公开(公告)号：CN102880771B

公开(公告)日：2014-12-03

申请号：CN201210426876.3

申请日：2012-10-31

Applicant: 贵州大学

Inventor： 孙明伟 ,  龚敏庆 ,  周胜 ,  黄敏 ,  金明仲 ,  罗钢

IPC: G06F17/50

Abstract: 本发明公开了一种高速切削加工中工件表面粗糙度的预测方法，包括以下步骤，步骤一、确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数，作为RBF的输入和输出；并测量收集相应样本数据作为网络的学习样本和训练样本；步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练；步骤三、根据松弛误差公式，利用测试组对步骤二训练后的模型进行测试，选择出符合精度要求的模型，从而提高模型的预测精度，并减小预测误差的波动，以提高模型的拟合预测能力；利用精度满足要求的模型对高速切削加工中工件表面粗糙度进行预测。

公开(公告)号：CN103678825A

公开(公告)日：2014-03-26

申请号：CN201310737959.9

申请日：2013-12-30

Applicant: 贵州大学

Inventor： 李强 ,  龚敏庆 ,  周胜 ,  金明仲 ,  黄敏 ,  罗钢 ,  刘淼

IPC: G06F17/50

Abstract: 本发明公开了一种磨床立柱结构的优化方法，包括如下步骤：1）建立磨床立柱三维图模型；2）将建立好的磨床立柱的三维图模型导入ANSYS软件中进行的网格化分；3）将步骤2）分出的节点分别用一阶与二阶摄动随机有限元法分析出个节点的可靠度并找出不可靠节点；4）对步骤3）中找出的不可靠节点进行优化，并重复步骤2、步骤3、步骤4直到磨床立柱结构可靠度明显提高。本发明将将随机分析方法与确定性有限元相结合，形成了基于随机有限元法的磨床立柱结构优化方法，它克服生产过程中的随机性因素，能设计出可靠较高的磨床立柱结构方案，从而提高产品性能。

公开(公告)号：CN102930337B

公开(公告)日：2015-08-19

申请号：CN201210427270.1

申请日：2012-10-31

Applicant: 贵州大学

Inventor： 孙明伟 ,  龚敏庆 ,  周胜 ,  黄敏 ,  金明仲 ,  罗钢

IPC: G06N3/08

Abstract: 本发明公开了一种切削加工中切削用量的预测方法，其特征在于：步骤一、选择切削加工中的控制参数作为模型的输入；测定实际切削样本数据用于模型训练和测试；步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练；（使模型在一个足够大的分布密度范围内，选择出使模型对测试样本的拟合误差平均幅值最小的分布密度）这个是一个不确定的范围，需要用具体可指的数值来表达。本发明使RBF神经网络模型在一个足够大的分布密度范围内分别利用训练样本数据进行学习训练，然后用训练后的网络模型对测试样本进行预测，根据计算结果，选择出使模型的误差平均幅值最小的分布密度值，这样模型的拟合预测误差最小，从而使模型的拟合预测能力最优，其训练速度快且预测精度高。

公开(公告)号：CN102930337A

公开(公告)日：2013-02-13

申请号：CN201210427270.1

申请日：2012-10-31

Applicant: 贵州大学

Inventor： 孙明伟 ,  龚敏庆 ,  周胜 ,  黄敏 ,  金明仲 ,  罗钢

IPC: G06N3/08

Abstract: 本发明公开了一种切削加工中切削用量的预测方法，其特征在于：步骤一、选择切削加工中的控制参数作为模型的输入；测定实际切削样本数据用于模型训练和测试；步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练；（使模型在一个足够大的分布密度范围内，选择出使模型对测试样本的拟合误差平均幅值最小的分布密度）这个是一个不确定的范围，需要用具体可指的数值来表达。本发明使RBF神经网络模型在一个足够大的分布密度范围内分别利用训练样本数据进行学习训练，然后用训练后的网络模型对测试样本进行预测，根据计算结果，选择出使模型的误差平均幅值最小的分布密度值，这样模型的拟合预测误差最小，从而使模型的拟合预测能力最优，其训练速度快且预测精度高。

公开(公告)号：CN102880771A

公开(公告)日：2013-01-16

申请号：CN201210426876.3

申请日：2012-10-31

Applicant: 贵州大学

Inventor： 孙明伟 ,  龚敏庆 ,  周胜 ,  黄敏 ,  金明仲 ,  罗钢

IPC: G06F17/50

Abstract: 本发明公开了一种高速切削加工中工件表面粗糙度的预测方法，包括以下步骤，步骤一、确定高速切削加工中所需测量的影响加工工件表面粗糙度的切削参数，作为RBF的输入和输出；并测量收集相应样本数据作为网络的学习样本和训练样本；步骤二、建立RBF神经网络模型，利用相应的样本数据对模型进行学习训练；步骤三、根据松弛误差公式，利用测试组对步骤二训练后的模型进行测试，选择出符合精度要求的模型，从而提高模型的预测精度，并减小预测误差的波动，以提高模型的拟合预测能力；利用精度满足要求的模型对高速切削加工中工件表面粗糙度进行预测。