基于神经网络的间隙机构运动副磨损预测

应用BP神经网络建立了磨损率与接触应力、滑动速度和材料硬度之间的非线性关系模型,并对该网络模型进行了验证和测试,结果表明,训练良好的神经网络模型能够准确反映样本所蕴含的内在磨损规律,且具有较好的预测效果。基于非线性弹簧阻尼模型和修正的Coulomb摩擦力模型对含间隙曲柄滑块机构进行数值仿真分析,获得间隙机构运动副的接触应力和相对滑动速度,利用训练好的神经网络磨损模型对轴套的磨损进行迭代磨损预测分析,发现随着曲柄转数的增加,轴套表面一些特定位置处的磨损越来越严重,最终导致轴套表面出现非均匀磨损现象,其原因是间隙机构运转过程在一些特定位置处产生了较大接触应力和碰撞力。     

卷积神经网络在装备磨损颗粒识别中的研究综述

铁谱法是用于装备故障诊断的1种重要方法,其中铁谱法的重点是铁谱图像的分析,即磨损磨粒分析. 卷积神经网络是当下最流行的深度学习算法之一,其广泛应用于图像识别领域,使得图像识别领域得到突破. 随着卷积神经网络的快速发展,磨损颗粒在智能识别方面的技术取得了重大的突破. 本文中首先简述了卷积神经网络与磨粒智能识别的发展历史,针对基于卷积神经网络的磨粒识别方法进行了从图像数据集处理到模型优化技术方面的介绍,并详细说明了这些技术在磨粒识别中的具体应用实例. 然后从现有网络和自设计网络两方面分类,整理了近年来卷积神经网络应用于磨粒智能识别的代表性文献,综述了这些工作所提出的模型结构和特点,分析并阐述了各个模型主要的识别原理,各个网络结构存在的优缺点,以及它们的数据采用情况等,并对未来磨粒智能识别的主要研究方向进行了展望. 最后肯定了卷积神经网络方法在磨粒智能识别方面的重要性,同时指出了基于此方法的磨粒识别模型的缺点,并提出了应紧跟图像识别领域的最新技术以促进磨粒智能识别水平提高等建议,对磨粒智能识别的发展具有一定的意义.      

基于BP神经网络的V9-Cr4-Mo3高速钢冷轧辊磨损模型

利用自制轧辊模拟磨损试验机测试了6种不同碳含量的V9Cr4Mo3高速钢轧辊的磨损性能,利用BP神经网络建立了磨损量与碳含量和磨损时间的非线性关系模型．结果表明：良好训练的BP网络模型可以有效预测不同碳含量的V9Cr4Mo3高速钢轧辊的磨损性能．结果表明：碳含量约为2．58％时,高速钢基体组织主要为高硬度和高韧性的板条马氏体,可以有效抵御轧制过程中的疲劳和显微切削,耐磨性最佳;当碳含量过低时,高速钢基体为低硬度的铁素体,显微切削为轧辊的主要磨损机制,而碳含量过高时,其基体主要为韧性较差的片状马氏体,轧辊以疲劳磨损为主,二者均导致轧辊耐磨性下降．     

基于遗传算法优化神经网络的多源信息融合室内定位方法

为了解决复杂室内环境中单一定位技术误差较大的问题,提出了一种基于遗传算法优化BP神经网络的多源信息融合室内定位方法。首先利用Wi Fi定位结果约束地磁匹配范围进行组合定位,降低误匹配率;再采用遗传算法寻找网络全局最优解对BP神经网络的初始权值和阈值进行优化,提升网络精度并加快收敛;使用优化后的网络对组合定位结果和推算定位结果向真实位置坐标方向训练融合,得到最优定位结果。数据显示,经遗传算法优化后BP神经网络预测均方误差降低了约75%,融合定位精度较单一定位方式定位精度平均提升约47%。结果表明,所提的方法可有效提升定位精度,具有更优的定位性能。     

一种采用小波神经网络的GPS精密单点定位方法

针对GPS精密单点定位对高精度的需求,提出了一种采用小波神经网络的GPS精密单点定位解算方法。该方法利用小波变换和神经网络学习功能,无需准确系统先验信息,误差函数能够快速收敛,逼近真实误差模型,从而提高GPS精密单点定位精度。仿真结果表明,静态条件下与传统最小二乘法和卡尔曼滤波算法相比,该算法定位收敛时间缩短50%,定位精度分别提升90%和50%。动态情况下,较最小二乘法和卡尔曼滤波算法定位精度提高20%~80%。     

基于神经网络的机械零部件可靠性稳健设计

将可靠性优化设计理论、可靠性灵敏度技术和可靠性稳健设计方法相结合,利用神经网络的非线性映射功能,模拟得到随机设计变量与机械零部件结构响应之间的关系,以训练好的神经网络模型为基础,结合随机摄动技术,进行结构可靠性稳健设计.从而解决了工程实际中很难给出极限状态函数的显性表达式问题,并有效地克服了目前随机有限元法和响应面法存在的缺陷.     

基于ARCHARD磨损模型的WR-CVT非连续接触钢丝绳磨损研究

针对WR-CVT (Wire rope continuously variable transmission)弯曲段钢丝绳更易磨损问题,以6×7+IWS (Merallic wire strand core)钢丝绳为研究对象,基于Archard磨损模型结合自适应网格技术,建立WR-CVT钢丝绳非连续接触磨损有限元模型,研究磨损对钢丝绳接触压应力以及滑移幅值等接触参量的影响,并进行了试验揭示磨损机理.结果表明：随着磨损的作用,钢丝间接触区域不断增大.最大磨损深度出现在钢丝绳与绳槽边缘接触处,此处钢丝接触压应力较磨损前显著减小,滑移幅值和磨损深度在不断增大,接触压应力集中点沿钢丝轴向不断移动,接触区域形貌逐渐形成扁平状,磨损机理为磨粒磨损、黏着磨损和疲劳磨损.     

高分子材料机械密封磨损特性及表面织构的影响

为提高金属/高分子材料机械密封的抗磨损性能,采用光刻-电解技术在316不锈钢表面制作微凹坑阵列形式的表面织构,与5种不同弹性模量的高分子材料组成摩擦副进行磨损试验.试验结果表明,对弹性模量最小的UHMWPE材料,表面织构起到了增磨作用,对其他四种弹性模量较高的材料,表面织构起到减磨作用,而且,随着高分子材料弹性模量的增大,表面织构表现出的减磨作用也随之增大.为解释这个现象,利用ANSYS有限元分析软件对摩擦副接触面进行了应力和变形分析,结果表明:织构化表面在接触过程中会产生应力集中和表面形变,材料的弹性模量越小,凹坑引起的变形越明显,可能产生的切削作用越显著.     

用多传感器融合系统识别摩擦副的磨损状态

用于机械摩擦副磨损状态监测的多传感器融合系统，是本世纪８０年代末问世的一项新技术．在讨论了融合系统的构成和不同传感器信息的预处理之后，提出了一种基于自组织神经网络的多传感器融合系统．将这种融合系统用于实际机械摩擦副磨损状态监测的结果证明，其正确识别率明显地比单一传感器的高，容错能力强，而且由于自组织神经网络有在线学习的功能，系统可以用于在线监测     

基于特征迁移的面铣刀磨损监测方法

实时监测刀具磨损状态对保证工件加工质量和确定合理换刀时间至关重要.数据驱动的多源信号融合预测是解决刀具磨损预测难题的可行方案.本文中通过时域和频域分析提取了多维信号特征,并结合机器视觉方法处理刀具磨损图像获得的磨损特征,针对涂层面铣刀建立了随机森林磨损预测模型.对于同类型的刀具和工件材料,使用特征迁移方法解决多工况场景下新刀样本不足问题.试验结果表明,基于迁移特征建立的磨损预测模型对目标刀具的磨损量预测效果较迁移前显著提升,准确性评价指标R²决定系数从0.37提升到0.96.基于特征迁移的磨损预测模型为数据驱动模型在刀具磨损预测和实时监测领域的应用提供参考依据.     

用人工神经网络预测摩擦学系统磨损趋势

人工神经网络具有高度的并行分布式、联想记忆、自组织及自学习能力和极强的非线性映射能力，在许多领域显示了广阔的应用前景．但是，将神经网络用于摩擦学行为预测的研究报道却还鲜见．在对基于神经网络的单变量时间序列预测方法与过程进行分析之后，提出了摩擦学系统磨损趋势神经网络预测模型．采用定量铁谱参数中的总磨损Ｑ作为预测磨损趋势的特征参数，讨论了磨损趋势神经网络预测的单步预测法和多步预测法，并用其对ＣＤ４０齿轮泵的磨损趋势进行了预测，预测值与实测值吻合较好     

用人工神经网络计算机技术进行金刚石工具的摩擦学设计

在分析讨论了金刚石工具的摩擦学性能及其磨损机理之后，采用人工神经网络计算机技术编制了金刚石工具磨擦学设计的计算机程序，并且依据这种程序设计制造了一组铣磨轮，进而将其装机作了大理石材的磨削加工现场应用考察，结果表明，通过本程序设计可以使铣磨轮的平均消耗数减少１１％，磨削数率提高２８％，这是在采用人工神经网络计算机程序进行设计时，将实际工作数据作为神经元程序的学习和检查样本，它充分引入了现场使用状况对     

The logic conservation of compositions between panweighted networks and panweighted fields and their application in ann

ＩｎｔｒｏｄｕｃｔｉｏｎＰａｎｓｙｓｔｅｍｓｍｅｔｈｏｄｏｌｏｇｙｇｅｎｅｒａｌｉｚｅｓｔｈｅｔｒａｄｉｔｉｏｎａｌａｕｔｏｍａｔｉｏｎｍｏｄｅｌ,ｔｒｏｕｂｌｅｄｉａｇｎｏｓｔｉｃｍｏｄｅｌ,ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ...     

基于粗集—神经网络的磨粒模式识别

应用粗集理论中最小约简的近似算法 ,对磨粒的形状参数进行约简 ,找出判断磨粒模式的形状参数长短轴比 Rt和圆度 Rd,同时采用这些参数训练神经网络以进行磨粒模式识别 .结果表明 :应用此算法 ,对 63个已知样本和历时 2年多对柴油机 1 4 5个润滑油油样进行制谱分析判断 ,准确率在 90 %以上 ,比原来用模糊识别的准确率提高了约 1 0个百分点 ;使用 BP网络减化了网络结构 ,使网络的训练速度加快 ,整个系统变得简单、可靠、有效     

一种基于神经网络的传感器故障诊断方法

提出了基于两级神经网络结构的多传感器斜置组件的故障诊断方法,以消除传感器安装误差、刻度系数误差以及常值偏差对故障检测与隔离准确性的影响。与基于参数估计的奇偶向量补偿方法相比,这种方法不需要各项误差的动态模型和噪声的统计特性。     

基于神经网络的界面裂纹尖端场分析

通过构造反向传播神经网络,对裂纹尖端的应力场进行模拟,进而实现对裂纹尖端应力场甬数的逼近。得到的网络具有较高的联想、记忆能力和相当的稳定性,并且可以快速、准确地得到带裂纹构件的裂纹尖端应力场,从而确定裂纹尖端的塑性区和分析裂纹的扩展。数值计算给出了LY12-CZ材料裂纹扩展方向的计算结果,与实验结果吻合较好,还给出了两相材料含界面裂纹在复合型载荷作用下的塑性区形状的变化情况,并对两相材料含界面裂纹在复合型载荷作用下裂纹的扩展方向进行了预测。     

人工神经网络在GPS自主式完整性检测中的应用

基于ＢＰ网络，结合ＧＰＳ接收机自主式完整性检测问题，给出一种用于ＧＰＳ自主式完整性检测的ＢＰ神经网络，通过实验优化了网络参数，经仿真实验表明这种方法是有效可行的。     

基于反向传播神经网络的疲劳裂纹扩展分析

材料发生疲劳断裂时往往会引起重大安全事故,而基于传统数值模拟方法求解疲劳裂纹扩展问题时模型复杂、计算量大.本文基于包含多隐层的反向传播神经网络分析金属材料疲劳裂纹扩展行为,计算了裂纹扩展过程中的von Mises应力场和位移场,并与数值解和实验解进行对比,误差分析结果表明其求解精度高.并基于该神经网络有效预测了裂纹扩展中裂纹长度及裂纹扩展速率的变化过程,预测精度高.该神经网络分析方法可为材料剩余寿命和疲劳强度预测提供研究基础.     

人工神经网络在实验断裂力学中的应用

提出一种基于人工神经网络的多裂纹柱体扭转问题的数据处理新方法，运用MATLAB中的神经网络工具箱，对柱体的抗扭刚度实验值进行快速拟合，从而得到了裂纹尖端的应力强度因子，实例应用证明该方法是简便、有效的。     

基于神经网络改进WENO-Z重构方法

本文通过使用深度神经网络对WENO-Z格式的非线性权重进行改进,提出了一种新的WENO-Z-NN格式．新格式首先用神经网络去随机扰动有限体积系数集,然后用代表偏微分方程解的波形生成的数据,采用L2正则化来学习扰动的最优函数,最后引入测试函数并结合最小总变差和最小总偏差作为评估依据进行后处理,从而得到新的权重．一维波动方程和一维Euler方程的数值结果表明,无论是在粗网格还是在细网格,本文所提出的WENO-Z-NN格式的激波捕捉能力明显优于传统的WENO-Z和WENO-JS-NN格式．