本文關(guān)鍵詞：混合型RBM在結(jié)合面接觸模型中的應用　出處：《計算機集成制造系統(tǒng)》2016年10期 　論文類型：期刊論文

  更多相關(guān)文章： 動態(tài)學習 混合型約束玻爾茲曼機 分形理論 結(jié)合面

【摘要】：為了預測不同加工方式下的表面形貌參數(shù),提出一種基于混合型約束玻爾茲曼機(RBM)的表面形貌參數(shù)預測方法,針對RBM泛化能力較低、且固定的訓練率不利于網(wǎng)絡(luò)跳出極小點的問題,應用稀疏自動編碼機實現(xiàn)預測數(shù)值的特征提取,設(shè)計混合型RBM神經(jīng)網(wǎng)絡(luò)預測出表面形貌參數(shù)值。在無監(jiān)督訓練中,利用一種動態(tài)學習率法則改進網(wǎng)絡(luò)來提高特征向量映射的準確度,為了提高無監(jiān)督學習階段的訓練速度,使用對比分散準則快速訓練神經(jīng)網(wǎng)絡(luò),通過混合型RBM訓練模型任意輸入加工參數(shù)即可獲得結(jié)合面的表面形貌參數(shù)。為了將結(jié)合面參數(shù)直接應用于工程,基于表面形貌參數(shù)、采用分形理論推導了接觸模型應用的實現(xiàn)過程,將結(jié)合面微觀狀態(tài)不均勻載荷下各節(jié)點的剛度、阻尼值植入有限元模型,最終通過與相同試件的實驗值對比,驗證了結(jié)合面實現(xiàn)方法的正確性,為數(shù)控機床結(jié)構(gòu)優(yōu)化與精度提高提供了基礎(chǔ)。
[Abstract]:In order to improve the accuracy of feature vector mapping based on hybrid RBM training model , a dynamic learning rate rule is used to improve the accuracy of feature vector mapping . In order to improve the training speed of the non - supervised learning stage , a dynamic learning rate rule is used to improve the accuracy of the surface topography parameter . In order to improve the training speed of the non - supervised learning stage , the stiffness and damping value of each node under the non - uniform load of the combined surface are applied to the finite element model .

【作者單位】： 北京工業(yè)大學先進制造技術(shù)北京市重點實驗室;遼寧工程職業(yè)學院科研處;
【分類號】：TG659
【正文快照】： 0引言高強栓接是數(shù)控機床結(jié)構(gòu)件固定連接的主要形式,其結(jié)合部的動靜態(tài)特性是影響重型數(shù)控機床精度與可靠性的關(guān)鍵,研究表明:結(jié)合部對機床整機性能的影響表現(xiàn)為使機床整體剛度降低和阻尼增加,機床剛度中的30%~50%決定于結(jié)合部的剛度特性,機床阻尼的90%以上來源于結(jié)合部[1]。結(jié)，

本文編號：1383084