用臂角参数量化人臂冗余性,实验分析了上下臂长度对人臂可达运动臂位形的影响.使用高斯过程回归的方法学习人臂可达运动过程中手掌位姿及上下臂长度与臂角的关系,构建适用于不同臂长人臂的可达运动臂位形预测模型,并将该模型用于虚拟人的手臂可达运动复现和机械臂的仿人运动规划.最后通过和现有方法的对比表明:基于高斯过程回归的人臂可达运动臂位形预测方法的精度和有效性远高于现有人臂位形预测方法.

周期对称性在失谐叶盘瞬态响应求解中的应用

提出了利用周期对称性仅使用一个扇区进行失谐叶盘瞬态响应分析的方法,给出了其理论和算法实现过程。该算法的核心思想是将失谐部分移至运动方程的右端作为非线性激励,将失谐问题转化为谐调非线性问题,并采用迭代法或预测位形法进行非线性响应的求解,以单自由度（DOF）系统验证时域推进方法的有效性。最后使用简化失谐叶盘的有限元模型验证了该方法的有效性。结果表明：采用扇区模型可将自由度数从3 888减少至324,而每一时间步仅需2-3次迭代即可收敛,扇区模型与整体模型计算结果吻合良好,最大幅值误差为0.14%，