【摘要】：為了誤差評定、有限元分析及加工制造的需要,對全方位輪螺旋滾子的逆向重構(gòu)進(jìn)行了研究。首先,對螺旋滾子進(jìn)行了三坐標(biāo)測量,并對采集的數(shù)據(jù)進(jìn)行了預(yù)處理;然后,分析了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的原理,并在MATLAB軟件中利用該原理建立了神經(jīng)網(wǎng)絡(luò)模型,對滾子外輪廓線進(jìn)行了曲線重構(gòu),據(jù)此生成外輪廓曲面,最終在Pro/E中構(gòu)建了滾子的三維實體模型。該模型為其后續(xù)的有限元分析、精度檢測及加工制造等都奠定了良好的基礎(chǔ)。
【圖文】：

長，測量下一高度的截面輪廓點。以此類推，總共測得318個點的坐標(biāo)。實踐證明，該測量方式不僅精度高，而且便于操作。由于測量方式、測量系統(tǒng)等存在誤差，使測量數(shù)據(jù)失真，因此在進(jìn)行模型重構(gòu)前，需要對測量數(shù)據(jù)進(jìn)行過濾、平滑以及半徑補(bǔ)償?shù)阮A(yù)處理［17］。保存預(yù)處理后的數(shù)據(jù)，以備后續(xù)處理。圖1螺旋滾子表面的三坐標(biāo)測量3螺旋滾子外輪廓的曲線重構(gòu)曲線重構(gòu)是模型重構(gòu)的前提和必要條件。根據(jù)螺旋滾子的曲線特征和實驗數(shù)據(jù)的精度要求，選擇ＲBF神經(jīng)網(wǎng)絡(luò)法進(jìn)行曲線重構(gòu)。利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性逼近能力進(jìn)行散亂點的曲線重構(gòu)，將會使模型具有很高的逼近精度，而且還具有一定的平滑和抗噪性能。3.1ＲBF神經(jīng)網(wǎng)絡(luò)模型圖2所示為ＲBF神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。圖2ＲBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)ＲBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層三層組成。其中，輸入向量為X=(x1，x2，…，xi，…，xn)，節(jié)點數(shù)為n，隱含層向量為O=(x1，x2，…，xi，…，xh)，節(jié)點數(shù)為h，輸出層向量為Y=(y1，y2，…，yi，…，ym)，，節(jié)點數(shù)為m。由于高斯(Gaussian)基函數(shù)具備表示形式簡單、徑向?qū)ΨQ、光滑性好、易于進(jìn)行理論分析等優(yōu)點［18］，因此，隱含層的核函數(shù)選用高斯分布函數(shù)做徑向基函數(shù)，其形式［19］為鐖i(t)=exp(－t2δ2i)，(i=1，2，…，h)(1)式中，δi為第i個基函數(shù)方差，又稱寬度參數(shù)(或平滑因子)，決定該基函數(shù)圍繞中心點的寬度，即函數(shù)圖形的大致形狀，t為范數(shù)。則隱含層第j個節(jié)點的輸出為oj=Ｒ(x－cj)=exp(－x－cj22δ2i)，(j=1，2，…，n)(2)式中，Ｒ(·)為ＲBF神經(jīng)網(wǎng)絡(luò)，具有多種形式，體現(xiàn)了ＲBF網(wǎng)絡(luò)的非線性映射能力。cj為第j個隱含?

誆僮鰲?由于測量方式、測量系統(tǒng)等存在誤差，使測量數(shù)據(jù)失真，因此在進(jìn)行模型重構(gòu)前，需要對測量數(shù)據(jù)進(jìn)行過濾、平滑以及半徑補(bǔ)償?shù)阮A(yù)處理［17］。保存預(yù)處理后的數(shù)據(jù)，以備后續(xù)處理。圖1螺旋滾子表面的三坐標(biāo)測量3螺旋滾子外輪廓的曲線重構(gòu)曲線重構(gòu)是模型重構(gòu)的前提和必要條件。根據(jù)螺旋滾子的曲線特征和實驗數(shù)據(jù)的精度要求，選擇ＲBF神經(jīng)網(wǎng)絡(luò)法進(jìn)行曲線重構(gòu)。利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性逼近能力進(jìn)行散亂點的曲線重構(gòu)，將會使模型具有很高的逼近精度，而且還具有一定的平滑和抗噪性能。3.1ＲBF神經(jīng)網(wǎng)絡(luò)模型圖2所示為ＲBF神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。圖2ＲBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)ＲBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層三層組成。其中，輸入向量為X=(x1，x2，…，xi，…，xn)，節(jié)點數(shù)為n，隱含層向量為O=(x1，x2，…，xi，…，xh)，節(jié)點數(shù)為h，輸出層向量為Y=(y1，y2，…，yi，…，ym)，節(jié)點數(shù)為m。由于高斯(Gaussian)基函數(shù)具備表示形式簡單、徑向?qū)ΨQ、光滑性好、易于進(jìn)行理論分析等優(yōu)點［18］，因此，隱含層的核函數(shù)選用高斯分布函數(shù)做徑向基函數(shù)，其形式［19］為鐖i(t)=exp(－t2δ2i)，(i=1，2，…，h)(1)式中，δi為第i個基函數(shù)方差，又稱寬度參數(shù)(或平滑因子)，決定該基函數(shù)圍繞中心點的寬度，即函數(shù)圖形的大致形狀，t為范數(shù)。則隱含層第j個節(jié)點的輸出為oj=Ｒ(x－cj)=exp(－x－cj22δ2i)，(j=1，2，…，n)(2)式中，Ｒ(·)為ＲBF神經(jīng)網(wǎng)絡(luò)，具有多種形式，體現(xiàn)了ＲBF網(wǎng)絡(luò)的非線性映射能力。cj為第j個隱含層節(jié)點的中心，其為與x同維的向量，x－cj為向量x－Cj的范數(shù)，表示x與Cj間的距離。網(wǎng)絡(luò)輸出層為隱?
【作者單位】： 軍事交通學(xué)院;
【基金】：天津市科技支撐重點項目(12ZCZDGX02200)
【分類號】：TH133;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 張?zhí)霼

本文編號：2552983