开放式体系结构的快走丝线切割机床数控系统

阐述了开放式体系结构数控系统的特点,指出开发放式数是数控发展的必要趋势,根据数控系统对ＰＣ的利用程序,提出了数控系统可分为衍生式、嵌入式和开放式三种模式的观点。以快走丝线切割机床为例,总结出开研制开放式体系结构数控系统的原则和步骤,并阐明了开放式快走丝线切割机床数控系统的分层模型和各层的功能。     

国产线切割机丝架结构的振动分析及减振研究

采用有限无法及ＯＤＳ（ＯｐｅｒａｔｉｏｎａｌＤｅｆｌｅｃｔｉｏｎＳｈａｐｅｓ）法对国产快走丝线切割机床走丝系统的动态特性进行了理论分析和实验研究，并应用阻尼减振技术改善了丝架结构的动态特性，实际加工中取得了满意的效果．     

慢走丝线切割机床数控系统PID参数的调节研究

阐述了PMAC的PID滤波器工作原理,并将此控制器作为慢走丝线切割机床的数控系统.通过对一些重要参数的调节,研究了PMAC控制器中PID的调节,获得合理的系统PID参数,达到良好的稳态和动态性能,最终实现跟随误差的最小化,为实现PMAC在精密加工中的应用打下基础.     

基于正交试验法的中走丝线切割机床单次切割工艺参数优化研究

针对中走丝线切割加工机床工艺数据库的建库工作量巨大、影响因素众多等问题,采用正交试验法对中走丝线切割机床单次切割工艺参数进行了优化研究,分析了脉冲宽度、脉间/脉宽、峰值电流及走丝速度对加工表面粗糙度和加工速度的影响。根据不同的工艺指标要求,采用综合平衡法优化得出相应的工艺参数,利用效能计算分析法预测了这些工艺参数所能达到的表面粗糙度和加工速度理论值,验证性试验表明优化结果是可靠的。     

机床热误差补偿建模方法研究

在机床热误差补偿技术研究中,热误差鲁棒建模是机床热误差补偿的成功关键之一。对国内外几种主要的热误差建模方法进行了较为深入的分析研究,比较了不同方法各自的优缺点,并针对缺点介绍了一些改进方法。在此基础上,总结归纳了目前研究存在的问题,并对未来的发展方向进行了探讨。     

机床热变形的研究现状

总结并分析了国内外减小机床热变形的一些新方法 ,为研究减小机床热变形提供了新思路。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

大型龙门铺丝机综合误差建模及补偿

为了提高大型龙门自动铺丝(AFP)机的精度,提出重力变形与几何误差综合建模与补偿方法. 采用有限元法对龙门铺丝机进行静力学分析,通过工作空间网格化方法建立重力变形模型;基于齐次变换矩阵与切比雪夫多项式建立几何误差模型,结合剔除重力变形的测量数据与Powell算法实现对几何误差参数的辨识;综合重力变形模型和几何误差模型,提出基于综合误差补偿的G代码修正策略. 在龙门铺丝机上开展综合误差补偿对比实验,结果表明,补偿前龙门铺丝机误差较大,不能完全满足铺放精度需求,而经过补偿后位置误差和姿态误差均大幅度降低,其中姿态误差减小80%以上,而位置误差减小90%以上,满足铺放精度需求,证明了所提出的综合误差建模和补偿方法的有效性.     

机床主轴轴向热误差一阶自回归建模方法

针对机床主轴热误差经验建模法缺乏物理意义,建模精度和鲁棒性受热变形伪滞后效应影响较大的问题,从理论角度推导出一种具有明确物理意义且不受伪滞后效应影响的主轴热误差建模方法.将主轴简化为一维杆件,考虑主轴圆柱面与空气的对流散热,利用传热学得到一维杆在单端热源条件下温度场和热变形的解析表达式;对热变形表达式进行形式变换,推导...     

基于Matlab-GUI数控机床热误差补偿的仿真系统

为了使数控机床加工精度得以提高,对数控机床热误差补偿系统进行研究。在建立基于BP神经网络数控机床热误差补偿模型的同时,运用Matlab-GUI工具设计了具有通用性交互式数控机床热误差补偿的仿真系统,该系统可使热误差补偿更具有实时性、在线高效性和补偿系统操作可视化。     

基于神经网络的伺服机械手LuGre摩擦补偿控制

针对伺服机械手系统的LuGre摩擦模型参数辨识难,难以建立其精确的数学模型,利用径向基函数( RBF)神经网络的万能逼近特性逼近LuGre摩擦,并作为计算转矩控制器的补偿项。通过Lyapunov方法证明了系统的稳定性以及闭环系统跟踪误差的收敛性。仿真结果证明控制算法能对摩擦进行有效补偿,提高了伺服机械手系统的轨迹跟踪控制性能。     

电控汽油机怠速模糊RBF神经网络控制

针对电控汽油机怠速控制要求,提出了一种模糊径向基函数(RBF)神经网络控制方案,在MATLAB环境下进行了控制仿真,获得了比PID、模糊、模糊BP神经网络更好的控制性能。     

热力参数软仪表在电厂热工过程中的应用

针对火电厂热力参数失效、优化运行的问题,提出了基于支持向量机的软仪表.仿真表明,支持向量机方法与较为典型的RBF神经网络相比有着明显的优势,这样的热力参数软仪表的建立对于电厂的经济运行有着重大的意义.     

基于自适应小波神经网络的复杂系统模式识别方法

针对传统神经网络应用于复杂系统建模和辨识中存在的训练效率、精度瓶颈问题,提出了一种自适应小波神经网络方法(adaptive wavelet neural network,AWNN).首先,通过设计自适应层、综合层,使神经网络能根据待处理的系统的样本数据特征自适应工作于最佳工作区间;然后,通过将小波分析方法与对经典的基于误差反向传播算法的神经网络(back propagation neural network,BPNN)、径向基神经网络(radical basis function neural network,RBFNN)结合,保留了上述方法的优点,克服了传统神经网络方法各自的问题;最后,通过对BPNN、RBFNN和AWNN方法进行计算机仿真实验,验证了各算法的可行性、可达性和算法参数特性.实验结果表明:AWNN方法具有更快的收敛速度、更高的精度和更好的鲁棒性.     

人工智能在预测支持系统中的应用

提出一种新型预测支持系统,预测分析方法采用基于径向基函数的神经网络方法,所有预测支持系统的数据放在数据仓库,针对不同预测支持子系统,通过在线分析处理（OLAP）及数据开采,从数据仓库中提取综合数据和信息,作为预测输入样本,该方法用于酒店物部预测支持子系统,为部门主管提供预测信息,使其制定出合理的进货计划,保证了物品不短缺的同时也不积压,使宾馆管理系统高效,科学运作。     

基于灰色系统的机床热误差建模研究

针对机床加工过程中的热变形误差受多因素影响,变化趋势复杂,难以用常规预测方法进行有效预测的问题,该文提出了一种新的基于改进灰色系统的智能预测模型。该模型利用函数变换法改善灰色系统数据序列的光滑度,采用等维新陈代谢法克服了传统的灰色预测模型的不足,所建模型具备了输入数据动态更新的能力,预测更趋于合理。将该模型应用于工厂现场的一台数控车削加工中心进行热误差趋势的预测,从而实现热误差的补偿研究。研究表明,该模型的预测性能优于全数据GM(1,1)模型和新信息GM(1,1)模型,是运用灰色系统理论进行机床热误差补偿建模最理想的模型,具有优异的补偿功能,能够有效的提高机床加工精度。     

RBF神经网络的混合学习算法

针对RBF神经网络的最近邻聚类学习算法存在的学习精度不理想和固定网络结构的梯度下降训练学习算法存在的中心不易确定、训练时间长等问题,提出一种基于最近邻聚类中心选取和梯度下降训练的RBF神经网络混合学习算法,解决了RBF网络径向基函数的中心取值问题,提高了网络的学习精度和训练速度.将该算法应用于非线性系统的在线辨识与二维函数的逼近,仿真实验结果证明了该方法的有效性.     

基于RBF神经网络的水下机器人传感器状态监测方法研究

为了实现水下机器人多传感器状态监测,根据其工作环境及所配置传感器的数量,提出了基于径向基函数(RBF)神经网络的传感器状态监测方法,建立了二级神经网络监测模型,解决了多传感器故障诊断和信号恢复的问题.基于某型水下机器人海中试验数据进行计算机仿真试验的结果,验证了该方法的有效性和可行性.