一种模糊神经网络轧辊磨表面粗糙度预测与控制方法

研究了一种模糊神经网络轧辊磨表面粗糙度智能预测及控制的方法,轧辊磨削精度和表面质量指磨削过程中的加工精度、表面粗糙度和物理机械性能,而表面粗糙度是其中最主要的一个因素.提出的基于模糊神经网络的轧辊磨表面粗糙度智能预测方法对于在轧辊磨削工艺中研究基于模糊神经网络的表面粗糙度预测,对于如何在加工过程中辨识表面粗糙度及时作出砂轮动作的调整,保证轧辊磨削质量有重要意义.同时由于可以实现砂轮表面粗糙度的在线控制与调整,提高了轧辊磨削的生产率.     

外圆纵向智能磨削控制系统的研究

通过对磨削机理、专家系统、模糊神经网络和人机一体化学术思想的深入研究，本文提出了一种外圆磨削加工中人机一体化智能控制策略。其中，初始磨削加工参数由基于神经网络的专家系统决定；磨削过程中采用了大进给和超切人的优化磨削方法；由二个模糊神经网络和人组成的合作智能控制系统实时修正磨削加工参数。实验结果表明，该系统在外圆磨削加工中适应性强，可极大地提高磨削质量和效率。     

基于Rough集的磨削参数决策系统

本文介绍了5层模糊神经网络的优缺点，提出了基于Rough集构造模糊神经网络的方法，并应用于多传感器的磨削参数决策系统，达到控制磨削加工质量的目的。     

切入式磨削烧伤仿真预测与控制方法研究

基于磨削热传递模型和磨削去除率模型,提出了一种基于监控功率信号的切入式磨削烧伤仿真预测与控制方法,对砂轮在粗磨、半精磨、精磨、光磨各阶段的磨削功率信号进行监测,再利用计算机对机床数控系统各加工工艺参数进行控制,使砂轮实际磨削功率信号始终低于磨削烧伤最大功率边界的5%～15%,来避免出现工件磨削烧伤现象;同时,用轴承套圈内圆磨削试验验证了该方法的有效性和实用性。      

磨削质量在线智能监测及模糊综合评判

提出了一种基于小波神经网络的磨削质量在线智能监测及模糊综合评判方法，即通过提取反映磨削质量的多种AE信号特征参数，利用小波神经网络的非线性模型和学习机制，实现磨削质量的在线监测，同时，根据监测结果，利用模糊综合评判方法，对磨削加工质量进行在线综合评判，定出磨削质量等级，为进一步调整加工参数提供信息。     

BP神经网络及其在磨削力序列预测中的应用

将人工神经网络（ANN）技术引入磨削加工领域,研究磨削力在砂轮磨钝过程中随金属磨除量变化序列的神经网络预测模型,实例计算结果与传统回归法结果的对比,证明该预测方法是可行的。     

基于神经网络的磨削工艺参数智能预测模型

磨削参数的合理选择对于磨削加工过程有着重要的影响,将人工智能运用到磨削工艺参数的选择过程中是现代发展的一个新趋势.在分析现有的智能算法后,提出了一种利用BP神经网络模型来确定磨削参数的方法.在该方法中综合考虑影响磨削加工的因素,把它们列为神经网络系统的输入参数,并对输入参数进行编码;同时也对输出参数(砂轮速度、工件速度、磨削深度、磨削进给速度)进行了归一化处理以适应神经网络的学习.采用循环算法比较得出隐层的最优神经元个数,从而最终建立了磨削参数智能预测模型,并利用Matlab进行仿真预测,仿真结果表明该预测模型准确率很高,能为磨削参数的选择提供可靠数据.     

径向磨削加工过程的智能控制策略研究

针对径向切入式磨削加工过程（尤其是薄壁工件），提出了一套新的磨削工艺程式；并在充分分析磨削机理的基础上，导出了与之相适应的以最终尺寸精度为目标的自适应预测最优控制算法，仿真与试验结果表明，该方法能较好地实现磨削尺寸精度的在线控制，可在更短的时间内获得理想的加工效果，对于薄擘件的磨削加工其效果尤其显著。     

基于模糊物元分析的PSO-LSSVM磨加工补调值在线预测与补偿方法北大核心

磨削过程中尺寸补调值的设定对批量工件的加工精度具有至关重要的作用。通过对外圆磨削过程的深入分析,研究磨削加工过程中的补调值预测算法,提出基于模糊物元分析的PSO-LSSVM补调值精确预测模型。通过模糊物元分析迅速准确地获得最佳工艺参数,并将对应的参数作为输入,以此训练出PSO-LSSVM预测模型。通过PSO优化LSSVM模型参数,提高了模型的预测精度。当预测值大于理论边界时,对尺寸误差进行补调,及时调整工艺参数以提高加工精度。通过磨削加工在线测量实验验证,模型平均绝对误差为0.05257μm,均方根误差为0.06533μm;采用所得模型对试样外磨削工件加工时的补调值进行预测可得平均绝对误差0.09625μm,均方根误差0.13412μm,达到补调值预测的精度要求。通过批量工件的加工测试,得出批量工件加工精度较未使用补调值预测补偿控制前显著提高。将提出的补调值预测方法应用于磨加工主动测量控制仪中,控制仪实现了自动补调并与机床形成反馈控制,提高了磨削加工工件的精度与磨加工系统智能化程度。     

基于正交试验-遗传神经网络的凸轮轴高速磨削参数优化

采用X-C两轴联动的加工方式,在CNC8325型超高速凸轮轴复合磨床上,对冷激铸铁凸轮轴进行了加工试验。采用正交试验法设计实验,并运用极差法和方差法综合分析相关磨削工艺参数对工件加工质量的影响规律。利用遗传神经网络算法建立了工件加工质量和相关磨削工艺参数间的非线性映射关系,同时基于正交试验法的分析结果改进了遗传神经网络算法,实现了相关磨削工艺参数的优化,缩短了冷激铸铁材料凸轮轴数控磨削工艺制定的时间,提高了磨削加工的质量。     

纵-扭超声磨削陶瓷表面粗糙度拟合与预测模型

为探究纵-扭超声振动对陶瓷磨削表面几何形貌的影响,以ZrO2陶瓷为研究对象,通过正交对比试验,以磨削表面粗糙度值为评价指标,采用多元线性回归分析法,建立普通磨削（OG）及纵-扭超声磨削（L-TUG）材料表面粗糙度拟合模型,研究工艺参数对表面粗糙度作用的主次顺序及影响程度;同时利用BP神经网络预测模型进行L-TUG表面粗糙度的优化求解。结果表明：在L-TUG中,主轴转速对粗糙度值影响最大,超声能量影响最小;在OG中,磨削深度对粗糙度值影响最大,主轴转速影响最小。BP神经网络模型预测误差在1.070%~9.396%内,且最优磨削参数组合获得的表面质量最好,可实现对L-TUG表面粗糙度值较高精度的智能预测。     

脆性材料平面磨削温度场的测量及分析

磨削温度直接影响砂轮寿命、加工成本和工件质量,一直是磨削加工领域研究加工过程及其本质的重点.获得磨削弧区温度及工件实际的温度场分布是研究磨削热机理的基础.本文采用NEC TH31-110红外热像仪,测量了平面干磨削脆性材料时的热像图,获得了工件整体温度场分布及沿层深的温度分布数据,确定了工件磨削接触区的最高温度及其准确...     

基于神经网络的工业机器人力控制研究

针对工业机器人夹持工件进行磨削时的力控制问题,提出一种基于神经网络算法的机器人力控制方法,搭建一套工业机器人磨削系统,并在Visual Studio软件环境下开发了相应的上位机软件。通过分析神经网络算法的原理,设计神经网络结构,使用从实际磨削过程中获得的训练数据对神经网络进行训练;将力传感器实时采集的力信号输出给训练好的神经网络模型,预测出机器人磨削加工的轨迹修正值并传给机器人,对磨削轨迹进行实时修正,从而实现工业机器人的间接力控制。最后,在搭建的工业机器人磨削系统上进行了力跟踪实验和钛合金试件磨削实验,验证了所提出的力控制方法和机器人磨削系统的有效性和实用性。     

磨削质量在线监测方法研究

在理论分析和试验研究的基础上，提出了一种在线监测磨削表面粗糙度的新方法，该方法从声发射(AE)传感器探头与磨削表面摩擦产生的AE信号中提取有关磨削表面粗糙度的信息量，利用神经网络实现磨削表面粗糙度的在线智能检测和预报。并通过实际跟踪测试和计算机仿真对该方法的可行性进行了分析。结果表明，该方法可行，可用于磨削质量的在线监测。     

基于RBF神经网络的磨削表面粗糙度预测模型

工件表面粗糙度是反映表面完整性指标中极为重要的一个参数,也是衡量磨削加工质量的重要因素之一,准确地预测磨削表面粗糙度对于快速合理地选择磨削加工工艺参数具有重要意义。通过开展实际磨削实验获得磨削加工数据,对获取的样本数据进行归一化处理以适应RBF神经网络的学习。同时采用循环算法比较得出隐层的最优神经元个数,最终建立了基于径向基函数神经网络的磨削表面粗糙度预测模型,并利用MATLAB进行仿真预测。仿真结果表明:该预测模型准确率很高,能为表面粗糙度预测研究提供可靠数据。     

基于改进神经网络算法的螺杆砂带磨削表面粗糙度预测研究

目的 探究工艺参数对螺杆转子砂带磨削表面质量的影响规律。方法 采用工件轴向进给速度为100～300 mm/min、砂带线速度为4.4～13.1 m/s、砂带张紧压力为0.2～0.3 MPa、磨削压力为0.4～0.5 MPa、砂带粒度为120～800目的工艺参数进行螺杆转子砂带磨削正交实验,基于改进的神经网络算法,建立螺杆转子砂带磨削后的表面粗糙度值预测模型,对磨削后的工件表面质量进行预测及分析。在此基础上采用预测模型针对各工艺参数对磨削质量的影响规律进行预测分析。结果 利用多因素磨削实验获得预测样本及对比样本,对比结果表明,预测模型的平均训练精度约为93.38%,预测精度为92.46%。螺杆转子砂带磨削表面粗糙度值的单因素预测结果表明,工件表面粗糙度值随着接触轮正压力及磨削装置轴向进给速度的增加而升高,随着砂带线速度及砂带粒度的增加而降低。结论 提出的算法可为选择螺杆转子砂带磨削的工艺参数提供理论依据。适当提高砂带线速度及砂带粒度、降低接触轮气缸压力及磨削装置轴向进给速度可获得较高的表面质量。     

GCr15钢平面磨削力仿真分析与实验研究

目的 对不同磨削工艺参数下的平面磨削力进行预测,对磨削机理进行研究,进而控制磨削加工质量。方法 考虑CBN砂轮表面磨粒形状的多样性、姿态的多样性和空间分布的随机性,建立CBN砂轮模型,对GCr15材料模型进行有限元砂轮磨削仿真。同时使用CBN砂轮,采用不同的工件进给速度对GCr15进行单因素平面磨削实验,使用三坐标测力仪测量不同磨削参数下的磨削力。结果 建立的仿真砂轮模型的表面形貌与真实砂轮接近,仿真砂轮上的磨粒出刃高度均服从正态分布,与实际砂轮一致。对比随机多面体磨粒模型和真实CBN磨粒照片,两者形貌相似。磨削力实验和仿真结果表明,工件进给速度由3 m/min增大到18 m/min时,磨削力逐渐增大,仿真所得法向磨削力最大误差远小于切向磨削力。结论 实验结果与仿真结果具有一致性,证明了砂轮磨削有限元仿真模型可用于磨削力预测。因为仿真中无法考虑实际砂轮尺寸和砂轮表面结合剂对磨削的影响,结果具有一定误差,仿真的准确性有待进一步提高。研究结果为使用有限元方法研究磨削机理和控制磨削加工质量提供了思路。     

Fuzzy neural networks for control of penetration depth during GTAW

0　ＩｎｔｒｏｄｕｃｔｉｏｎＴｈｅｗｅｌｄｍｏｄｅｌｉｎｇａｎｄｃｏｎｔｒｏｌａｒｅｖｅｒｙｉｍｐｏｒｔａｎｔｔｏｔｈｅｍｅｃｈａｎｉｃｓｏｆｗｅｌｄｐｒｏｃｅｓｓａｎｄｈｏｗｔｈｅｙｃａｎｂｅｂｅｓｔｕｔｉｌｉｚｅｄ.Ｔｈｅｓａｔｉｓｆｉｅｄｃｏｎｔｒｏｌｏｆｔｈｅｏｖｅｒａｌｌｗｅｌｄｐｒｏｃｅｓｓｉｓｎｏｔｅａｓｉｌｙａｃｃｏｍｐｌｉｓｈｅｄ,ｌａｒｇｅｌｙｄｕｅｔｏｔｈｅｉｎａｄｅｑｕａｃｉｅｓｏｆｔｈｅａｖａｉｌａｂｌｅｐｒｏｃｅｓｓｍｏｄｅｌｓ.Ｔｈｅａｒｃｗｅｌｄｉｎｇｐｒｏｃｅｓｓｔ…