-
公开(公告)号：CN118917349A
公开(公告)日：2024-11-08
申请号：CN202410944219.0
申请日：2024-07-15
Applicant: 哈尔滨理工大学
IPC: G06N3/006 , G06N3/0464 , G06N3/084
Abstract: 一种HPO优化BP神经网络主轴热误差建模方法，属于高速电主轴热误差预测分析技术领域。用于解决高速电主轴热误差预测时，BP神经网络存在收敛速度缓慢、对初始权重和偏置敏感、需要大量训练数据、容易出现过拟合等问题，包括以下步骤：S2.选取测点信息作为训练集与测试集使用；S6.用猎人捕猎优化算法优化BP神经网络；S7.代入最优解训练BP神经网络；S8.将BP神经网络模型的预测结果与真实值之间的误差、精度、决定系数、平均绝对误差与均方根误差作为预测评价指标；S9.通过计算预测结果与真实值之间的预测评价指标，来评估优化后的BP神经网络模型的性能和预测准确度。本发明热误差预测精度高；本发明拥有更好的鲁棒性。
-
公开(公告)号：CN117829030B
公开(公告)日：2024-08-23
申请号：CN202410099730.5
申请日：2024-01-24
Applicant: 哈尔滨理工大学
IPC: G06F30/28 , G06F17/11 , G06F30/18 , G06F113/08 , G06F119/08 , G06F119/14 , G06F113/14
Abstract: 一种应用超疏水结构减小电主轴热误差的方法，所述减小热误差的方法如下：一、设计超疏水导热结构加工位置；二、设计超疏水位置结构微观形貌；三、搭建试验台，获取热关键点温度数据；四、参考热关键点温度数据，基于传热理论计算电主轴生热率，对流换热系数，热辐射率；五、建立两组三维模型，一组加装超疏水微柱结构，另一组选用常规电主轴模型作为对照；六、根据三维模型建立热仿真模型；七、设计仿真模块，计算域以及边界条件；八、分别计算两组仿真模型；九、将实验结果进行对比。应用超疏水结构减小电主轴热误差的方法可有效降低电主轴热误差，使电主轴内部热量分布更为均匀。
-
公开(公告)号：CN118965958A
公开(公告)日：2024-11-15
申请号：CN202410944216.7
申请日：2024-07-15
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06N3/0499 , G06N3/084 , G06N3/006 , G06F119/08
Abstract: 一种CPA优化BP神经网络主轴热误差建模方法，属于高速电主轴热误差预测分析技术领域。用于解决高速电主轴热误差预测时，BP神经网络存在收敛速度缓慢、对初始权重和偏置敏感、需要大量训练数据、容易出现过拟合等问题，包括以下步骤：选取测点信息作为训练集与测试集使用；用食肉植物优化算法优化BP神经网络；代入最优解训练BP神经网络；将BP神经网络模型的预测结果与真实值之间的误差、精度、决定系数、平均绝对误差与均方根误差作为预测评价指标；通过计算预测结果与真实值之间的预测评价指标，来评估优化后的BP神经网络模型的性能和预测准确度。本发明热误差预测精度高；本发明拥有更好的鲁棒性。
-
公开(公告)号：CN117113845B
公开(公告)日：2024-03-19
申请号：CN202311115617.3
申请日：2023-08-31
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06N3/006 , G06N3/0442 , G06N3/08 , G06F119/08
Abstract: 本发明公开了一种AVOA优化LSTM神经网络主轴热误差建模方法，所述方法如下：一、获取实时温度数据与主轴热位移数据；二、选取关键测点信息作为训练集与测试集使用；三、确定长短期记忆神经网络各个参数的初始值；四、随机生成一定数量的秃鹫个体作为初始群体；五、对每个秃鹫个体进行分组，计算饥饿率和适应度；六、对比适应度，输出最优解；七、使用优化后的长短期记忆神经网络模型对测试集进行预测；八、将预测结果与真实值之间的误差、精度、决定系数、平均绝对误差与均方根误差作为预测评价指标；九、评估优化后的长短期记忆神经网络模型的性能和预测准确度。该方法具有高预测精度与鲁棒性的特点。
-
公开(公告)号：CN118699866A
公开(公告)日：2024-09-27
申请号：CN202410879781.X
申请日：2024-01-24
Applicant: 哈尔滨理工大学
IPC: B23Q11/12
Abstract: 一种应用超疏水微柱结构增加电主轴冷却水流速的方法，电主轴内部冷却系统的布置可以有效的降低由电主轴内部生热而引起热变形，而在冷却系统的主体结构确定后，冷却液流速对冷却系统的冷却效果将会起到至关重要的效果。为验证超疏水结构具有减阻的效果，设计实验进行验证。本发明在主轴冷却水道内部加工超疏水微柱结构，提高水套结构中冷却液的流速，加快主轴内部高温与冷却液的热交换与冷却液的吸热效率。该方法可有效提高冷却液在冷却水道中的流速，进一步提高电主轴冷却系统的冷却性能，提高主轴的加工精度。
-
Patent Agency Ranking
公开(公告)号：CN117829030A
公开(公告)日：2024-04-05
申请号：CN202410099730.5
申请日：2024-01-24
Applicant: 哈尔滨理工大学
IPC: G06F30/28 , G06F17/11 , G06F30/18 , G06F113/08 , G06F119/08 , G06F119/14 , G06F113/14
Abstract: 一种应用超疏水结构减小电主轴热误差和冷却水流速的方法，所述减小热误差的方法如下：一、设计超疏水导热结构加工位置；二、设计超疏水位置结构微观形貌；三、搭建试验台，获取热关键点温度数据；四、参考热关键点温度数据，基于传热理论计算电主轴生热率，对流换热系数，热辐射率；五、建立两组三维模型，一组加装超疏水微柱结构，另一组选用常规电主轴模型作为对照；六、根据三维模型建立热仿真模型；七、设计仿真模块，计算域以及边界条件；八、分别计算两组仿真模型；九、将实验结果进行对比。应用超疏水结构减小电主轴热误差的方法可有效降低电主轴热误差，使电主轴内部热量分布更为均匀。
-
公开(公告)号：CN117077509B
公开(公告)日：2024-04-05
申请号：CN202310867274.X
申请日：2023-07-14
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06N3/006 , G06N3/0499 , G06N3/08 , G06F119/08
Abstract: 一种北方苍鹰算法优化KELM神经网络的电主轴热误差建模方法，属于高速电主轴热误差分析领域。所述方法为：采集高速电主轴不同转速下的温度和热误差数据，并将采集的数据划分为模型的训练集和测试集；利用谱系聚类分析和灰色关联度分析对温度测点进行优化，构造模型的输入和输出；初始化KELM神经网络模型参数和NGO算法参数；利用NGO算法通过迭代更新优化KELM神经网络的超参数选择，建立NGO‑KELM神经网络电主轴热误差预测模型。本发明引入了北方苍鹰优化算法，可以将核参数映射到待优化参数空间，然后使用北方苍鹰优化算法来搜索最优的核参数组合。通过这种方式，可以提高核极限学习机算法的性能，并获得更好的分类和回归结果。
-
公开(公告)号：CN117077509A
公开(公告)日：2023-11-17
申请号：CN202310867274.X
申请日：2023-07-14
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06N3/006 , G06N3/0499 , G06N3/08 , G06F119/08
Abstract: 一种北方苍鹰算法优化KELM神经网络的电主轴热误差建模方法，属于高速电主轴热误差分析领域。所述方法为：采集高速电主轴不同转速下的温度和热误差数据，并将采集的数据划分为模型的训练集和测试集；利用谱系聚类分析和灰色关联度分析对温度测点进行优化，构造模型的输入和输出；初始化KELM神经网络模型参数和NGO算法参数；利用NGO算法通过迭代更新优化KELM神经网络的超参数选择，建立NGO‑KELM神经网络电主轴热误差预测模型。本发明引入了北方苍鹰优化算法，可以将核参数映射到待优化参数空间，然后使用北方苍鹰优化算法来搜索最优的核参数组合。通过这种方式，可以提高核极限学习机算法的性能，并获得更好的分类和回归结果。
-
公开(公告)号：CN119609180A
公开(公告)日：2025-03-14
申请号：CN202510037451.0
申请日：2025-01-09
Applicant: 哈尔滨理工大学
Abstract: 一种肋形电主轴冷却水套，属于超精密加工技术领域，包括：由三片水套组成新型电主轴冷却水套，每片水套分别有一个进水口，两个出水口，三条主干流道以及12条分支流道。本发明的结构与传统水套对比平均温度降低了5℃，水套部位温度降低了5℃，主轴部位温度降低了2℃。增大了冷却水套的冷却效率，从而增大了电主轴主要生热部位主轴的散热效果，从而降低电主轴的热误差，对提高电主轴的加工精度由明显效果。
-
公开(公告)号：CN118965958B
公开(公告)日：2025-02-25
申请号：CN202410944216.7
申请日：2024-07-15
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06N3/0499 , G06N3/084 , G06N3/006 , G06F119/08
Abstract: 一种CPA优化BP神经网络主轴热误差建模方法，属于高速电主轴热误差预测分析技术领域。用于解决高速电主轴热误差预测时，BP神经网络存在收敛速度缓慢、对初始权重和偏置敏感、需要大量训练数据、容易出现过拟合等问题，包括以下步骤：选取测点信息作为训练集与测试集使用；用食肉植物优化算法优化BP神经网络；代入最优解训练BP神经网络；将BP神经网络模型的预测结果与真实值之间的误差、精度、决定系数、平均绝对误差与均方根误差作为预测评价指标；通过计算预测结果与真实值之间的预测评价指标，来评估优化后的BP神经网络模型的性能和预测准确度。本发明热误差预测精度高；本发明拥有更好的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.018 seconds)
