公共文化服务平台

搜索到5759篇“ 表面粗糙度预测“的相关文章

一种基于改进k近邻算法WAAM零件表面粗糙度预测方法: 本发明公开了一种基于改进k近邻算法WAAM零件表面粗糙度预测方法，这个方法包括两个步骤：首先，通过设计WAAM打印机打印不同参数的试样并测量试样表面粗糙度，其中主要参数包括焊接速度、重叠比、进线速度，建立原始数据集并训练...; 黄美发靳尚坤李佳琦

基于敏感因素选择与残差网络的表面粗糙度预测: 2025年; 为了对切削加工件的表面粗糙度进行预测,避免原材料浪费,提出一种基于敏感因素选择与残差网络(ResNet)的表面粗糙度预测方法。该方法首先分析切削系统中不同采样通道的振动信号与表面粗糙度之间的相关性确定敏感信号,然后利用小波包分解将敏感信号分解为不同频段的小波包系数并经过相关性分析选择敏感频段,最后融合各敏感频段的小波包系数构成系数矩阵作为ResNet的输入参数。结果表明,基于敏感因素选择与ResNet的预测方法的相对百分比误差不超过5.8%,均方根误差为0.0159,平均绝对误差为0.0133,决定系数为0.9148。通过与多层前馈网络、支持向量机、卷积神经网络对比证明,所提方法的预测精度具有优越性。; 史丽晨邵献忠王海涛豆卫涛; 关键词：小波包分解表面粗糙度

轮廓铣削表面粗糙度预测及工艺参数增效优化: 2025年; 在轮廓铣削中,为满足质量要求并提高加工效率,提出一种基于轮廓曲率特征的工艺参数优化方法。考虑轮廓曲率特征对加工质量的影响,分别设计了直线、凸弧和凹弧的铣削正交试验,以获取在不同轮廓曲率下的表面粗糙度数据。基于试验结果,利用雪消融优化(snow ablation optimizer,SAO)算法改进的BP(back propagation)神经网络,分别建立直线、凸弧及凹弧铣削的表面粗糙度预测模型。以表面粗糙度与材料去除率为优化目标,构建轮廓铣削工艺参数的多目标优化模型,并运用NSGA-II(non-dominated sorting genetic algorithm II)算法进行求解,获得不同轮廓铣削方式下,满足规定粗糙度要求并最大化材料去除率的铣削工艺参数。将所提出的优化方法应用于实际轮廓加工,结果表明,各轮廓区域的粗糙度均能满足质量要求,且加工效率平均提升了17.1%。; 高熠唐源斌黄晓燕鲁娟马俊燕; 关键词：表面粗糙度神经网络材料去除率参数优化

基于RBF与SVM算法的CFRP铣削表面粗糙度预测: 2025年; 为了研究刀具结构对CFRP材料铣削表面质量的影响,进而为刀具设计提供依据,设计了刀具参数与CFRP铣削表面粗糙度之间的正交试验。基于正交试验数据,分别利用径向基函数神经网络和支持向量机学习算法建立了刀具参数与铣削表面粗糙度之间的预测模型,并对模型进行了训练、测试与验证。结果发现,基于支持向量机学习算法建立的模型预测精度较高。文中建立的预测模型可以为刀具参数变化时,预测CFRP材料铣削表面质量提供参考和依据。; 赵德中李锋刘维伟; 关键词：径向基函数神经网络支持向量机学习算法 CFRP

利用改进卷积神经网络的螺杆砂带磨削表面粗糙度预测: 2025年; 为便捷、准确地预测磨削后螺杆转子的表面粗糙度,提出了一种基于自注意力卷积神经网络(SA-CNN)的磨削曲面粗糙度测量方法。通过正交试验获得螺杆转子的表面粗糙度以及粗糙度数值对应位置的表面图像,图像经自适应直方图均衡化、反锐化掩蔽等预处理后作为训练样本输入SA-CNN模型中。采用SA-CNN模型对磨削后的螺杆转子表面粗糙度值进行预测,并与经典网络ResNet、AlexNet、VGG-16、基础CNN以及图神经网络GNN预测结果进行对比。试验结果表明,SA-CNN模型的平均预测精度达到95.24%,均方根误差(RMSE)为0.0706μm,平均绝对百分比误差(MAPE)为7.4206%,均优于对比网络,且模型收敛较快,表现出较高的精度和良好的鲁棒性。; 杨赫然张培杰孙兴伟孙兴伟刘寅; 关键词：表面粗糙度卷积神经网络正交试验

一种选区激光熔融增材制造零件的表面粗糙度预测方法: 本发明公开了一种选区激光熔融增材制造零件的表面粗糙度预测方法，属于增材制造技术领域，该方法首次根据打印工件的倾斜方向与刮刀刮涂方向之间的关系，构建了不同的粗糙度预测模型，提高了SLM工艺制备工件表面粗糙度的预测精度，构建...; 陈一鸣李俊杰刘凯凯石凯凯吕彬炜王锦程王志军

一种基于群智能搜索算法优化BP神经网络的表面粗糙度预测方法: 本发明涉及一种基于群智能搜索算法优化BP神经网络的表面粗糙度预测方法，包括1)构建神经网络；2)划分训练集和测试集；3)训练神经网络；4)根据训练结果确定最佳隐含层节点数；5)利用群智能搜索算法优化神经网络的权值和阈值；...; 何改云范译华谭智王偲潼

基于改进BP神经网络的激光选区熔化表面粗糙度预测: 2025年; 为提升激光选区熔化表面粗糙度预测的精确度,提出改进BP神经网络模型。首先依据参数建立指数模型,利用灰色关联度分析各因素,求解获得各因素的指数值;然后建立BP神经网络模型,改进粒子群算法优化包括自适应惯性权重更新和动态调节学习因子,同时指数模型预测结果作为特征输入到BP神经网络模型;最后给出算法流程。实验显示,改进BP神经网络在较少的隐含层节点下达到了更低的平均相对误差,激光选区熔化表面粗糙度预测更接近真实值,改进BP神经网络决定系数相比EM、BPNN、GABPNN分别提升了6.40%、1.14%、0.07%,均方根误差相比EM、BPNN、GABPNN分别降低了0.0363、0.0627、0.0668,评价指标较优。; 丁燕王磊王远; 关键词：BP神经网络粗糙度粒子群

热防护材料表面粗糙度预测方法、装置、设备和存储介质: 本申请提供一种热防护材料表面粗糙度预测方法、装置、设备和存储介质，用于计算机视觉技术领域。该方法包括：获取数据集；其中，数据集包括基于热化学烧蚀理论模型和有限体积法模拟三维碳‑碳复合材料表面烧蚀形貌特征所构造的多个二维表...; 梁军尚童葛敬冉杨晶马晓刚赵瑞

考虑切削力影响的旋风铣削螺纹工件表面粗糙度预测方法: 本发明公开了一种考虑切削力影响的旋风铣削螺纹工件表面粗糙度预测方法，根据旋风铣削的断续多刃成形的加工特点，在刀具‑工件接触运动分析的基础上，建立了工件表面残留高度模型；考虑由切削力产生的弹塑性变形的影响，基于摩擦磨损计算...; 刘超黄尊鹏郑娟娟黄绍服李君

相关作者