基于支持向量机的轴类零件校直系统的研究

发布时间：2017-08-29 06:32

  本文关键词：基于支持向量机的轴类零件校直系统的研究

  更多相关文章： 校直机 支持向量机 轴类零件 校直系统 BP神经网络

【摘要】：工业界的相关行业对轴类零件的直线度提出的要求越来越高,而轴类零件直线度的调节大多由校直环节来完成。在轴类零件的校直过程中,对轴类零件的直线度起决定性作用的设备是自动校直机。通过对轴类零件的三点反弯校直,使其发生弯曲变形,从而达到消除轴类零件原有弯曲,提高轴类零件直线度的目的。由于耗能小、适用范围广,轴类零件自动校直机已广泛用于轴类零件的加工生产中,但关于校直机自动化的研究仍旧离不开两个基本问题——直线度检测问题和校直行程确定问题。随着自动控制技术的发展,轴类零件校直系统的检测实现了一定的自动化,但是由于校直机主从动顶尖回转误差的存在,导致工件弯曲量测量结果不准确,存在测量误差,进而致使被校工件的直线度很难再进一步提高。支持向量机、神经网络等人工智能算法的出现,被广泛应用于各种误差补偿上,为校直机工件弯曲量测量误差补偿提供了理论依据。针对轴类零件直线度检测问题,构建了支持向量机(SVM)的工件弯曲量测量误差模型,并采用经验法类别中的交叉验证法(cross-validation,CV)对模型参数进行优化,进而利用支持向量机(SVM)对校直机工件弯曲量测量误差进行了比较准确的预测和补偿。轴类零件的直线度在某种程度上来讲是衡量一个国家工业化水平的标志之一,而校直机是提高轴类零件直线度不可或缺的设备。在轴类零件的校直过程中,被校工件下压量(校直行程)的确定是决定校直效率的关键因素。通过对校直系统电气原理图的绘制以及校直设备的装配及其调试,获取了构建工件下压量预测模型所需的样本数据。校直行程的研究热点集中在利用智能化方法实现自动化参数的确定上。为了说明支持向量机工件下压量预测模型的有效性,将同样属于机器学习语言的神经网络一同用于工件下压量预测模型的构建。利用构建的支持向量机(SVM)模型和BP神经网络模型对校直机工件的下压量进行了预测,并对预测结果进行的研究分析,并说明了其可行性和实用性。
【关键词】：校直机 支持向量机 轴类零件 校直系统 BP神经网络
【学位授予单位】：重庆理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH16;TP273
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 1. 绪论9-16
• 1.1 本文研究的目的和意义9-10
• 1.2 国内外研究现状10-14
• 1.2.1 国内研究现状10-12
• 1.2.2 国外研究现状12-14
• 1.3 课题来源与论文的主要内容14-15
• 1.3.1 课题来源14
• 1.3.2 论文主要内容14-15
• 1.4 本章小结15-16
• 2. 轴类零件校直工艺的理论基础16-32
• 2.1 校直设备工作流程16-18
• 2.2 轴类零件校直工艺概述18-21
• 2.2.1 轴类零件的初始弯曲变形情况18-19
• 2.2.2 轴类零件的自动检测过程及其原理19-21
• 2.3 轴类零件校直工艺的理论21-31
• 2.3.1 压点式反弯校直原理21-22
• 2.3.2 反弯校直的基本问题22-24
• 2.3.3 校直过程弯中应力、应变分析24-29
• 2.3.4 校直行程计算问题的讨论29-31
• 2.4 本章小结31-32
• 3. 支持向量机的理论基础32-43
• 3.1 统计学习理论概述32-35
• 3.1.1 VC维33
• 3.1.2 推广性的界33-34
• 3.1.3 结构风险最小化原则34-35
• 3.2 支持向量机的基本理论35-42
• 3.2.1 最优分类面与广义最优分类面35-38
• 3.2.2 支持向量机38-40
• 3.2.3 核函数40-41
• 3.2.4 支持向量机控制参数的优化41-42
• 3.3 本章小结42-43
• 4. 基于支持向量机的校直机工件弯曲量测量误差补偿43-52
• 4.1 问题描述43
• 4.2 校直机工件弯曲量测量误差分析与标定43-47
• 4.3 构建测量误差回归模型47-48
• 4.4 建模预测效果验证48-51
• 4.5 本章小结51-52
• 5. 基于支持向量机的工件下压量校直系统的建立52-69
• 5.1 BP神经网络及其基本原理52-54
• 5.2 神经网络的缺陷54-56
• 5.3 样本数据的获取以及构建56-61
• 5.4 基于MATLAB的支持向量机和神经网络预测模型的构建61-65
• 5.4.1 基于MATLAB的支持向量机预测模型的构建61-63
• 5.4.2 基于MATLAB的BP神经网络预测模型的构建63-65
• 5.5 训练结果的仿真验证及其对比65-68
• 5.6 本章小结68-69
• 6. 总结与展望69-71
• 致谢71-73
• 参考文献73-77
• 个人简历、在学期间发表的学术论文及取得的研究成果77

【参考文献】

中国期刊全文数据库 前10条

1 王凯;王宝雨;杨传成;;基于神经网络的电梯导轨校直计算[J];机械设计与制造;2012年02期

2 王凯;王宝雨;;基于神经网络的电梯导轨多步校直弯曲形式预测[J];制造业自动化;2011年22期

3 张锐;胡荣强;杨秀芝;;基于神经网络的曲轴滚压校直专家系统研究[J];武汉理工大学学报(信息与管理工程版);2010年01期

4 夏链;王X;韩江;谢捷;;基于人工神经网络的曲轴滚压校直系统研究[J];合肥工业大学学报(自然科学版);2009年01期

5 彭秋生;李明;赵晓银;李伟;;基于人工神经网络控制的自适应电机轴出轴端校直机的研究[J];机械制造;2006年08期

6 范永海;郑树清;;齿轮轴校直理论及实验研究[J];机械设计与制造;2006年04期

7 李骏,邹慧君,熊国良,王小明;压力校直过程的理论模型研究及其实验验证[J];机械强度;2005年05期

8 李骏,熊国良,邹慧君;轴类零件压力矫直过程的数学模型与行程计算[J];重型机械;2004年06期

9 翟华;轴类零件校直工艺广义预测多步算法研究[J];塑性工程学报;2004年05期

10 程胜文,袁晓洲,周超超;神经网络在曲轴滚压校直中的应用[J];机床与液压;2004年03期

中国博士学位论文全文数据库 前1条

1 翟华;轴类零件校直工艺理论研究[D];合肥工业大学;2003年

，

本文编号：751823