CN114722540A - 一种基于机器学习的变速器智能变型设计方法 - Google Patents

一种基于机器学习的变速器智能变型设计方法 Download PDF

Info

Publication number
CN114722540A
CN114722540A CN202210450355.5A CN202210450355A CN114722540A CN 114722540 A CN114722540 A CN 114722540A CN 202210450355 A CN202210450355 A CN 202210450355A CN 114722540 A CN114722540 A CN 114722540A
Authority
CN
China
Prior art keywords
parameters
transmission
parameter
main
design
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
Application number
CN202210450355.5A
Other languages
English (en)
Other versions
CN114722540B (zh
Inventor
谌炎辉
沈小波
张海明
谭程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi College of Water Resources and Electric Power
Original Assignee
Guangxi College of Water Resources and Electric Power
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi College of Water Resources and Electric Power filed Critical Guangxi College of Water Resources and Electric Power
Priority to CN202210450355.5A priority Critical patent/CN114722540B/zh
Publication of CN114722540A publication Critical patent/CN114722540A/zh
Application granted granted Critical
Publication of CN114722540B publication Critical patent/CN114722540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Molecular Biology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Control Of Transmission Device (AREA)

Abstract

本发明旨在提供一种基于机器学习的变速器智能变型设计方法，包括以下步骤：A、选择变速器变形设计过程中驱动变速器进行变型设计的主参数；B、将变速器除主参数外的各个特征的形位参数划分为：确定参数、不确定参数；其中，不确定参数分为离散变化参数和连续变化参数；C、面向已有的不同轴系的变速器分别收集主参数、离散变化参数和连续变化参数，构建其参数数据库；D、根据设计需求确定拟进行变型设计的变速器的主参数，确定拟进行变型设计的变速器的确定参数和不确定参数的类型和数量；E、基于数学关联分析进行确定参数计算；F、基于机器学习进行不确定参数的计算；本发明能够实现变速器变型设计过程中的参数智能推理与计算。

Description

一种基于机器学习的变速器智能变型设计方法
技术领域
本发明涉及智能制造及汽车技术领域，具体涉及一种基于机器学习的变速器智能设计方法。
背景技术
汽车变速器结构复杂，由于变速器受到发动机、汽车整体结构、变速比等多种因素的影响，变速器经常需要基于现有产品进行变型设计。在变型设计中最关键的问题是根据主参数确定产品关联零部件及特征参数的逻辑关系。目前采用的方法主要有基于实例推理或采用设计模板的方式进行变型设计，这些方法不能很好的处理复杂零部件及其特征的参数关系。
发明内容
本发明旨在提供一种基于机器学习的变速器智能设计方法，该方法能够实现变速器变型设计过程中的参数智能推理与计算，从而达到变速器的智能变型设计的目的。
本发明的技术方案如下：
所述的基于机器学习的变速器智能设计方法，包括以下步骤：
A、选择变速器变形设计过程中驱动变速器进行变型设计的主参数，并面向已有的不同轴系的变速器分别收集其主参数；
B、基于特征参数分析，将变速器除主参数外的各个特征的形位参数划分为：
确定参数，可以根据主参数基于关联关系的数学模型进行计算得到的参数；不确定参数，不能直接根据主参数进行计算得到的参数；其中，不确定参数分为离散变化参数和连续变化参数；确定参数包括圆角直径、变速器壳体类零件的包络轮廓、拔模角，离散变化参数包括联结螺纹孔直径、变速器壳体类零件的壁厚、轴承孔直径，连续变化参数包括联结螺纹孔之间的距离、油道孔的位置；
C、面向已有的不同轴系的变速器收集离散变化参数和连续变化参数，构建包括主参数、离散变化参数和连续变化参数的参数数据库；
D、根据设计需求确定拟进行变型设计的变速器的主参数，确定拟进行变型设计的变速器的确定参数和不确定参数的类型和数量；
E、基于数学关联分析进行确定参数计算；构建确定参数的关联参数计算数学模型，根据拟进行变型设计的变速器的主参数进行拟进行变型设计的变速器的确定参数的计算，得到变型设计后的变速器的各个确定参数；
F、基于机器学习进行不确定参数的计算：
a.基于聚类分析进行离散变化参数计算：提取数据库中拟进行变型设计的变速器同轴系的变速器的各类主参数，并针对离散变化参数的参数值分别计算其对应的主参数平均值，根据该类型变速器主参数平均值及该类型主参数对应的离散变化参数的进行相似度计算，取相似度最小的离散变化参数值作为变型设计后变速器的相应离散变化参数的参数值，同时在该类变速器中加入新变型设计后的变速器的离散变化参数，重复前述步骤得到变型设计后变速器的各个离散变化参数；
b.基于神经网络的连续变化参数计算：
针对拟进行变型设计的变速器，构建包括输入层、隐藏层、输出层的神经网络，输入层的输入参数数等于主参数个数，输出层的输出参数数等于连续变化参数的个数；
输入层输入的参数为归一化处理后的主参数；
输入数据库中与拟进行变型设计的变速器相同轴系的变速器的各组主参数，利用加权代价函数对神经网络进行训练和验证，得到训练好的神经网络；用训练好的神经网络进行拟进行变型设计的变速器的连续变化参数的计算；得到变型设计后的变速器的各个连续变化参数。
所述的步骤A中，主参数包括各轴位置、各轴上的输出齿轮直径、变速比、传输功率、最大扭矩。
所述的步骤C中，构建已有不同轴系的变速器的参数数据库的公式为：
Figure BDA0003618335360000021
其中，i表示变速器的轴数，r表示该类变速器的数目，列数l,m,n分别表示主参数、离散变化参数、连续变化参数的数目。
所述的步骤B中，所述的确定参数包括定形参数和定位参数，定形参数为确定变速器特征形状的参数，定位参数为根据基准确定变速器特征位置的参数。
所述的步骤F中的a步骤中，各类主参数的平均值公式为：
Figure BDA0003618335360000022
其中，j(j≤l)为该轴系变速器的第j个主参数，r为该类的变速器的数目。
所述的步骤F的a步骤中，于各类主参数的平均值对变型设计后的变速器的离散变化参数进行相似度计算的过程为：
令拟变型设计后的变速器的主参数为：S＝(s1,s2,…,sl)，将公式(2)中的第j个的主参数的平均值代入离散参数值相似度公式中:
Figure BDA0003618335360000031
其中，
Figure BDA0003618335360000032
为每一类离散参数值相似度值，j为该类变速器的第j类主参数，sj为需变型设计后的变速器的第j类主参数，
Figure BDA0003618335360000033
为该类变速器的第j类的主参数的平均值。
所述的步骤F中的b步骤中，神经网络输入的主参数需要进行归一化处理，归一化处理的过程为：
将各个主参数的最大值映射到0.9，最小值映射到0.1，得到归一处理公式为：
Figure BDA0003618335360000034
其中，zmax为主参数的最大值，zmin为主参数的最小值。
所述的步骤F中的b步骤中，神经网络的输入层节点数对应设计主参数的数目、输出层的节点数对应需要计算的不确定参数的数目、隐藏层的的节点数介于主参数个数和连续变化参数之间。
所述的步骤F中的b步骤中，加权代价函数公式为：
Figure BDA0003618335360000035
其中，zi为变速器实际参数值,ωi为根据主参数对参数的影响构建的权重系数，o(zi)为神经网络预测得到的参数值。
所述的步骤F中的b步骤中，对于神经网络输出结果的归一化参数还原公式为：
Figure BDA0003618335360000036
其中，zmax为主参数的最大值，zmin为主参数的最小值。
本发明方法通过选取能够驱动变速器进行变型设计的主参数，通过对变速器特征参数分析，将变速器除主参数外的各个特征的形位参数划分多种不同类型的参数，并构建其各类参数数据库，基于机器学习等方法建立各类参数的计算方法，实现变速器及其复杂组成零部件在变型设计过程中的参数智能推理与计算，从而实现变速器的智能变型设计。
本发明方法能够大大加速变速器设计的速度，提升设计准确性，降低设计实验成本，具有良好的应用前景。
附图说明
图1为本发明的三轴变速器壳体端面简图；
图2为本发明的三轴变速器的神经网络图。
具体实施方式
下面结合附图和实施例具体说明本发明。
实施例1
本实施例提供的一种基于机器学习的变速器智能设计方法，包括以下步骤：
A、选择变速器变形设计过程中驱动变速器进行变型设计的主参数，并面向已有的不同
轴系的变速器分别收集其主参数；
B、基于特征参数分析，将变速器除主参数外的各个特征的形位参数划分为：
确定参数，可以根据主参数基于关联关系的数学模型进行计算得到的参数；不确定参数，不能直接根据主参数进行计算得到的参数；其中，不确定参数分为离散变化参数和连续变化参数；
所述的确定参数包括定形参数和定位参数，定形参数为确定变速器特征形状的参数，定位参数为根据基准确定变速器特征位置的参数；
所述的确定参数包括圆角直径、变速器壳体类零件的包络轮廓、拔模角，离散变化参数包括联结螺纹孔直径、变速器壳体类零件的壁厚、轴承孔直径，连续变化参数包括联结螺纹孔之间的距离、油道孔的位置；
C、面向已有的不同轴系的变速器收集离散变化参数和连续变化参数，构建包括主参数、离散变化参数和连续变化参数的参数数据库；
已有不同轴系的变速器的参数数据库的公式为：
Figure BDA0003618335360000041
其中，i表示变速器的轴数，r表示该类变速器的数目，列数l,m,n分别表示主参数、离散变化参数、连续变化参数的数目；
以三轴变速器进行变形设计，各变速器参数的计算过程如下：
所述的三轴变速器的主参数定义为三个轴的中心距、三个轴上的输出齿轮直径、变速比、传输功率、最大扭矩，基于特征分析得到三轴变速器共有23个离散变化参数和12个连续变化参数；
E、基于数学关联分析进行确定参数计算；构建确定参数的关联参数计算数学模型，根据三轴变速器的主参数进行三轴变速器的确定参数的计算，得到变型设计后的变速器的各个确定参数；
图1的示例体现了三轴变速器壳体端面联结孔的中心距这一确定参数的关联计算公式，具体公式如下：
Figure BDA0003618335360000051
其中，
Figure BDA0003618335360000052
为三轴变速器端面联结孔O4O5的中心距，
Figure BDA0003618335360000053
为三轴变速器的端面联结孔O1O2的中心距的平方，r1为联结孔O1到联结孔O2的距离，r2为联结孔O2到联结孔O4的距离；
F、基于机器学习进行不确定参数的计算：
a.基于聚类分析进行离散变化参数计算：提取数据库中三轴的变速器同轴系的变速器的各类主参数，并针对离散变化参数的参数值分别计算其对应的主参数平均值，根据该类型变速器主参数平均值及该类型主参数对应的离散变化参数的进行相似度计算，取相似度最小的离散变化参数值作为变型设计后变速器的相应离散变化参数的参数值，同时在该类变速器中加入新变型设计后的变速器的离散变化参数，重复前述步骤得到变型设计后变速器的各个离散变化参数，如表1所示：
表1为三轴变速器的离散变化参数的参数值
Figure BDA0003618335360000054
将表1的三轴变速器的离散变化参数的参数值带入公式(2)中，各类主参数的平均值公式为：
Figure BDA0003618335360000055
其中，j(j≤l)为三轴变速器的第j个主参数，r为三轴的变速器的数目；
各类主参数的平均值对变型设计后的变速器的离散变化参数进行相似度计算的过程为：
令拟变型设计后的变速器的主参数为：S＝(s1,s2,…,sl)；
将公式(2)的第j个的主参数的平均值代入离散参数值相似度公式中:
Figure BDA0003618335360000061
其中，
Figure BDA0003618335360000062
为每一类离散参数值相似度值，j为该类变速器的第j类主参数，sj为需变型设计后的变速器的第j类主参数，
Figure BDA0003618335360000063
为该类变速器的第j类的主参数的平均值；
b.基于神经网络的连续变化参数计算：
三轴的变速器，构建包括输入层、隐藏层、输出层的神经网络，输入层的输入参数数等于主参数个数，输出层的输出参数数等于连续变化参数的个数；输入层输入的参数为归一化处理后的主参数；
所述的神经网络的输入层节点数为6、输出层的节点数为12、隐藏层的节点数为9；
输入数据库中与三轴的变速器相同轴系的变速器的各组主参数，利用加权代价函数对神经网络进行训练和验证，得到训练好的神经网络；
神经网络输入的主参数需要进行归一化处理，归一化处理的过程为：
将各个主参数的最大值映射到0.9，最小值映射到0.1，得到归一处理公式为：
Figure BDA0003618335360000064
其中，zmax为主参数的最大值，zmin为主参数的最小值。
加权代价函数公式为：
Figure BDA0003618335360000065
其中，zi为变速器实际参数值,ωi为根据主参数对参数的影响构建的权重系数，o(zi)为神经网络预测得到的参数值；
对于神经网络输出结果的归一化参数还原公式为：
Figure BDA0003618335360000066
其中，zmax为主参数的最大值，zmin为主参数的最小值；
用训练好的神经网络进行拟进行变型设计的变速器的连续变化参数的计算；得到变型设计后的变速器的各个连续变化参数。

Claims (10)

1.一种基于机器学习的变速器智能变型设计方法，其特征在于包括以下步骤：
A、选择变速器变形设计过程中驱动变速器进行变型设计的主参数，并面向已有的不同轴系的变速器分别收集其主参数；
B、基于特征参数分析，将变速器除主参数外的各个特征的形位参数划分为：
确定参数，可以根据主参数基于关联关系的数学模型进行计算得到的参数；不确定参数，不能直接根据主参数进行计算得到的参数；其中，不确定参数分为离散变化参数和连续变化参数；
C、面向已有的不同轴系的变速器收集离散变化参数和连续变化参数，构建包括主参数、离散变化参数和连续变化参数的参数数据库；
D、根据设计需求确定进行变型设计的变速器的主参数，确定进行变型设计的变速器的确定参数和不确定参数的类型和数量；
E、基于数学关联分析进行确定参数计算；构建确定参数的关联参数计算数学模型，根据进行变型设计的变速器的主参数进行进行变型设计的变速器的确定参数的计算，得到变型设计后的变速器的各个确定参数；
F、基于机器学习进行不确定参数的计算：
a.基于聚类分析进行离散变化参数计算：提取数据库中拟进行变型设计的变速器同轴系的变速器的各类主参数，并针对离散变化参数的参数值分别计算其对应的主参数平均值，根据该类型变速器主参数平均值及该类型主参数对应的离散变化参数的进行相似度计算，取相似度最小的离散变化参数值作为变型设计后变速器的相应离散变化参数的参数值，同时在该类变速器中加入新变型设计后的变速器的离散变化参数；重复前述步骤得到变型设计后变速器的各个离散变化参数；
b.基于神经网络的连续变化参数计算：
针对拟进行变型设计的变速器，构建包括输入层、隐藏层、输出层的神经网络，输入层的输入参数数等于主参数个数，输出层的输出参数数等于连续变化参数的个数；
输入层输入的参数为归一化处理后的主参数；
输入数据库中与拟进行变型设计的变速器相同轴系的变速器的各组主参数，利用加权代价函数对神经网络进行训练和验证，得到训练好的神经网络；用训练好的神经网络进行拟进行变型设计的变速器的连续变化参数的计算；得到变型设计后的变速器的各个连续变化参数。
2.如权利要求1所述的基于机器学习的变速器智能设计方法，其特征在于：所述的步骤A中，主参数包括各轴位置、各轴对应的输出齿轮直径、变速比、传输功率、最大扭矩。
3.如权利要求1所述的基于机器学习的变速器智能设计方法，其特征在于：
所述的步骤C中，构建已有不同轴系的变速器的参数数据库的公式为：
Figure FDA0003618335350000021
其中，i表示变速器的轴数，r表示该类变速器的数目，列数l,m,n分别表示主参数、离散变化参数、连续变化参数的数目。
4.如权利要求1所述的基于机器学习的变速器智能设计方法，其特征在于：所述的步骤B中，所述的确定参数包括定形参数和定位参数，定形参数为确定变速器特征形状的参数，定位参数为根据基准确定变速器特征位置的参数。
5.如权利要求1所述的基于机器学习的变速器智能设计方法，其特征在于：
所述的步骤F中的a步骤中，各类主参数的平均值公式为：
Figure FDA0003618335350000022
其中，j(j≤l)为该轴系变速器的第j个主参数，r为该类的变速器的数目。
6.如权利要求5所述的基于机器学习的变速器智能设计方法，其特征在于：
所述的步骤F的a步骤中，于各类主参数的平均值对变型设计后的变速器的离散变化参数进行相似度计算的过程为：
令变型设计后的变速器的主参数为：S＝(s1,s2,…,sl)，将公式(2)中的第j个的主参数的平均值代入离散参数值相似度公式中:
Figure FDA0003618335350000023
其中，
Figure FDA0003618335350000024
为每一类离散参数值相似度值，j为该类变速器的第j类主参数，sj为需变型设计后的变速器的第j类主参数，
Figure FDA0003618335350000025
为该类变速器的第j类的主参数的平均值。
7.如权利要求1所述的基于机器学习的变速器智能设计方法，其特征在于：所述的步骤F中的b步骤中，神经网络输入的主参数需要进行归一化处理，归一化处理的过程为：
将各个主参数的最大值映射到0.9，最小值映射到0.1，得到归一处理公式为：
Figure FDA0003618335350000031
其中，zmax为主参数的最大值，zmin为主参数的最小值。
8.如权利要求1所述的基于机器学习的变速器智能设计方法，其特征在于：所述的步骤F中的b步骤中，神经网络的输入层节点数对应设计主参数的数目、输出层的节点数对应需要计算的不确定参数的数目、隐藏层的的节点数介于主参数个数和连续变化参数之间。
9.如权利要求1所述的基于机器学习的变速器智能设计方法，其特征在于：
所述的步骤F中的b步骤中，加权代价函数公式为：
Figure FDA0003618335350000032
其中，zi为变速器实际参数值,ωi为根据主参数对参数的影响构建的权重系数，o(zi)为神经网络预测得到的参数值。
10.如权利要求1所述的基于机器学习的变速器智能设计方法，其特征在于：所述的步骤F中的b步骤中，对于神经网络输出结果的归一化参数还原公式为：
Figure FDA0003618335350000033
其中，zmax为主参数的最大值，zmin为主参数的最小值。
CN202210450355.5A 2022-04-27 2022-04-27 一种基于机器学习的变速器智能变型设计方法 Active CN114722540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210450355.5A CN114722540B (zh) 2022-04-27 2022-04-27 一种基于机器学习的变速器智能变型设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210450355.5A CN114722540B (zh) 2022-04-27 2022-04-27 一种基于机器学习的变速器智能变型设计方法

Publications (2)

Publication Number Publication Date
CN114722540A true CN114722540A (zh) 2022-07-08
CN114722540B CN114722540B (zh) 2022-09-30

Family

ID=82244797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210450355.5A Active CN114722540B (zh) 2022-04-27 2022-04-27 一种基于机器学习的变速器智能变型设计方法

Country Status (1)

Country Link
CN (1) CN114722540B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112231855A (zh) * 2020-09-14 2021-01-15 中国船舶重工集团公司第七一六研究所 基于机器学习的管件焊接工艺自动生成方法及系统
CN113032902A (zh) * 2021-03-18 2021-06-25 中南大学 一种基于机器学习优化的高速列车气动头部外形设计方法
CN114186731A (zh) * 2021-12-08 2022-03-15 广西科技大学 基于机器学习的装载机铲装作业过程优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112231855A (zh) * 2020-09-14 2021-01-15 中国船舶重工集团公司第七一六研究所 基于机器学习的管件焊接工艺自动生成方法及系统
CN113032902A (zh) * 2021-03-18 2021-06-25 中南大学 一种基于机器学习优化的高速列车气动头部外形设计方法
CN114186731A (zh) * 2021-12-08 2022-03-15 广西科技大学 基于机器学习的装载机铲装作业过程优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
K.R. VINISHA等: "Effectuation of Machine Learning for Fault Classification on Vehicle Power Transmission System", 《2021 INTERNATIONAL CONFERENCE ON INNOVATIVE COMPUTING INTELLIGENT COMMUNICATION AND SMART ELECTRICAL SYSTEMS》 *
刘海江等: "双离合自动变速器车辆换挡品质模糊综合评价", 《哈尔滨工业大学》 *
夏光等: "基于拥堵工况辨识的车辆自动变速器换挡控制", 《汽车工程》 *

Also Published As

Publication number Publication date
CN114722540B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
WO2023020628A1 (zh) 一种基于传动效率的减速器工况及结构参数优选方法
CN109948165B (zh) 基于混合注意力网络的细粒度情感极性预测方法
CN112429005B (zh) 考虑传动效率的纯电动汽车个性化换挡规律优化方法及应用
CN111458148A (zh) 一种基于cbam的卷积神经网络滚动轴承故障诊断方法
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN113239491B (zh) 一种风电齿轮箱中箱体加强筋的多参数优化设计方法
Li et al. Multi-scale CNN for multi-sensor feature fusion in helical gear fault detection
CN111985142A (zh) 一种基于遗传粒子群算法的rv减速器零部件选配方法
CN114722540B (zh) 一种基于机器学习的变速器智能变型设计方法
CN112966939A (zh) 一种基于组合赋权模糊综合评价的电梯安全评估方法
CN115392333A (zh) 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法
Qin et al. Experimentally validated geometry modification simulation for improving noise performance of CVT gearbox for vehicles
CN109726505B (zh) 一种基于智能故障树的锻压机床主传动机构故障诊断系统
Zhang et al. A deep learning-based multi-sensor data fusion method for degradation monitoring of ball screws
CN116906561B (zh) 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统
Xu et al. CapsFormer: A Novel Bearing Intelligent Fault Diagnosis Framework With Negligible Speed Change Under Small-Sample Conditions
CN110471937B (zh) 一种工艺实例分级检索方法及装置
CN105678106A (zh) 一种行星传动方案的选择方法
CN113469370B (zh) 一种基于联邦增量学习的工业物联网数据共享方法
Liu et al. Sinc-based multiplication-convolution network for small-sample fault diagnosis and edge application
CN113780230B (zh) 一种基于不变时空注意融合网络的不平衡故障诊断方法
CN113836662A (zh) 凸轮曲线槽机构设计缺陷的动态辨识及去特征化修复方法
CN113063589A (zh) 一种基于神经网络的齿轮微观误差对振动的预测方法
Zeng et al. Data-driven soft sensor modeling for DCT clutch pressure based on decision tree and stepwise regression
CN111652512A (zh) 一种用于节能减排的多性能评价平台与方法

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