-
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：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：CN116861793A
公开(公告)日：2023-10-10
申请号：CN202310867275.4
申请日：2023-07-14
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06N3/006 , G06N3/0442 , G06N3/08 , G06F119/08
Abstract: 一种鹈鹕算法优化长短期记忆网络主轴热误差建模方法，属于电主轴热误差分析领域。方法主要步骤为：确定长短期记忆神经网络各个权重参数的初始值、偏置参数的初始值、细胞状态的初始值与隐藏状态的初始值；输入测试集数据，随机生成鹈鹕个体作为初始群体；对长短期记忆神经网络参数寻优，设置最大迭代次数与适应度；将鹈鹕个体应用于长短期记忆神经网络，计算其在训练数据上的适应度；将训练集与测试集导入优化后的长短期记忆神经网络模型，运用训练集对鹈鹕算法优化长短期记忆神经网络模型进行训练，并对测试集进行预测；计算预测结果与真实值之间的预测评价指标，评估长短期记忆神经网络模型的性能和预测准确度。该方法预测精度高、鲁棒性高。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN117905803A
公开(公告)日：2024-04-19
申请号：CN202410105655.9
申请日：2024-01-25
Applicant: 哈尔滨理工大学
Abstract: 一种电主轴前、后轴承室的散热结构及其制备方法，属于超精密加工技术领域，具体方案如下：一种电主轴前、后轴承室的散热结构，在电主轴前轴承室内侧壁上和后轴承室内侧壁上均设置有阵列排布的棱柱体微结构，所述棱柱体的横截面积为菱形，所述菱形的锐角为55‑65°，钝角为115‑125°。本发明的结构增大了传热面积、表面粗糙度，同时也提高了表面的辐射发射率，从而增大了电主轴主要生热部位前、后轴承的散热效果，从而降低电主轴的热误差。
-
公开(公告)号：CN117113845A
公开(公告)日：2023-11-24
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：CN118862631A
公开(公告)日：2024-10-29
申请号：CN202410848728.3
申请日：2024-06-27
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06F18/24 , G06F18/214 , G06N3/0442 , G06N3/006 , G06N3/048 , G06N3/084 , G06F17/18
Abstract: 本发明公开了一种基于MRFO优化LSTM神经网络的复合微结构表面接触角建模方法，所述方法包括如下步骤：一：建立电火花线切割单脉冲放电热‑流耦合仿真模型与凹坑‑凸起复合微结构表面润湿性能数值计算模型，得出不同放电参数下的凹坑‑凸起复合微结构并计算其接触角度；二：对数据进行收集分析、标准化处理；三：构建LSTM模型；四：采用MRFO对LSTM模型的结构参数进行优化；五：训练LSTM模型；六：评估模型性能；七：验证LSTM模型的性能、预测精度和鲁棒性；八：分析不同电火花放电参数对表面接触角的影响。该方法能够有效地处理序列数据并实现更准确的分类预测，具有高预测精度与鲁棒性的特点。
-
公开(公告)号：CN118780161A
公开(公告)日：2024-10-15
申请号：CN202410848805.5
申请日：2024-06-27
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06F18/24 , G06F18/214 , G06N3/0442 , G06N3/0464 , G06N3/006 , G06N3/048 , G06N3/08 , G06F17/18
Abstract: 本发明公开了一种基于WOA优化CNN‑BiLSTM‑Attention组合模型的复合微结构表面接触角建模方法，所述方法包括如下步骤：一：建立电火花线切割单脉冲放电热‑流耦合仿真模型与凹坑‑凸起复合微结构表面润湿性能数值计算模型，得出不同放电参数下的凹坑‑凸起复合微结构并计算其接触角度；二：对数据进行收集分析、标准化处理；三：设计CNN‑BiLSTM‑Attention组合模型；四：采用WOA对模型的超参数进行优化；五：训练模型；六：评估模型性能；七：验证模型的性能、预测精度和鲁棒性；八：分析不同电火花放电参数对凹坑‑凸起复合微结构表面接触角的影响。该方法具有高预测精度与鲁棒性的特点。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.017 seconds)
