基于人工神经网络的微重力流动冷凝换热预测

微重力条件下管内流动冷凝换热系数是空间热交换器设计的基础依据,但其实验数据稀缺,故有必要建立精确的预测模型。文中提出了一种基于人工神经网络的微重力下管内流动冷凝换热预测模型。选取误差反向传播（Back propagation, BP）和径向基函数（Radial basis function RBF）两种神经网络,以水力直径、饱和温度、质流密度、干度及与工质热物性有关的参数作为网络输入,冷凝换热系数作为网络输出。结果显示,BP神经网络预测的均方根误差为237、平均绝对百分误差为4.32%;RBF神经网络预测的均方根误差为165、平均绝对百分误差为2.35%。相对于BP神经网络,RBF神经网络精度更高。基于RBF神经网络的微重力下管内流动冷凝换热模型预测值与94%的实验值和数值模拟结果的相对误差在±10%以内。     

钛合金TC9正交车铣加工表面粗糙度研究

首先建立了正交车铣工件已加工表面粗糙度的理论模型,分析了主要切削用量对工件表面粗糙度的影响规律。然后采用单因素试验法,进行了正交车铣TC9钛合金的切削试验,研究分析了正交车铣的主要切削用量(如铣刀与工件的转速比、轴向进给量、偏心量等)对已加工表面粗糙度的影响。试验研究表明,已加工表面粗糙度随转速比和偏心量的增加而降低,随轴向进给量的增加而增大;表面粗糙度Ra可以控制在1μm以内,因此正交车铣可以实现回转类零件的精加工。     

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%。     

基于BP神经网络的含褶皱复合材料强度预测

利用BP(Back propagation)神经网络处理多参数问题具有的非线性映射及泛化能力,构建了具有3层隐藏层的神经网络,对含纤维褶皱复合材料层合板的压缩强度进行预测。基于LaRC失效准则建立三维损伤模型,对含褶皱复合材料的压缩失效进行数值分析。将数值分析结果作为数据样本对神经网络进行训练。采用黄金分割法快速确定最佳隐藏层神经元数量区间范围,并通过分析对比不同数量神经元模型的强度预测结果及评价指标,确定具有高预测精度的隐藏层神经元数量。结果表明,所构建的神经网络预测最大褶皱角为5.6°、9.9°和11.4°的3种层合板失效强度误差分别为3.4%、4.6%和-0.01%。本文所发展的基于BP神经网络对复合材料强度进行预测的方法,为工程应用中复合材料强度评估提供了一种有效的途径。     

基于神经网络的荧光油膜厚度与灰度研究

在全局摩阻测量中,薄油膜技术可以很好地表征表面摩阻的分布情况。用特定波长的紫外线照射添加了荧光显色分子的不同厚度的油膜,油膜将发出不同的亮度。利用该原理通过检测受激发的荧光油膜灰度值可解算出相应油膜的厚度。本次采用BP神经网络及极限学习机(Extreme learning machine,ELM)神经网络搭建模型完成了荧光油膜厚度与灰度关系的预测,运用Hopfield神经网络完成了相应参数的辨识。实验表明,ELM神经网络模型、BP神经网络模型及插值法模型的预测误差分别为5.150%、5.485%和5.935%。通过Hopfield神经网络辨识,光源功率、光距和曝光系数等影响因素的参数误差率控制在1%左右,达到实际工程运用的要求。与传统插值法相比,通过神经网络可获得更高的精度,为荧光油膜灰度与厚度研究提供了一种可行的方法。     

磁性流体研磨加工的实验研究

随着科学技术的发展,电子、光学和军品零件加工精度和表面质量的要求日益提高。采用普通研磨加工方法,虽然加工表面粗糙度和形状精度可符合要求,但表面加工变质层会使零件的机械物理性能降低。为此,开发研究出许多精加工技术。磁性研磨法是70年代新开发研究的一种加工方法,具有高精度、高效率和加工表面无变质层的特点,特别适合难研磨材料和复杂形状表面的研磨加工,并能在研磨加工过程中控制研磨效率和研磨精度。本文以自行研制的研磨装置为实验手段,对磁性流体研磨加工进行工艺试验,探索了研磨时间、磨粒粒径、混合液体积添加率和磁场强度诸因素对研磨效率和研磨精度的影响。并在此基础上对研磨机理进行了初步分析,提出了磁性流体研磨加工中单颗磨粒的运动模型,找出了研磨表面产生铜屑粘连、夹渣、磁性颗粒粘附和较粗划痕等缺陷的原因,以及控制措施。     

基于响应曲面车削加工表面粗糙度稳健性分析

随着现代科学技术的发展,对零件的表面加工质量提出了越来越高的要求。但由于机械加工过程较复杂,各种参数都不同程度地影响着表面粗糙度,表面粗糙度分析时,很难建立显式的解析模型。本文提出基于响应曲面法建立表面粗糙度可靠性指标对应刀具结构影响参数的灵敏度分析模型。结果表明,表面粗糙度对刀尖圆角半径r的变化最为敏感,对主偏角κ的变化敏感次之,对前角γ变化不敏感;刀尖圆角半径、主偏角和前角对表面粗糙度的贡献率分别为56.82%,27.84%和9.75%。     

基于BP神经网络的锂离子电池SOC估计研究

根据恒流放电条件下锂离子电池端电压与荷电状态(SOC)映射关系图像的特点,提出了基于BP神经网络和最速下降法的锂离子电池荷电状态(SOC)估计算法。利用matlab软件编写算法程序,结合实验数据对BP神经网络进行了训练,并将经过训练后的BP神经网络应用于SOC预测。实验结果表明,误差在大部分时候低于10%,基本满足动力电池电荷状态估计的精度要求。     

基于BSO-BP神经网络的赤潮预测模型

针对天牛须(BAS)算法在处理高维数据时容易陷入局部最优的缺陷,在BAS算法的基础上结合粒子群(PSO)群体信息共享的机制,提出一种倒S型函数的BSO-BP模型。通过建立BSO算法优化BP神经网络的复合模型对夜光藻密度进行预测,从而实现赤潮灾害预测。首先,采用核主成分分析法(KPCA)对输入变量进行降维处理,加快网络的收敛速度。接着,利用BSO优化BP神经网络初始权值、阈值。为了更好地平衡BSO算法的全局搜索以及局部搜索能力,引入倒S型函数来调整惯性权重。相对于BP、PSO-BP、BAS-BP等模型,BSO-BP具有更好的预测精度以及非线性拟合效果。     

人工蜂群优化BP神经网络的太阳电池阵电流预测

通过对卫星太阳电池阵输出电流影响因子进行分析,提出了一种基于人工蜂群（Artificial bee colony,ABC）算法优化BP神经网络的太阳电池阵输出电流预测方法。将太阳入射角、卫星太阳电池阵工作温度、卫星星时等遥测量变换后作为神经网络输入,进行输出电流预测。考虑到神经网络对初始权值及偏置敏感的特点,采用ABC改进算法对神经网络初始参数进行优化。该模型可用于卫星太阳电池阵电流输出能力分析、太阳电池阵预警及异常检测等。实验测试表明,模型能够取得较高预测精度,同星预测均方根误差（Mean squared error, MSE）为0.10 A,跨星预测均方根误差为0.12 A,其精度明显优于传统数据拟合方法。利用该模型及本文提出的预警策略进行预警,对于7年5个月的正常卫星数据没有发生误报,对于某异常卫星数据能够及时进行预警。     

交叉杆型Stewart并联机床的加工试验

为评价自行开发的交叉杆型S tew art并联机床的加工特性和稳定性,已开展了多种复杂结构件的加工试验研究。基于UG NX 3.0编制了加工试验中需要的加工程序。加工程序采用V ericu t 5.3仿真软件检验通过后,在并联机床上实现了外形复杂造型各异的零件加工。与传统数控机床相比,零件表面粗糙度R a可提高一个数量级,达到l.6以内。试验结果表明,该类并联机床应用于生产加工具有重要的实际意义。     

基于BP神经网络的内圆磨床主轴动态分析方法研究

通过对神经网络学习样本的选择问题的研究，本文提出了采用“多水平正交表”选取神经网络的训练样本的方法，建立了内圆磨床主轴系统的BP神经网络模型，并在试验的基础上借助于优化方法进行了模型修正和优化计算。该方法不仅计算方便、快捷，而且具有较高的计算精度。     

IC10合金本构关系的神经网络模型

为研究IC10合金在不同温度、不同应变率下的流变规律,本文利用材料试验机(MTS809)测得IC10合金在很宽的温度范围(25~800°C)和不同应变率(10-5~10-2s-1)内的应力-应变曲线。试验结果表明,在小于800°C及小应变率条件下IC10合金的流变行为表现为应变硬化。基于试验数据,本文建立了IC10合金本构关系的BP神经网络模型,该模型以应变值、应变率及温度作为输入量,流变应力为输出量。与试验结果比较表明,BP神经网络模型的预测精度较高,说明该模型可以精确地预测IC10合金在不同温度、不同应变率下的流变行为。     

基于神经网络的垂尾飞行载荷模型研究

针对现代飞机结构设计复杂、传力路径多和大载荷结构变形大等因素,提出用神经网络方法建立载荷模型.利用垂尾载荷校准试验数据建立基于神经网络的垂尾根部剪力和弯矩的载荷模型,并对多点进行载荷预测.通过与多元线性回归载荷预测结果进行对比分析,结果表明,在大载荷下神经网络预测精度优于多元线性回归,从而为测量垂尾飞行载荷提供了一种可...     

新型损伤容限钛合金高速铣削表面完整性分析(英文)

研究新型损伤容限钛合金TC21在不同的刀具磨损状态下,采用高速铣削与常规铣削的加工表面完整性,重点研究表面粗糙度、加工硬化层、金相组织等因素对表面完整性的影响。结果表明,高速铣削能够获得良好的表面质量并提高加工的效率,同时通过观察加工硬化层与金相组织可以发现,即使是刀具在严重磨损的状态下,也不会出现比较严重的加工硬化现象。     

刀具变形引起的球头铣刀加工误差建模

针对数控加工中刀具变形引起的加工误差问题,以球头刀具为研究对象,通过建立球头刀具铣削力模型和刀具受力引起的变形模型.对球头刀具变形引起的加工误差进行研究,建立球头铣刀刀具变形引起的加工误差仿真预测模型;在数控加工几何仿真和铣削力仿真的基础上开发了球头铣刀刀具变形引起的加工误差仿真预测功能,并集成到数控加工仿真系统中用于刀具变形引起的加工误差预测.加工验证实验表明所提出的球头铣刀刀具变形引起的加工误差模型预测的可靠性.     

压力环境下NEPE推进剂强度参数预测

考虑压力环境对NEPE推进剂力学强度性能的影响,开展了不同温度、拉伸速率下的单向拉伸实验,结合推广的双剪强度理论得到了强度参数;基于广义回归神经网络(GRNN),讨论了样本处理和误差分析,对实验加载条件覆盖面较小的结论进行了推广,预测了其它条件下的强度参数。基于某燃烧室药柱的工程应用表明,基于GRNN的参数预可以有效简化处理过程、降低综合成本,同时基于常规单向拉伸试验的Mises准则是过于保守的。     

工业机器人D-H运动学参数分步辨识方法

针对工业机器人运动学参数辨识过程中的角度误差易淹没在数量级较大的位置误差中的问题,提出一种快速有效的分步辨识方法。首先构建机器人Denavit-Hartenberg（D-H）运动学模型,其次给出参数辨识两步误差模型,最后进行机器人运动学参数辨识试验。借助激光跟踪仪进行外部测量,通过3种试验方案对比,验证了基于两步误差模型的机器人运动学参数辨识方法的正确性和有效性,且辨识精度具有一定优势。将辨识参数代替机器人原有运动学参数,进行碳纤维薄板钻孔加工,加工孔的位置度由3 mm提高到1 mm以内。     

氮气油雾介质下Ti-6Al-4V钛合金高速铣削试验研究

通过以氮气油雾作为切削介质的切削方法,应用硬质合金刀具对T i-6A l-4V钛合金材料进行了高速铣削试验,分析了铣削过程中的切屑形成、刀具磨损、已加工表面粗糙度等因素的变化。对氮气油雾介质下的钛合金高速铣削机理进行了探讨,同时通过氮气油雾介质、空气油雾介质以及干切削状况下的钛合金高速铣削对比试验,证明了以氮气油雾为切削介质进行钛合金高速铣削的可行性。研究结果表明,与空气油雾介质及干切削相比,氮气油雾介质下的钛合金切屑表面较为平整,刀具磨损与已加工表面粗糙度均相对较低。利用氮气油雾作为切削介质,是实现钛合金绿色高速切削加工的有效方法。     

平面叶栅试验件加工工艺对性能测量影响的试验研究

针对近年来平面叶栅试验研究过程中出现的试验件加工问题,对直叶片加工工艺、有机玻璃栅板加工工艺以及成套叶栅试验件关键参数的检测方法进行了工艺试验和叶栅试验器试验验证.结果表明,综合考虑加工成本和粗糙度对性能的影响规律,建议高速高负荷叶栅叶片表面粗糙度应不低于Ra=1.6.航空有机玻璃的选材、加工工序、工艺以及装配使用不当...