基于神经网络的全方位轮螺旋滚子逆向建模
发布时间：2019-10-26 20:01
【摘要】：为了误差评定、有限元分析及加工制造的需要,对全方位轮螺旋滚子的逆向重构进行了研究。首先,对螺旋滚子进行了三坐标测量,并对采集的数据进行了预处理;然后,分析了径向基函数神经网络的原理,并在MATLAB软件中利用该原理建立了神经网络模型,对滚子外轮廓线进行了曲线重构,据此生成外轮廓曲面,最终在Pro/E中构建了滚子的三维实体模型。该模型为其后续的有限元分析、精度检测及加工制造等都奠定了良好的基础。
【图文】：
长，测量下一高度的截面轮廓点。以此类推，总共测得318个点的坐标。实践证明，该测量方式不仅精度高，而且便于操作。由于测量方式、测量系统等存在误差，使测量数据失真，因此在进行模型重构前，需要对测量数据进行过滤、平滑以及半径补偿等预处理［17］。保存预处理后的数据，以备后续处理。图1螺旋滚子表面的三坐标测量3螺旋滚子外轮廓的曲线重构曲线重构是模型重构的前提和必要条件。根据螺旋滚子的曲线特征和实验数据的精度要求，选择ＲBF神经网络法进行曲线重构。利用神经网络强大的非线性逼近能力进行散乱点的曲线重构，将会使模型具有很高的逼近精度，而且还具有一定的平滑和抗噪性能。3.1ＲBF神经网络模型图2所示为ＲBF神经网络的基本结构。图2ＲBF神经网络结构ＲBF神经网络结构由输入层、隐含层和输出层三层组成。其中，输入向量为X=(x1，x2，…，xi，…，xn)，节点数为n，隐含层向量为O=(x1，x2，…，xi，…，xh)，节点数为h，输出层向量为Y=(y1，y2，…，yi，…，ym)，，节点数为m。由于高斯(Gaussian)基函数具备表示形式简单、径向对称、光滑性好、易于进行理论分析等优点［18］，因此，隐含层的核函数选用高斯分布函数做径向基函数，其形式［19］为鐖i(t)=exp(－t2δ2i)，(i=1，2，…，h)(1)式中，δi为第i个基函数方差，又称宽度参数(或平滑因子)，决定该基函数围绕中心点的宽度，即函数图形的大致形状，t为范数。则隐含层第j个节点的输出为oj=Ｒ(x－cj)=exp(－x－cj22δ2i)，(j=1，2，…，n)(2)式中，Ｒ(·)为ＲBF神经网络，具有多种形式，体现了ＲBF网络的非线性映射能力。cj为第j个隐含?
诓僮鳌?由于测量方式、测量系统等存在误差，使测量数据失真，因此在进行模型重构前，需要对测量数据进行过滤、平滑以及半径补偿等预处理［17］。保存预处理后的数据，以备后续处理。图1螺旋滚子表面的三坐标测量3螺旋滚子外轮廓的曲线重构曲线重构是模型重构的前提和必要条件。根据螺旋滚子的曲线特征和实验数据的精度要求，选择ＲBF神经网络法进行曲线重构。利用神经网络强大的非线性逼近能力进行散乱点的曲线重构，将会使模型具有很高的逼近精度，而且还具有一定的平滑和抗噪性能。3.1ＲBF神经网络模型图2所示为ＲBF神经网络的基本结构。图2ＲBF神经网络结构ＲBF神经网络结构由输入层、隐含层和输出层三层组成。其中，输入向量为X=(x1，x2，…，xi，…，xn)，节点数为n，隐含层向量为O=(x1，x2，…，xi，…，xh)，节点数为h，输出层向量为Y=(y1，y2，…，yi，…，ym)，节点数为m。由于高斯(Gaussian)基函数具备表示形式简单、径向对称、光滑性好、易于进行理论分析等优点［18］，因此，隐含层的核函数选用高斯分布函数做径向基函数，其形式［19］为鐖i(t)=exp(－t2δ2i)，(i=1，2，…，h)(1)式中，δi为第i个基函数方差，又称宽度参数(或平滑因子)，决定该基函数围绕中心点的宽度，即函数图形的大致形状，t为范数。则隐含层第j个节点的输出为oj=Ｒ(x－cj)=exp(－x－cj22δ2i)，(j=1，2，…，n)(2)式中，Ｒ(·)为ＲBF神经网络，具有多种形式，体现了ＲBF网络的非线性映射能力。cj为第j个隐含层节点的中心，其为与x同维的向量，x－cj为向量x－Cj的范数，表示x与Cj间的距离。网络输出层为隐?
【作者单位】： 军事交通学院;
【基金】：天津市科技支撑重点项目(12ZCZDGX02200)
【分类号】：TH133;TP183
【图文】：
长，测量下一高度的截面轮廓点。以此类推，总共测得318个点的坐标。实践证明，该测量方式不仅精度高，而且便于操作。由于测量方式、测量系统等存在误差，使测量数据失真，因此在进行模型重构前，需要对测量数据进行过滤、平滑以及半径补偿等预处理［17］。保存预处理后的数据，以备后续处理。图1螺旋滚子表面的三坐标测量3螺旋滚子外轮廓的曲线重构曲线重构是模型重构的前提和必要条件。根据螺旋滚子的曲线特征和实验数据的精度要求，选择ＲBF神经网络法进行曲线重构。利用神经网络强大的非线性逼近能力进行散乱点的曲线重构，将会使模型具有很高的逼近精度，而且还具有一定的平滑和抗噪性能。3.1ＲBF神经网络模型图2所示为ＲBF神经网络的基本结构。图2ＲBF神经网络结构ＲBF神经网络结构由输入层、隐含层和输出层三层组成。其中，输入向量为X=(x1，x2，…，xi，…，xn)，节点数为n，隐含层向量为O=(x1，x2，…，xi，…，xh)，节点数为h，输出层向量为Y=(y1，y2，…，yi，…，ym)，，节点数为m。由于高斯(Gaussian)基函数具备表示形式简单、径向对称、光滑性好、易于进行理论分析等优点［18］，因此，隐含层的核函数选用高斯分布函数做径向基函数，其形式［19］为鐖i(t)=exp(－t2δ2i)，(i=1，2，…，h)(1)式中，δi为第i个基函数方差，又称宽度参数(或平滑因子)，决定该基函数围绕中心点的宽度，即函数图形的大致形状，t为范数。则隐含层第j个节点的输出为oj=Ｒ(x－cj)=exp(－x－cj22δ2i)，(j=1，2，…，n)(2)式中，Ｒ(·)为ＲBF神经网络，具有多种形式，体现了ＲBF网络的非线性映射能力。cj为第j个隐含?
诓僮鳌?由于测量方式、测量系统等存在误差，使测量数据失真，因此在进行模型重构前，需要对测量数据进行过滤、平滑以及半径补偿等预处理［17］。保存预处理后的数据，以备后续处理。图1螺旋滚子表面的三坐标测量3螺旋滚子外轮廓的曲线重构曲线重构是模型重构的前提和必要条件。根据螺旋滚子的曲线特征和实验数据的精度要求，选择ＲBF神经网络法进行曲线重构。利用神经网络强大的非线性逼近能力进行散乱点的曲线重构，将会使模型具有很高的逼近精度，而且还具有一定的平滑和抗噪性能。3.1ＲBF神经网络模型图2所示为ＲBF神经网络的基本结构。图2ＲBF神经网络结构ＲBF神经网络结构由输入层、隐含层和输出层三层组成。其中，输入向量为X=(x1，x2，…，xi，…，xn)，节点数为n，隐含层向量为O=(x1，x2，…，xi，…，xh)，节点数为h，输出层向量为Y=(y1，y2，…，yi，…，ym)，节点数为m。由于高斯(Gaussian)基函数具备表示形式简单、径向对称、光滑性好、易于进行理论分析等优点［18］，因此，隐含层的核函数选用高斯分布函数做径向基函数，其形式［19］为鐖i(t)=exp(－t2δ2i)，(i=1，2，…，h)(1)式中，δi为第i个基函数方差，又称宽度参数(或平滑因子)，决定该基函数围绕中心点的宽度，即函数图形的大致形状，t为范数。则隐含层第j个节点的输出为oj=Ｒ(x－cj)=exp(－x－cj22δ2i)，(j=1，2，…，n)(2)式中，Ｒ(·)为ＲBF神经网络，具有多种形式，体现了ＲBF网络的非线性映射能力。cj为第j个隐含层节点的中心，其为与x同维的向量，x－cj为向量x－Cj的范数，表示x与Cj间的距离。网络输出层为隐?
【作者单位】： 军事交通学院;
【基金】：天津市科技支撑重点项目(12ZCZDGX02200)
【分类号】：TH133;TP183
【相似文献】
相关期刊论文 前3条
1 张天U
本文编号：2552983
本文链接：https://www.wllwen.com/kejilunwen/jixiegongcheng/2552983.html
