智能机床的误差补偿技术

误差补偿技术是智能机床精度提高与保持的关键技术之一.分析了国内外机床误差补偿技术研究现状,提出智能机床误差补偿技术总框架;总结了智能机床误差源、误差元素、几何与热误差的误差元素模型及建模方法,以及典型的误差补偿方法;研究了力误差补偿技术、基于零件在线测量的误差综合补偿技术;最后,对未来智能机床误差补偿技术的发展重点进行展望.     

基于NB-IoT技术和GA-BP神经网络的车位预测系统

围绕有效整合城市停车资源,提高现有车位存量利用率的需求,构建了一种基于NB-IoT技术的车位预测系统。该系统采用NB-IoT技术进行信息采集与传输实现车位信息的共享;考虑到车位状态信息实时变化的特性,用历史车位占用数据来建立车位预测模型,推测出未来短时内车位变化趋势。为了提高车位预测的精度,采用遗传算法(Genetic algorithm,GA)优化反向传播(Back propagtion,BP)神经网络建立GA-BP神经网络车位预测模型。以某地下停车场历史数据为例进行仿真实验,研究结果表明:车位预测模型预测值与实际值相近且趋势保持一致,能够有效准确的预测车位状态变化,具有较高的精度。     

薄壁零件高速铣削动态切削力

通过微元铣削力与瞬时未变形切屑厚度之间的线性关系,提出了螺旋圆柱铣刀的瞬时切削力模型.在此基础上,采用两自由度弹性-阻尼系统,建立了适合薄壁零件的综合考虑刀具子系统和工件子系统动态特性的动态铣削力模型.最后通过实际测量数据与模型计算数据的对比,验证了提出的动态铣削力模型的有效性.     

基于CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换（CWT）和二维卷积神经网络（CNN）的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。      

基于支持向量回归机的数控机床 几何误差元素建模研究

针对数控机床几何误差元素建模时面临的误差样本数据少且呈非线性的问题,研究在小样本数据集非线性回归分析中具有独特优势的支持向量回归机,并基于此建立数控机床几何误差元素的预测模型。分析现有几何误差检测中常用的九线法所存在的测量选点难和计算累积误差等问题,提出增加每条测量线垂直方向直线度的测量和修正误差项计算模型的改进方法。以高斯径向基核函数为支持向量回归模型的核函数,运用交叉验证法,选取合适的模型参数,求解凸二次规划问题,进而建立几何误差元素的预测模型。以QLM27100–5X五轴龙门机床X轴为例,基于改进的九线法进行测量辨识得到几何误差样本数据,然后分别基于支持向量回归机和最小二乘法建立几何误差元素预测模型,对比两个模型的预测精度,结果显示,前者的预测均方差值MSE为0.0238,小于后者的0.072,验证了支持向量回归模型在小样本集下具有更高的预测精度。