-
公开(公告)号：CN111178506A
公开(公告)日：2020-05-19
申请号：CN201911367248.0
申请日：2019-12-26
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于深度置信神经网络的大型高速回转装备消偏消倾方法。步骤1：分析各加工误差的影响因素；步骤2：评定大型高速回转装备真实加工误差，并获得未经调心调倾时加工误差对应的影响因素的测量数据；步骤3：将各加工误差的影响因素归一化处理后的数据作为各网络输入，各加工误差作为各网络输出，同时按照一定比例将数据分为训练集和测试集；步骤4：分别构建各加工误差的深度置信预测神经网络，实现自动消偏消倾，并通过测试集进行验证。传统单级大型高速回转装备的加工误差测量方法需进行复杂的调心调倾过程，本发明利用深度学习强大的数据内部特征机理，提出一种基于深度置信神经网络的大型高速回转装备消偏消倾方法。
-
公开(公告)号：CN111178425B
公开(公告)日：2022-11-29
申请号：CN201911367243.8
申请日：2019-12-26
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于卷积神经网络的大型高速回转装备面型分类方法，所述分类方法包括以下步骤：采集调心调倾后大型高速回转装备轴向测量面的跳动量数据，对所述跳动量数据进行高斯滤波，进行人工标注；将滤波后的数据归一化到0‑255像素值内，并转化为矩阵结构形式，将结构形式数据转换为灰度图；将数据集按照合适的比例分为训练集和测试集；搭建卷积神经网络；根据所述训练集分类效果对卷积神经网络超参数进行训练，并利用训练完毕的卷积神经网络对测试集装备面型进行分类。本发明通过学习数据的深层特征进行分类，分类准确性高，客观性更强。且该方法分类速度快，可提高多级装备装配效率，具有良好的推广应用价值。
-
公开(公告)号：CN111178425A
公开(公告)日：2020-05-19
申请号：CN201911367243.8
申请日：2019-12-26
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种基于卷积神经网络的大型高速回转装备面型分类方法，所述分类方法包括以下步骤：采集调心调倾后大型高速回转装备轴向测量面的跳动量数据，对所述跳动量数据进行高斯滤波，进行人工标注；将滤波后的数据归一化到0-255像素值内，并转化为矩阵结构形式，将结构形式数据转换为灰度图；将数据集按照合适的比例分为训练集和测试集；搭建卷积神经网络；根据所述训练集分类效果对卷积神经网络超参数进行训练，并利用训练完毕的卷积神经网络对测试集装备面型进行分类。本发明通过学习数据的深层特征进行分类，分类准确性高，客观性更强。且该方法分类速度快，可提高多级装备装配效率，具有良好的推广应用价值。
-
公开(公告)号：CN111160642A
公开(公告)日：2020-05-15
申请号：CN201911367235.3
申请日：2019-12-26
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于PSO-BP神经网络的大型高速回转装备同轴度预测方法。步骤1：数据处理；步骤2：将步骤1归一化处理后的各级大型高速回转装备的数据进行整合，作为输入量；步骤3：构建PSO-BP神经网络模型；步骤4：利用神经网络的隐含层神经元个数、学习率以及L2正则化系数；步骤5：将隐含层神经元个数、学习率以及L2正则化系数代入BP神经网络中，获得最优BP网络结构；步骤6：输入测试集数据得到测试集所对应的装配后多级装备同轴度预测值。本发明借助PSO-BP神经网络，综合考虑拧紧力矩对大型高速回转装备装配结合面影响以及多级装备间几何误差传递效果，对装配后多级装备同轴度预测效果较理想。
-
-
-
Search Results
4
records
(took 0.021 seconds)
