非导电工程陶瓷电火花磨削热量分配模型

对非导电工程陶瓷加工新技术--双电极同步伺服跟踪电火花磨削加工(EDGSSDE)中产生的热量进行了分析,建立了EDGSSDE的热源模型和热量在非导电工程陶瓷、金属结合剂砂轮、磨屑和工作液间的分配模型,并进行了数值计算.计算结果表明,热量在金属结合剂砂轮和工作液间的分配随着加工深度的增加而逐渐减小,热量在非导电工程陶瓷间的分配随着加工深度的增加而逐渐增大,热量在磨屑间的分配比很小,且随着加工深度的增加变化不大.加工中工作液和砂轮带走大部分的热量.     

非导电工程陶瓷电火花磨削热量分配模型

对非导电工程陶瓷加工新技术——双电极同步伺服跟踪电火花磨削加工（EDGSSDE）中产生的热量进行了分析，建立了EDGSSDE的热源模型和热量在非导电工程陶瓷、金属结合剂砂轮、磨屑和工作液间的分配模型，并进行了数值计算。计算结果表明，热量在金属结合剂砂轮和工作液间的分配随着加工深度的增加而逐渐减小，热量在非导电工程陶瓷间的分配随着加工深度的增加而逐渐增大，热量在磨屑间的分配比很小，且随着加工深度的增加变化不大。加工中工作液和砂轮带走大部分的热量。     

绝缘工程陶瓷电火花加工温度场模拟

建立了绝缘工程陶瓷双电极电火花加工温度场的数学模型,应用有限元方法对其进行了数值模拟,仿真了不同加工条件下Al2O3陶瓷的温度场分布,得到了不同加工参数对放电凹坑形状的影响规律．仿真结果表明,Al2O3陶瓷的温度场在热影响区内随着脉,中宽度、加工电流的增加或铜片电极厚度的减少而增加,在热影响区外温度几乎没有变化;加工后放电蚀坑的宽度和深度也随着脉,中宽度、加工电流的增加或铜片电极厚度的减少而增加．模拟结果为预测Al2O3陶瓷表面形貌、揭示双电极电火花加工的放电机理、合理选择加工参数等提供了理论依据。     

基于小波神经网络的建筑工程沉降变形预测

变形监测是安全化、信息化工程建设和管理的重要内容,贯穿于建筑物设计、施工和运营整个过程.本文基于小波分析、BP神经网络、小波分析与神经网络结合的相关理论,借助MATLAB编程,建立了改进的BP神经网络、辅助式小波神经网络、嵌入式小波神经网络3种变形预测网络模型.结合工程实测数据,利用建立的3种模型,分别应用累积沉降和期间沉降不同模式数据进行预测.结果表明,两种小波神经网络组合模型的预测效果明显优于单一的BP神经网络模型,具有更高预测精度和更快的收敛速度,且训练样本数目越多,模型精度越高,预测效果越好.     

绝缘工程陶瓷电火花加工技术研究进展

概述了国内外绝缘工程陶瓷电火花加工技术的研究现状,对高电压辉光放电加工、电解电火花放电加工及辅助电极电火花加工等绝缘工程陶瓷的电火花加工技术的原理、特点进行了分析和阐述,并且分别对相应的复合加工技术进行了一定的研究。     

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。     

隐层自构造小波神经网络及其在深基坑支护工程中的应用

在结合小波分析和神经网络(ANN)基础上,提出了一种隐层自构造小波神经网络模型.该模型通过有限的经验数据学习,建立了深基坑支护结构变形量与其影响因素的非线性关系,并将其应用于深基坑支护工程实例当中.研究表明,该网络训练时间不到0.5 s,预测精度高,预测结果可靠,对今后保证深基坑支护工程施工安全具有借鉴意义.     

小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。     

隐层自构造小波神经网络及其在深基坑支护工程中的应用

在结合小波分析和神经网络（ANN）基础上，提出了一种隐层自构造小波神经网络模型。该模型通过有限的经验数据学习，建立了深基坑支护结构变形量与其影响因素的非线性关系，并将其应用于深基坑支护工程实例当中。研究表明，该网络训练时间不到0．5s，预测精度高，预测结果可靠，对今后保证深基坑支护工程施工安全具有借鉴意义。     

改进PSO的WNN模型在短期负荷预测中的应用

针对电力系统负荷预测中实际的负荷数据往往具有极大的波动性,模型呈现出极大的非线性,提出一种改进粒子群优化的小波神经网络模型,将其应用于电力系统的负荷预测研究.首先,分析和介绍了小波神经网络和改进的粒子群算法的基本原理和优点;其次,将改进的PSO算法用于优化小波神经网络的参数优化;最后对改进的PSO-WNN负荷预测模型进行仿真分析.实验结果与传统PSO-WNN的实验结果进行对比,证明改进的PSO能够提高模型的运算效率和负荷预测精度.