CN112379589A - 蜗轮加工形性可控工艺 - Google Patents
蜗轮加工形性可控工艺 Download PDFInfo
- Publication number
- CN112379589A CN112379589A CN202011090643.1A CN202011090643A CN112379589A CN 112379589 A CN112379589 A CN 112379589A CN 202011090643 A CN202011090643 A CN 202011090643A CN 112379589 A CN112379589 A CN 112379589A
- Authority
- CN
- China
- Prior art keywords
- target
- optimization
- worm gear
- formability
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种蜗轮加工形性可控工艺,首先建立建立预测模型和基于粒子群算法的多目标协同优化模型;通过预测模型处理得到预测输出值;然后将预测输出值输入到优化模型并采用归一法将输出值进行目标整合得到优化目标;最好将优化目标作为离子群算法中评价的适应度,最终通过优化选择适应度最高的加工参数作为最优解。本发明提供的基于多目标协同优化的零件加工形性可控工艺,以蜗轮加工为例,结合蜗轮形性预测模型以及面向形性整体提升的多目标协同优化方法,同时优化蜗轮加工精度以及蜗轮齿面表面完整性,实现蜗轮加工形性可控工艺。
Description
技术领域
本发明涉及零件加工工艺技术领域,特别是一种蜗轮加工形性可控工艺。
背景技术
蜗轮加工过程中工艺参数不仅影响被加工零件的几何精度(包括齿向误差)还影响零件的表面完整性(残余应力等)。现有研究主要通过工艺参数决策来控制零件加工几何精度或者表面残余应力,缺乏同时形性控制的工艺参数决策方法。
现有技术中基于多目标优化算法的工艺参数往往只针对零件表面完整性或加工精度某一类指标,由于精度和表面完整性属于两个不同技术领域,很少同时考虑加工精度和表面完整性对工艺参数进行优化。
发明内容
有鉴于此,本发明的目的在于提供一种蜗轮加工形性可控工艺,该工艺能同时优化零件加工精度和表面完整性两个不同领域的工艺参数,使得零件加工过程达到形性可控。
为达到上述目的,本发明提供如下技术方案:
本发明提供的蜗轮加工形性可控工艺,包括以下步骤:
建立蜗轮加工过程中齿向误差和残余应力的预测模型;
建立基于粒子群算法的多目标协同优化模型;
通过预测模型处理得到预测输出值;
将预测输出值输入到优化模型并采用归一法将输出值进行目标整合得到优化目标;
将优化目标作为离子群算法中评价的适应度,最终通过优化选择适应度最高的加工参数作为最优解。
进一步,所述基于粒子群算法的多目标协同优化模型中的最优解时按照以下步骤进行的:
在优化模型中利用优化目标和初始化粒子群计算各个粒子目标函数;
找到各个粒子的当前个体极值;
找到整个粒子群的当前全局最优解;
更新各个粒子的速度和位置;
判断是否达到终止条件,如果否,则返回继续计算各个粒子目标函数;
如果有,则结束。
进一步,所述预测模型是基于改进的广义回归神经网络IGRNN算法而建立预测模型,所述改进的广义回归神经网络IGRNN包括输入层、模式层、求和层和输出层;
所述输入向量通过输入层处理后,然后在进入到模式层,再通过求和层处理,最后通过输出层将处理后的数据输出;所述输出的数据再通过改进的灰狼算法得到最优的平滑因子,并将最优的平滑因子输入到模式层;
进一步,所述基于改进的灰狼算法的中判断猎物与灰狼距离的准则如下:
其中,t为当前迭代次数;
进一步,所述改进的灰狼算法中的搜索范围自适应调整步骤如下:
tmax表示最大迭代次数。
进一步,所述改进的广义回归神经网络IGRNN中的求和层包括算术求和单元和加权求和单元,所述算术求和单元用于所有输出神经元的算术求和;所述加权求和单元用于对模式层中所有神经元的输出进行加权求和。
进一步,所述改进的广义回归神经网络IGRNN中的输出层输出的最终预测结果按照以下公式计算:
式中,SNj表示模式层中所有神经元输出的加权求和;
SD表示分母中的求和单元;yj表示第j个元素的输出结果。
进一步,所述优化目标按照以下转化公式计算:
其中,D代表整合目标;
di代表第i个目标,分别表示齿向误差、轴向与切向残余应力;
Tc代表整合前个体目标的实际值;
Th代表个体目标的历史极值。
进一步,所述基于粒子群算法的多目标协同优化模型中的更新公式按照以下公式进行:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid) (7)
Xid=Xid+Vid (8)
其中,ω称为惯性因子;C1和C2称为加速常数;
random(0,1)表示区间[0,1]上的随机数;
Pid表示第i个变量的个体机制的第d维;
Pgd表示全局最优解的第d维。
进一步,所述基于粒子群算法的多目标协同优化模型中的终止条件按照以下方式进行:
终止条件设置为最大迭代数,当迭代次数达到Gmax时算法终止迭代;
算法终止时以历史最优解的位置信息作为最佳工艺参数。
本发明的有益效果在于:
本发明提供的蜗轮加工形性可控工艺,以蜗轮加工为例,结合蜗轮形性预测模型以及面向形性整体提升的多目标协同优化方法,同时优化蜗轮精度(齿向误差)以及蜗轮表面完整性(残余应力),实现零件加工形性可控。
本发明提供的预测模型基于改进的广义回归神经网络建立,能同时预测精度和残余应力;用归一法将两个目标优化为一个目标,然后利用优化算法优化工艺参数实现形性可控。
本发明提供的基于粒子群算法(PSO),面向蜗轮加工精度(齿向误差)和表面完整性(残余应力)整体提升的工艺参数优化方法,它是实现蜗轮形性可控的关键环节。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为总体方法流程图。
图2为IGRNN流程图。
图3为自适应迭代算子。
图4为基于粒子群算法的多目标协同优化方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本实施例提供的蜗轮加工形性可控工艺,该工艺采用多目标优化方法来优化工艺参数达到同时控制零件加工精度和残余应力,实现零件加工形性可控。
如图1所示,图1为总体方法流程图,具体步骤如下:
建立蜗轮加工过程中齿向误差和残余应力的预测模型;
建立基于粒子群算法的多目标协同优化模型;
本实施例的预测模型是基于改进的广义回归神经网络IGRNN建立,该模型同时对加工精度、表面完整性进行预测,该模型是智能化参数决策的基础,基于神经网络强大的泛化能力和适应性;
通过预测模型处理得到预测输出值,所述预测输出值包括齿向误差、轴向残余应力、切向残余应力;
将预测输出值输入到优化模型并采用归一法将输出值进行目标整合得到优化目标;
将优化目标作为离子群算法中评价的适应度,最终通过优化选择适应度最高的切深,转速,进给速度加工参数作为最优解。
所述基于粒子群算法的多目标协同优化模型中的最优解时按照以下步骤进行的:
在优化模型中利用IGRNN建立的预测模型和初始粒子群(初始输入参数)计算各个粒子目标函数(齿向误差、轴向、切向残余应力);
采用归一法计算粒子的综合目标值,并将该目标值作为粒子对应的适应度,以当前粒子群中适应度最优个体作为局部最优解;
比较迭代历史中各个局部最优解,找到粒子群的当前全局最优解;
更新各个粒子的速度和位置;
判断是否达到终止条件,如果否,则返回继续产生粒子群并计算各个粒子目标函数;
如果有,则结束。
本实施例在粒子群算法初始时初始化离子群并利用归一法计算粒子适应度,等进入迭代循环的时根据目前的最优适应度对应的粒子作为参照,在更新离子群速度位置时产生新的粒子群输入参数,然后回来重新计算每个目标值。
本实施例提供的改进的广义回归神经网络(IGRNN)的精度不仅取决于输入与输出之间的原始映射的相关性,还取决于合适的关键参数(平滑因子)。然而原始数据相关性较差以及线性迭代搜索最优平滑因子的方法可能导致预测模型的精度较低。改进的广义回归神经网络采用改进的灰狼算法(IGWO)进行平滑因子的智能寻优,从而提高预测模型的整体预测精度。
所述改进的广义回归神经网络IGRNN建立步骤如下:
如图2所示,图2为IGRNN流程图,所述改进的广义回归神经网络IGRNN包括4层网络:输入层、模式层、求和层和输出层。
输入变量为工艺参数,输入层中的神经元m=3表示变量的个数,变量数据直接输入模式层;
X=[n,f,ap]表示输入向量,Y=[fβ,Rsa,Rsc]表示输出向量,
n,f,ap分别代表转速,进给速度,切深
fβ,Rsa,Rsc分别代表齿向误差、轴向和切向残余应力。
所述输入层,用于输入训练数据,处理前后数据均为转速,进给速度,切深输入参数(补充其功能作用及处理前后的数据名称);
所述模式层,用于模型训练学习,处理前数据为预测样本、学习样本对应的工艺参数,处理后为模式层传递函数值(补充其功能作用及处理前后的数据名称);
所述求和层,用于模式层神经元数据进行求和,处理前数据模是模式层传递函数值以及学习样本对应的为齿向误差、轴向和切向残余应力值,处理后数据为求和层传递函数值(补充其功能作用及处理前后的数据名称);
所述输出层,用于输出预测值,处理前为数据为求和层传递函数值,处理后为预测样本对应的齿向误差、轴向和切向残余应力值(补充其功能作用及处理前后的数据名称);
所述包含转速,进给速度,切深的输入向量通过输入层处理后,然后在进入到模式层,结合学习样本计算输入样本的模式层传递函数值,传递函数值与学习样本目标值通过求和层计算模式层传递函数值,最后通过输出层获得输入向量对应的齿向误差、轴向和切向残余应力值;在此过程中利用改进的灰狼算法得到最优的平滑因子,并将最优的平滑因子输入到模式层,提升GRNN算法的预测性能。
所述基于改进的灰狼算法的整体流程如下:
进行狼群初始化设定,在平滑因子范围内[0,2]产生初代狼群;
以预测模型平均预测误差作为适应度函数,计算每只灰狼的适应度值;
以适应度排名前3的灰狼作为参考,确定搜索方向及搜索速度;
更新狼群位置;
基于自适应迭代算子减小狼群搜索范围;
狼群搜索范围是否变为0;
是则停止搜索,以最终适应度排名第一的头狼位置对应的平滑因子作为最优解导入GRNN算法模式层中,否则计算迭代后的狼群适应度,重新选择适应度排名前三的头狼。
本实施例中的灰狼算法主要是用于优化GRNN模式层中的平滑因子,从而使预测模型具有更好的预测性能。
所述基于改进的灰狼算法的模式层中的每个神经元代表一个样本,第i个神经元的传递函数如公式(1)所示。
式中,qi表示模式层中第i个神经元的输出;
Xi表示第i个神经元的学习样本;
n表示神经元的数量(学习样本的数量);
σ表示平滑因子;
当学习样本固定时,网络结构和神经元之间的连接权值也基本确定。网络的训练实际上只是一个确定平滑因子σ的过程,即选择一个合适的平滑因子以获得更好的预测性能。
传统的广义回归神经网络通过线性迭代确定最优σ。为获取更好的预测性能,提出改进灰狼算法(IGWO)搜索最优的σ。原始的灰狼算法(OGWO)的开发受到灰狼捕猎行为的启发,具有参数更少,收敛速度更快的特点。在OGWO中,采用了α,β,δ和ω四种类型的灰狼来模拟狼群的社会等级,定义等级最高的头狼α为最优解。排名第二、三的狼β和δ分别是次优解。优化过程主要由前三个最优解指导。
本实施例中头狼表示;预测蜗轮齿向误差或残余应力时误差最小对应的GRNN模式层的平滑因子;排名第二的狼β表示平滑因子的第二候选解;排名第三的狼δ表示平滑因子的第三候选解。
为了防止OGWO中的线性缩减的搜索范围导致算法易陷入局部最优,影响搜索性能的问题,采用自适应迭代算子在优化过程的不同阶段自动调节搜索范围缩小速度,提高原始算法的寻优能力。
所述改进灰狼算法(IGWO)的搜索步骤如下:
IGWO算法中判断猎物与灰狼距离的准则如下:
其中,t为当前迭代次数;
所述改进灰狼算法(IGWO)的搜索范围自适应调整步骤如下:
根据公式(2)更新头狼的位置,灰狼可以出现在猎物周围的任何位置。在迭代过程中采用了自适应迭代算子,狩猎的过程需要不断根据狼群与猎物之间的距离更新狼群的位置,过程如式(3)所示。
tmax表示最大迭代次数;
在图3中,自适应迭代算子在迭代早期下降缓慢,使得搜索范围缓慢缩小,从而增强了算法的全局搜索能力,防止算法陷入局部最优。在迭代的后期,分量缓慢下降也使得搜索范围缓慢缩小,从而提供了强大的局部优化功能。
所述改进灰狼算法(IGWO)的捕猎步骤如下:
进行狼群初始化设定,在平滑因子范围内[0,2]产生初代狼群;
以预测模型平均预测误差作为适应度函数,计算每只灰狼的适应度值;
以适应度排名前3的灰狼作为参考,确定搜索方向及搜索速度;
更新狼群位置;
基于自适应迭代算子减小狼群搜索范围;
狼群搜索范围是否变为0;
是则停止搜索,以最终适应度排名第一的头狼位置对应的平滑因子作为最优解导入GRNN算法模式层中,否则计算迭代后的狼群适应度,重新选择适应度排名前三的头狼。
由于猎物的最佳位置未知,且只有前三个最优解(σfir,σsec,σthi)在迭代过程中会被保存下来。其中,σfir表示预测误差最小时对应的GRNN模式层的平滑因子;σsec表示平滑因子的第二候选解;σthi表示平滑因子的第三候选解。
因此需要根据最优解的位置不断更新狼群位置,进而不断逼近猎物。综上所述,IGWO提供了一种更好的平滑因子搜索策略。
所述改进的广义回归神经网络IGRNN中的求和层包括两种求和单元,一种是分母中的求和单位,用于所有输出神经元的算术求和。另一种是对模式层中所有神经元的输出进行加权求和。最终预测结果由式(4)计算:
式中,SNj表示模式层中所有神经元输出的加权求和;SD表示分母中的求和单元;yj表示第j个元素的输出结果。
所述改进的广义回归神经网络IGRNN中的输出层包含齿向误差、轴向残余应力、切向残余应力。如图4所示,图4为基于粒子群算法PSO的多目标协同优化方法,同时考虑加工精度和表面完整性对工艺参数进行优化。
面向蜗轮加工精度(齿向误差)和表面完整性(残余应力)整体提升的工艺参数优化方法,它是实现零件形性可控的关键环节。
所述基于粒子群算法PSO的多目标协同优化方法中的搜索范围初始化按照以下方式进行:
首先需要设置最大速度区间,即向全局最优解迭代的速度,防止超出最大的区间。
位置信息即为整个搜索空间,由预测模型的输出参数范围确定。
在速度区间和搜索空间上随机初始化速度和位置,设置种群规模m。
所述基于粒子群算法PSO的多目标协同优化方法中的适应度计算与全局最优解按照以下方式进行:
在搜索过程中需要计算每个个体的适应度,根据适应度择优选择局部最优解和全局最优解。以蜗轮加工过程中的加工精度(齿向误差)和加工表面完整性(齿向、轴向残余应力)为优化目标,利用归一化思想将以上三个实际目标转化为一个整合目标(适应度),转化公式如下所示:
其中,D代表整合目标,
di代表第i个目标,分别表示齿向误差、轴向与切向残余应力;
Tc代表整合前个体目标的实际值;
Th代表个体目标的历史极值;
为每个目标值设置相同的权重。
个体极值为每个粒子找到的历史上最优的位置信息,并从这些个体历史最优解中找到一个全局最优解,并与历史最优解比较,选出最佳的作为当前的历史最优解。
所述基于粒子群算法PSO的多目标协同优化方法中的更新搜索速度和位置按照以下方式进行:
算法在每次迭代过程中根据当前个体极值以及历史最优解的位置信息,更新粒子群的位置以及迭代速度,更新公式如下所示:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid) (7)
Xid=Xid+Vid (8)
其中,ω称为惯性因子;C1和C2称为加速常数,一般取C1=C2∈[0,4];
random(0,1)表示区间[0,1]上的随机数;
Pid表示第i个变量的个体机制的第d维;
Pgd表示全局最优解的第d维;
所述基于粒子群算法PSO的多目标协同优化方法中的终止条件按照以下方式进行:
终止条件设置为最大迭代数,当迭代次数达到Gmax时算法终止迭代。
算法终止时以历史最优解的位置信息作为最佳工艺参数。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.蜗轮加工形性可控工艺,其特征在于:包括以下步骤:
建立蜗轮加工过程中齿向误差和残余应力的预测模型;
建立基于粒子群算法的多目标协同优化模型;
通过预测模型处理得到预测输出值;
将预测输出值输入到优化模型并采用归一法将输出值进行目标整合得到优化目标;
将优化目标作为离子群算法中评价的适应度,最终通过优化选择适应度最高的加工参数作为最优解。
2.如权利要求1所述的蜗轮加工形性可控工艺,其特征在于:所述基于粒子群算法的多目标协同优化模型中的最优解时按照以下步骤进行的:
在优化模型中利用优化目标和初始化粒子群计算各个粒子目标函数;
找到各个粒子的当前个体极值;
找到整个粒子群的当前全局最优解;
更新各个粒子的速度和位置;
判断是否达到终止条件,如果否,则返回继续计算各个粒子目标函数;
如果有,则结束。
3.如权利要求1所述的蜗轮加工形性可控工艺,其特征在于:所述预测模型是基于改进的广义回归神经网络IGRNN算法而建立预测模型,所述改进的广义回归神经网络IGRNN包括输入层、模式层、求和层和输出层;
所述输入向量通过输入层处理后,然后在进入到模式层,再通过求和层处理,最后通过输出层将处理后的数据输出;所述输出的数据再通过改进的灰狼算法得到最优的平滑因子,并将最优的平滑因子输入到模式层。
6.如权利要求3所述的蜗轮加工形性可控工艺,其特征在于:所述改进的广义回归神经网络IGRNN中的求和层包括算术求和单元和加权求和单元,所述算术求和单元用于所有输出神经元的算术求和;所述加权求和单元用于对模式层中所有神经元的输出进行加权求和。
9.如权利要求1所述的蜗轮加工形性可控工艺,其特征在于:所述基于粒子群算法的多目标协同优化模型中的更新公式按照以下公式进行:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid) (7)
Xid=Xid+Vid (8)
其中,ω称为惯性因子;C1和C2称为加速常数;
random(0,1)表示区间[0,1]上的随机数;
Pid表示第i个变量的个体机制的第d维;
Pgd表示全局最优解的第d维。
10.如权利要求2所述的蜗轮加工形性可控工艺,其特征在于:所述基于粒子群算法的多目标协同优化模型中的终止条件按照以下方式进行:
终止条件设置为最大迭代数,当迭代次数达到Gmax时算法终止迭代;
算法终止时以历史最优解的位置信息作为最佳工艺参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090643.1A CN112379589B (zh) | 2020-10-13 | 2020-10-13 | 蜗轮加工形性可控工艺 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090643.1A CN112379589B (zh) | 2020-10-13 | 2020-10-13 | 蜗轮加工形性可控工艺 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112379589A true CN112379589A (zh) | 2021-02-19 |
CN112379589B CN112379589B (zh) | 2022-02-18 |
Family
ID=74581345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011090643.1A Active CN112379589B (zh) | 2020-10-13 | 2020-10-13 | 蜗轮加工形性可控工艺 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112379589B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076616A (zh) * | 2021-04-30 | 2021-07-06 | 重庆大学 | 考虑全误差信息因素的蜗轮母机精度主动设计分配方法 |
CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
CN115685881A (zh) * | 2022-11-07 | 2023-02-03 | 北京科技大学 | 基于计算智能的低应力高精度电弧增材工艺控制方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172125A1 (en) * | 2012-09-29 | 2014-06-19 | Operation Technology, Inc. | Dynamic parameter tuning using particle swarm optimization |
CN104552887A (zh) * | 2015-01-30 | 2015-04-29 | 江南大学 | 基于自适应粒子群算法的塑料片材机能耗优化方法 |
CN105929689A (zh) * | 2016-04-22 | 2016-09-07 | 江南大学 | 基于粒子群算法的机床制造系统加工节能优化方法 |
CN106951632A (zh) * | 2017-03-20 | 2017-07-14 | 东北大学 | 一种铲齿凸轮的结构优化设计方法 |
CN108388702A (zh) * | 2018-01-30 | 2018-08-10 | 河南工程学院 | 基于pso神经网络的工程陶瓷电火花加工效果预测方法 |
CN109165460A (zh) * | 2018-09-06 | 2019-01-08 | 中南大学 | 螺旋锥齿轮形性协同制造参数驱动鲁棒性决策优化方法 |
CN109358503A (zh) * | 2018-10-22 | 2019-02-19 | 重庆大学 | 一种面向节能的机床运动部件多目标结构优化方法 |
CN109388851A (zh) * | 2018-09-06 | 2019-02-26 | 中南大学 | 螺旋锥齿轮形性协同制造智能参数驱动决策与处理方法 |
CN109408860A (zh) * | 2018-09-06 | 2019-03-01 | 中南大学 | 螺旋锥齿轮形性协同制造的六西格玛设计方法 |
CN109739087A (zh) * | 2018-12-29 | 2019-05-10 | 齐鲁工业大学 | 基于多目标粒子群算法的多智能体制造过程优化方法 |
CN109828532A (zh) * | 2019-01-29 | 2019-05-31 | 贵州大学 | 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法 |
CN110014332A (zh) * | 2019-04-09 | 2019-07-16 | 中南大学 | 一种大尺寸车轴变轨外花键高效精密磨削加工方法 |
-
2020
- 2020-10-13 CN CN202011090643.1A patent/CN112379589B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172125A1 (en) * | 2012-09-29 | 2014-06-19 | Operation Technology, Inc. | Dynamic parameter tuning using particle swarm optimization |
CN104552887A (zh) * | 2015-01-30 | 2015-04-29 | 江南大学 | 基于自适应粒子群算法的塑料片材机能耗优化方法 |
CN105929689A (zh) * | 2016-04-22 | 2016-09-07 | 江南大学 | 基于粒子群算法的机床制造系统加工节能优化方法 |
CN106951632A (zh) * | 2017-03-20 | 2017-07-14 | 东北大学 | 一种铲齿凸轮的结构优化设计方法 |
CN108388702A (zh) * | 2018-01-30 | 2018-08-10 | 河南工程学院 | 基于pso神经网络的工程陶瓷电火花加工效果预测方法 |
CN109165460A (zh) * | 2018-09-06 | 2019-01-08 | 中南大学 | 螺旋锥齿轮形性协同制造参数驱动鲁棒性决策优化方法 |
CN109388851A (zh) * | 2018-09-06 | 2019-02-26 | 中南大学 | 螺旋锥齿轮形性协同制造智能参数驱动决策与处理方法 |
CN109408860A (zh) * | 2018-09-06 | 2019-03-01 | 中南大学 | 螺旋锥齿轮形性协同制造的六西格玛设计方法 |
CN109358503A (zh) * | 2018-10-22 | 2019-02-19 | 重庆大学 | 一种面向节能的机床运动部件多目标结构优化方法 |
CN109739087A (zh) * | 2018-12-29 | 2019-05-10 | 齐鲁工业大学 | 基于多目标粒子群算法的多智能体制造过程优化方法 |
CN109828532A (zh) * | 2019-01-29 | 2019-05-31 | 贵州大学 | 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法 |
CN110014332A (zh) * | 2019-04-09 | 2019-07-16 | 中南大学 | 一种大尺寸车轴变轨外花键高效精密磨削加工方法 |
Non-Patent Citations (1)
Title |
---|
朱晓娟: "基于灰狼算法和极大似然估计的改进DV-HOP算法", 《物联网技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
CN113076616A (zh) * | 2021-04-30 | 2021-07-06 | 重庆大学 | 考虑全误差信息因素的蜗轮母机精度主动设计分配方法 |
CN113076616B (zh) * | 2021-04-30 | 2022-11-11 | 重庆大学 | 考虑全误差信息因素的蜗轮母机精度主动设计分配方法 |
CN115685881A (zh) * | 2022-11-07 | 2023-02-03 | 北京科技大学 | 基于计算智能的低应力高精度电弧增材工艺控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112379589B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112379589B (zh) | 蜗轮加工形性可控工艺 | |
Mohajerin et al. | Multistep prediction of dynamic systems with recurrent neural networks | |
Li et al. | Thermal error modeling of machine tool spindle based on the improved algorithm optimized BP neural network | |
CN109901403B (zh) | 一种自主水下机器人神经网络s面控制方法 | |
Man et al. | Genetic algorithms for control and signal processing | |
CN112380760B (zh) | 基于多算法融合的多目标工艺参数智能优化方法 | |
CN105644548B (zh) | 混合动力汽车的能量控制方法及装置 | |
CN109884900B (zh) | 基于自适应模型预测控制的收获机路径跟踪控制器的设计方法 | |
CN111353631A (zh) | 基于多层lstm的火电厂凝汽器真空度预测方法 | |
Juang et al. | Temperature control by chip-implemented adaptive recurrent fuzzy controller designed by evolutionary algorithm | |
CN113552797A (zh) | 一种基于改进粒子群优化的加热炉炉温控制方法和系统 | |
CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
Ming et al. | Integrated ANN-LWPA for cutting parameter optimization in WEDM | |
CN113138555A (zh) | 一种基于遗传算法优化的grnn电主轴热误差建模方法 | |
CN113052372A (zh) | 一种基于深度强化学习的动态auv追踪路径规划方法 | |
CN113341706B (zh) | 基于深度强化学习的人机协作流水线系统 | |
Huang et al. | Motion planning of robot manipulator based on improved NSGA-II | |
CN114861879A (zh) | 一种基于天牛须算法优化Elman神经网络电主轴热误差建模方法 | |
Shettigar et al. | Artificial bee colony, genetic, back propagation and recurrent neural networks for developing intelligent system of turning process | |
Ko et al. | Autonomous cutting parameter regulation using adaptive modeling and genetic algorithms | |
CN114936525A (zh) | 外圆磨削工艺优化方法及装置 | |
Liu et al. | Learning to learn evolutionary algorithm: A learnable differential evolution | |
CN112733301A (zh) | 一种基于神经网络的六维力矩传感器重力补偿方法及系统 | |
CN116880201A (zh) | 基于模糊神经网络的水网渠道状态控制系统 | |
CN109683558A (zh) | 基于粒子群优化的生产过程系统多目标优化模型控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |