基于人工神经网络的施釉机器人釉料厚度沉积率建模与预测

合集下载

基于人工神经网络的釉料厚度沉积率模型拟合软件模块的开发与实现

程中工件釉料厚度的精确性和均匀性，以釉料厚度沉积率模型为研究对象，采用ＭＦＣ开发了釉料厚度沉积率模型软件功能模块。提出基于神经网络算法拟合沉积模型方案；利用ＣＭ形式的ＶＯＣ与ＭＡＴＬＡＢ的混合编程实现模型拟合、模型分析功能；设计动
态链接库，使模型拟合结果产生ｗｒ报表。通过试验进行试验验证，ｏｄ结果表明，其最大误差在５ｍ范围之内，ｕ从而验证了模型的
工具编程实现，利用ＭＡＡＢｍｃ译器把该部并ＴＬｃ编
是贿圆长短轴长度。Ｂ、。１分别是长、３短轴上的分布参数。当１＝且１ ≠１３ｌ３或者１＝且１ ≠ｌ即３１３２时（１和１有一个等于ｌ但不能同时为１，３３，）釉膜图幅形状就是圆形；除此之外，釉膜图幅形状就是椭圆形。该模型是以釉枪模型为椭锥体作研究对象，涵盖了椭锥及圆锥两种釉枪模型情况，比单１３模型更具有合
公式（中表示的是釉枪施釉作业沉积在某平面１）
坯体上的椭圆釉膜图幅。ｑｘｙ是椭圆图幅内厚度分（，）布函数，一是釉枪中心轴线在工件投影点的釉膜厚ｑ度，点获得的厚度是整个图幅内最大的。ａｂ分别该，
化编程难度，采用ＭＡＬＢ遗传算法工具箱和图形ＴＡ
正确性和有效性。软件界面友好，符合工程实际，提出的方法有助于提高施釉机器人釉料厚度的控制精度，为后续的陶瓷自动施釉
离线编程轨迹规划的软件编程和仿真实现提供了具体可操作的模型依据与方法指导。关键词机器人，釉料厚度沉积率模型，，网络，施釉神经混合编程

一种基于神经网络的荧光油膜灰度与厚度建模方法[发明专利]

专利名称：一种基于神经网络的荧光油膜灰度与厚度建模方法专利类型：发明专利
发明人：董秀成,钱泓江,古世甫,王超
申请号：CN202011493055.2
申请日：20201217
公开号：CN112560346A
公开日：
20210326
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于神经网络的荧光油膜灰度与厚度建模方法，包括：步骤1，采集荧光油膜灰度与厚度数据。

步骤2，训练BP神经网络模型，对BP神经网络模型进行结构搭建。

步骤3，精度检验，调整训练次数，重复步骤2；若1)效果不优，则网络结构，再调整训练次数，重复步骤2；最终形成BP神经网络结构；本发明的优点是：节约了大量成本和时间，操作方便简单，对精确解算空气摩擦阻力值具有重大军事和经济意义。

申请人：西华大学
地址：610039 四川省成都市金牛区土桥金周路999号
国籍：CN
代理机构：成都方圆聿联专利代理事务所(普通合伙)
代理人：苟铭
更多信息请下载全文后查看。

基于BP人工神经网络的Al2O3-13%TiO2复合陶瓷涂层厚度预测

基于BP人工神经网络的Al2O3-13%TiO2复合陶瓷涂层厚度预测时礼平;吴玉国;迟开红;陈彬;吴胜【期刊名称】《粉末冶金材料科学与工程》【年(卷),期】2013(000)005【摘要】电刷镀制备Al2O3-13%TiO2(AT13)复合陶瓷涂层是1个多参数耦合的非线性过程。

在分析工艺参数对涂层厚度影响的基础上，通过实验采集样本，建立预测涂层厚度的误差反向传播(back propagation, BP)人工神经网络模型。

为验证人工神经网络预测模型的准确性，将该模型的预测结果与多元线性回归模型(multiple linear regression model, MLR)的预测结果进行对比。

结果表明：与传统多元线性回归模型相比，人工神经网络模型能捕捉工艺参数的非线性规律，能更好地预测涂层厚度，拟合优度R2达到0.86，模型具有较强的泛化能力和自适应能力，为实现电刷镀制作过程中涂层厚度的实时预测与控制提供参考。

【总页数】6页(P621-626)【作者】时礼平;吴玉国;迟开红;陈彬;吴胜【作者单位】安徽工业大学机械工程学院，马鞍山 243032;安徽工业大学机械工程学院，马鞍山 243032;马鞍山市博望区科技局，马鞍山 243131;安徽工业大学机械工程学院，马鞍山 243032;安徽工业大学机械工程学院，马鞍山 243032【正文语种】中文【中图分类】TG148【相关文献】1.基于BP人工神经网络的预测模型在基坑变形预测中的应用 [J], 曹静;鞠晓;师庆峰2.Al2O3-13％TiO2复合陶瓷涂层厚度的电刷镀参数敏感性分析 [J], 时礼平;吴玉国;张金超;张沪东3.BP人工神经网络反演在煤层厚度预测中的应用 [J], 王磊;郭良红;张健;张超4.基于BP人工神经网络的改进广义预测控制的电网负荷预测 [J], 陈晶; 周斌5.基于正交实验与回归分析的机载共形天线吸波涂层厚度预测 [J], 张庆军;谢颖;吴松因版权原因，仅展示原文概要，查看原文内容请购买。

基于GRNN神经网络的中厚板轧机厚度预测

基于GRNN神经网络的中厚板轧机厚度预测郭斌;孟令启;杜勇;马生彪【摘要】According to the measured data of rolled 45 steel obtained from 4200 medium plate mill, a GRNN neural network prediction model was established by Matlab neural network toolbox. By analyzing the results, GRNN neural network model can predict the thickness well, and it has very small relative error. Compared with BP network and Elman network, GRNN network can improve its accuracy and stability to some extent.%根据4200轧机轧制45号钢的实测数据,利用Matlab神经网络工具箱,建立中厚板轧机厚度预测的GRNN神经网络模型.研究结果表明;GRNN神经网络模型能较好地预测轧件厚度的变化,相对误差很小;与BP网络和Elman网络模型相比,GRNN网络模型具有更高的精度和更强的稳定性.【期刊名称】《中南大学学报（自然科学版）》【年(卷),期】2011(042)004【总页数】6页(P960-965)【关键词】GRNN神经网络;中厚板;厚度预测【作者】郭斌;孟令启;杜勇;马生彪【作者单位】郑州大学机械工程学院,河南郑州,450001;郑州大学机械工程学院,河南郑州,450001;郑州大学机械工程学院,河南郑州,450001;郑州大学机械工程学院,河南郑州,450001【正文语种】中文【中图分类】TP18中厚板轧件的厚度精度是轧件重要的质量指标之一[1-2]，厚度控制的实质是对轧机辊缝进行控制[3]。

基于岩控的人工神经网络在渗透率预测中的应用

基于岩控的人工神经网络在渗透率预测中的应用
周金应桂碧雯李茂林闻
（．中海石油（国）限公司湛汀分公司广东湛江１中有５４５；２雪佛龙德士古（国）源公司北京１００）２０７中能００４
第３１卷
第６期
石
油
学
报
Ｖｏ１３１Ｎｏ１月
ＡＣＴＡＰＥＴＲＯＬＥＩＳＩＩＮＣＡ
文章编号：０５ —６７（０Ｏ０一９５０２３２９２１）６Ｉ８—４）
Ａｎａｐｌｃｔｏｆｔｅａｔｆｃａｕａｅｍｉｔｄｂｉｈｌｇｏｐｉａｉｎｏｈｒｉｉｉｌｎｅｒｌｎｔｄｏｎａｅｙｌｔｏｏｙｔｐｅｍｅｂｌｔｒｄｃｉｎｒａｉｉｙｐｅｉｔｏ
Ａｂｔａｔｓｒｃ：Ｐｅｍｅｂｉｉｙｉｎｅｏｈｅｍｏｓｍｐｏｔｎｒｍｅｅｓｉｅｅｖｒｅｔｍａｉｎ．ｍｐａｅｔｈａｃａｔｄｒｓｔｂｙｔａ — ｒａｌｔｓｏｆｔｔｉｒａｔｐａａｔｒｎｒｓｒｏｉｓｉｔｏＣｏｒｄｗｉｈｔｅｃｌｕｌｅｅｕｌｒｄｉｔｏｌｅｅｉｅｔｌｏｔｉｔｃｌｍｏｄｌ，ｈｅＢＰｕｒｌｎｅｏｌｃｎｍｏｒｃｕｒｅｙｐｒｄｉｔｐｅｍｅｂｉｔｃｓｔｇｎｉｎａｘｐｒｍｎａｒｓａｔｓｉａｅｓｔｎｅａｔｍｄｅａｅａｃａｔｌｅｃｒａｌｙｂｅａｕｅｏｆｉｓｈｉｈｏｎｌｉｉｎｅｒｍａｎｇａｌｙａｄｖｒｔｏｎｇａｌｔｅｅｆａｐａｉｎａｎｅｆｓｕ．Ｔｈｅｐｅｅａｐｒｅｔｂｌｓｄａｎａｐｐｉｂｉｉｎｅｙｓｒｔｂｉｉｉｓｏｆｓｌ— ｄａｔｔｏｄｓｌｔｄｙｒｓｎｔｐｅｓａｉｈｅｏｎｌｎａｏｄｌａｏｉｅｒｍｅｍｎｇｒｓｒｏｒｐｒｅｔｒｍｅｅｓ，ｏｇｎｇｒｓｏｎｓｎｄ１ｔｏｙｉｐｒｉｈｏｅｎｉａｌＢＰｍｏｄｌｉｅｐｐｙｎｈｅｑｎｔｔｔｖｅｅｅｖｉｏｐｒｙｐａａｔｒｌｇｉｅｐｅａｉｈｏｌｇｙｂｍｏｖｎｇｔｅｃｎｖｔｏｎｅ，．．ａｌｉｇｔｕａｉａｉ

陶瓷喷釉机器人釉料厚度沉积模型的研究进展

和，换不同的卢取值，可以得到不同的变就
当１时，积模型为椭圆分布规律；．５沉当２时，合规则平面单个图幅的釉料沉积模型，实现平面釉膜质量，单个釉料沉积模型，为对沉积分布模型为抛物线形；当口取更大值时，而为高斯分布。图２面片的运枪速率、喷枪距离工件的垂直高度及图幅的搭接距离进行
ｘ０＝ｗ８ｎ时ａｒ优化：曲面分片后，片上优化后的搭接距离ｄ值和喷枪速率ｖ值表示了Ｂ１０ｍ、＝０ｉ，取不同值时釉料沉积厚度的每
都应保持不变，为了保证两片交界处涂层厚度的均匀性，但接近交界变化关系。
Ｈ０ｎｎａＹｉａｎｅａＱｙ
ｌ
陶瓷喷釉机器人釉料厚度沉积模型的研究进展
洪超冯浩于盛睿黄志诚
（景德镇陶瓷学院，西景德镇３３０）江３００
摘
要：对喷釉机器人的基本思路进行了介绍，并阐述了当前施釉机器人釉料厚度沉积率模型的研究进展情况。
其中，ｗ２ ≤ ２上式中ｒ是平面工件上喷锥图幅内一／ ≤ｘ／；）
１喷釉机器人轨迹规划基本思路
离线编程软件技术基本构架包括曲面重构和轨迹规划２大模
块。其基本思路是：首先由ＣＤ软件完成对自由曲面的造型，Ａ并将其划分为三角形有限元网格，得ＳＬ格式的文件，开发的专用获Ｔ在

基于BP神经网络的新零件材料消耗定额预测方法研究

本文运用 B P 神经网络对新零件材料消耗定额预测的新方法 ,即通过对影响零件材料消耗的主要因素进行处理 ,用已知的试验数据对网络进行学习训练 ,建立 BP 网络模型 ,再利用该模型进行新零件材料消耗的预测。最后介绍了基于 B P 网络的新零件材料消耗定额预测的系统实现。
1 B P 神经网络的基本原理与模型结构 B P (Back Propagatio n) 网络是一种最为常用的前
不同类型的零件在不同的加工工序中所用材料不同 ,其材料消耗的影响因素也不同 ,所以在进行新零件材料消耗定额预测之前 ,首先要对生产过程中所用到的材料按照零件生产的不同工序进行分类 , 各工序中影响零件材料单件消耗的主要因素如下 : ①蜡型工序 :零件体积 ,模料配方 ,压模方法 ; ②涂料工序 :零件表面积 , 涂料厚度 ; ③浇注工序 : 零件体积 ,收缩率 ,强度 ,硬度 ; ④吹砂工序 :零件表面积 ,强度 ,硬度。
馈网络 ,由输入层、输出层和隐含层 3 部分组成 ,根据需要 ,可以有多个隐含层[2] 。研究结果表明 ,增加网络的层数可以降低误差 ,提高精度 ,但同时也使网络复杂化 ,从而增加了网络权值的训练时间。一般情况下 ,选用一个隐含层就足够了。B P 网络模型的结构如图 1 所示。
收稿日期 :2005211228 ; 修订日期 :2006209219 作者简介 :金维佳 (19802 ) ,女 ,江苏常熟人 ,硕士生. 研究方向 : CIMS/
确定 B P 网络模型输入输出层的神经元个数 ,取决于使用者的需求。
浇注工序主要预测新零件母合金材料的消耗量 , 因此确定输出层有一个神经元。
根据前面的分析 ,浇注工序中影响零件材料单件消耗的主要因素有 4 个 ,即零件体积、收缩率、强度、硬度。故对应的输入层神经元个数为 4 个。 3. 2 隐含层的确定

基于岩控的人工神经网络在渗透率预测中的应用

第31卷第6期2010年11月石油学报ACTA PET ROLEI SIN ICAV ol.31No v.No.62010基金项目:国家科技重大专项(2008ZX 05023)资助。

作者简介:周金应,男,1984年2月生,2005年毕业于中国地质大学(北京),现为中海石油(中国)有限公司湛江分公司工程师,主要从事开发地质、储层建模和储量计算等方面的研究工作。

E mail:zhoujy 1@文章编号:0253-2697(2010)06-0985-04基于岩控的人工神经网络在渗透率预测中的应用周金应1 桂碧雯1 李茂1 林闻2(1 中海石油(中国)有限公司湛江分公司广东湛江 524057; 2 雪佛龙德士古(中国)能源公司北京 100004)摘要:渗透率是储层评价中的重要参数,与传统的经验模型或统计模型计算的结果相比,BP 神经网络由于高强度非线性映射能力及较强的自适应和自学能力,可以更精确地预测储层渗透率。

通过对常规BP 网络模型的改进,即在模型中加入定量化的岩性评价参数作为一个学习样本,建立了储层参数与测井响应及岩性之间的非线性模型。

应用该方法对北部湾盆地涠西南凹陷涠洲某油田流一段的渗透率进行预测,取得了较好的效果。

该方法计算的渗透率与实测渗透率吻合度很好,而且比用常规的、没有岩性控制的BP 网络模型计算的渗透率精度更高。

除了在储层参数预测方面进行应用,该方法还在储层沉积微相和岩性预测方面有着广泛的应用前景。

关键词:人工神经网络;BP 算法;渗透率预测;岩性控制;储层物性;涠西南凹陷中图分类号:T E 319 文献标识码:AAn application of the artificial neural net dominated by lithology topermeability predictionZH OU Jiny ing 1 GUI Biw en 1 LI Mao 1 LIN Wen 2(1 CN O OC China L td.Zhanj iang,Zhanj iang 524057,China;2 Chev ronT ex aco(China)Ener gy Comp any ,B eij ing 100004,China)Abstract :Permeability is one of the mo st impo rtant parameters in reserv oir est imatio n.Co mpar ed w ith the calculat ed result by tr aditio nal experimental or stat istical models,the BP neur al net mo del can mor e accurately pr edict permeability because of it s hig h nonlin ear mapping ability and ver y stro ng abilities of self ada ptation and self st udy.T he pr esent paper established a nonlinear mo del among r eser voir pro per ty parameter s,lo gg ing respo nse and litholog y by impr ov ing the conventional BP model,i.e.apply ing the quantitat ive litholog y parameter to the BP mo del as a study sam ple.T he permeability o f the L iu 1member o f the Weizhou 11 7o ilfield in the W eixinan Depression,Beibuw an Basin was predicted by apply ing t his method and t he result w as comparat ively co nsistent w ell w ith the actually measur ed permeability,mor eover ,the precision of this method was much better than that a pplied by the co nv ent ional BP model w ithout domination of litholog y.Besides the applicatio n in the prediction of reserv oir parameters,this method could be widely used in predicting r eser vo ir m icrofacies and litho log y as w ell.Key words :ar tificial neura l net;BP algo rithm;permeability prediction;dom inat ion of litho lo gy ;r eser voir pro pert ies;Weixinan Depr ession渗透率参数是储层评价中的重要参数,它的准确求取直接关系到产能的确定和储层非均质性的研究[1]。

人工智能神经网络在岩性识别、孔隙度和渗透率预测中的应用——以十红滩铀矿床为例

人工智能神经网络在岩性识别、孑隙度Ｌ和渗透率预测中的应用
— —
以十红滩铀矿床为例
李继安
（工业２３究所，陕西咸阳７２０）核０研１００
摘要：析了传统测井解释方法的局限性。神经网络的机理、点出发，出了一种基于人工智能分从特提神经网络技术的岩性识别、Ｌ孑隙度和渗透率预测方法。先选取适当的测井资料向量组成一个训练模式首
Ｅｍａ：ｊｎｅ２０＠１６ｃｒ — ｉｉｌｅ００２．ｏｌａｎ
第２期
李继安：人工智能神经网络在岩性识别、孑隙度和渗透率预测中的应用Ｌ
排列、孔隙均匀分布的假定基础上，将测井信息与地层岩性等参数作线性研究。建立的测井解释模型均属线性模型（质是一个统计意义上的数学关系实式）用这种模型进行测井解释所得的结果除在少数。简单地层上吻合较好外，在大多数复杂地区表现为
层的某种特性进行识别，对地层参数进行预测或（娜等，２０）李０７。这些方法是建立在岩石颗粒均匀
基金项目：“ 十一五 ” 国家科技支撑计划重点项目（０６ＡＯ０）２０ＢＢＢ５作者简介：继安（９］）李１７一，男，西富平人，级工程师，１９年毕业于华东地质学院，直从事铀矿科研和勘查工作。陕高９３一

利用人工神经网络模型预测加固盐渍土强度

利用人工神经网络模型预测加固盐渍土强度赵军;张亚卿;李宝来【摘要】This paper analyzed the factors influence of saline soil reinforcement effects from inorganic binder mixing ratio,age,salt content,wa-ter content and other aspects,based on artificial neural network model,predicted the calculation new method of mechanical properties indexes of inorganic binder applied to reinforcement saline soil effect,so as to predict the unconfined compression strength of inorganic binder reinforcement soil,in order to achieve the best reinforcement effect.%从无机结合料掺入比、龄期、含盐量、含水量等方面分析了影响盐渍土加固效果的因素，基于人工神经网络模型，预测了无机结合料用于加固盐渍土效果的力学性能指标计算的新方法，从而预测了无机结合料加固土的无侧限抗压强度，以达到最佳的加固效果。

【期刊名称】《山西建筑》【年(卷),期】2015(000)012【总页数】2页(P60-61)【关键词】盐渍土;加固;人工神经网络模型;无机结合料【作者】赵军;张亚卿;李宝来【作者单位】中交通力建设股份有限公司，陕西西安 710075;长安大学地质工程与测绘学院，陕西西安 710054;陕西省地震局，陕西西安 710068【正文语种】中文【中图分类】TU448盐渍土是盐土和碱土以及各种盐化、碱化土壤的总称，对易溶盐含量大于0.3%，且具有岩溶陷、盐胀、腐蚀、吸湿等特性的土体称为盐渍土[1]。

人工神经网络在陶瓷材料中的应用

・６４・材料导报２００８年８月第２２卷第８期人工神经网络在陶瓷材料中的应用＊宁青菊，于成龙，田清泉（陕西科技大学材料科学与工程学院，西安７１００２１）摘要综述了人工神经网络在陶瓷材料中的应用研究进展，分析了人工神经网络在古陶瓷分类和传统陶瓷配方设计、优化及性能预测方面的应用，此外，对人工神经网络在功能陶瓷材料、陶瓷基复合材料中的应用进行了详述，并指出在应用中存在的问题及未来发展趋势。

关键词人工神经网络陶瓷材料应用中图分类号：（）２４５；ＴＱｌ７４．１文献标识码：ＡＡｐｐＩｉｃａｔｉｏｎｏｆＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｉｎＣｅｒａｍｉｃＭａｔｅｒｉａｌｓＮＩＮＧＱｉｎ翊ｕ，ＹＵＣｈｅｎ９１０ｎｇ，ＴＩＡＮＱｉｎｇｑｕａｎ（ＳｃｈｏｏｌｏｆＭａｔｅｒｉａｌｓＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ｓｈａａｎ】（ｉＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ｘｉ’ａｎ７１００２１）ＡｂｓｔｒａｃｔＴｈｅａｐｐｌｉｃａｔｉｏｎｏｆａｒｔｉｆｉｃｉａｌｎｅｕｒａＩｎｅｔｗｏｒｋ（ＡＮＮ）ｉｎｃｅｒａｍｉｃｍａｔｅｒｉａｌｓｉｓｒｅｖｉｅｗｅｄＴｈｅａｐｐｌｉｃａｔｉｏｎｏｆＡＮＮｉｎｔｈｅｓｏｒｔｏｆａｎｃｉｅｎｔｃｅｒ跏ｉｃｓａｎｄｔｈｅｆｏ肌ｕｌａｔｉｏｎｓ，ｏｐｔｉｒｎｊｚａｔｉｏｎａｎｄｐｒｏｐｅｒｔｉｅｓｐｒｅｄｉｃｔｉｏｎｏｆｔｒａｄｉｔｉｏｍｌｃｅ—ｒ锄ｉｃｓｉｓａｎａｌｙｚｅｄ．Ａｄｄｉｔｉｏｍｌｌｙ，ｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆＡＮＮｉｎｆｕｎｃｔｉｏｍｌｃｅｒａｍｉｃｓａｎｄｃｅｒａ商ｃ－ｂａｓｅｄｃｏｍｐｏｓｉｔｅｍａｔｅｒｉａｌｓｉｓａｍｌｙｚｅｄｉｎｄｅｔａｉＬＴｈｅｅ妇ｓｔｉｎｇｐｒｏｂｌｅＩＴｌＳａｒｅｐｏｉｎｔｅｄｏｕｔａｎｄｔｈｅｐｒｏｓｐｅｃｔｆｏｒｔｈｅｆｕｔｕｒｅａｐｐｌｉｃａｔｉｏｎｏｆＡＮＮｉｓａｌｓｏｐｕｔｆｏｒ、Ⅳａｒｄ．Ｋｅｙｗｏｒ凼ＡＮＮ，ｃｅｒａｍｉｃｎｍｔｅｒｉａｌｓ，ａｐｐｌｉｃａｔｉｏｎ陶瓷材料组成、结构、性能、制备过程以及实际功用之间的关系复杂，目前确定这些定量关系主要还依赖于反复试差并进行优化。

基于BP神经网络模型的Ni-TiN镀层耐磨性预测研究

基于BP神经网络模型的Ni-TiN镀层耐磨性预测研究彭绪山;章晓敏;马春阳【期刊名称】《人工晶体学报》【年(卷),期】2016(45)6【摘要】采用超声电沉积方法,在C470型压缩机阀片表面制备Ni-TiN镀层。

利用扫描电镜、X射线衍射仪和摩擦磨损试验机研究Ni-TiN镀层表面形貌、组织结构及耐磨性,并采用BP神经网络模型预测Ni-TiN镀层的磨损量。

结果表明,BP神经网络模型的最佳结构组成为3×9×1,其预测值与实验值的拟合度R=0.99938,相对误差最大值与最小值分别为1.67%和0.63%。

当TiN粒子浓度为8 g/L、超声波功率180 W、电流密度4 A/dm2时,Ni-TiN镀层表面犁沟较浅,磨损量较小。

Ni-TiN镀层中存在Ni和TiN相,镍的衍射峰分别位于44.82°、52.22°和76.78°,TiN的衍射峰分别位于38.48°、42.82°和66.54°。

【总页数】4页(P1718-1721)【关键词】BP神经网络模型;Ni-TiN镀层;耐磨性【作者】彭绪山;章晓敏;马春阳【作者单位】宁波大红鹰学院信息工程学院;东北石油大学机械科学与工程学院【正文语种】中文【中图分类】TG174.4【相关文献】1.汽车齿轮钢电沉积Ni-TiN镀层的制备及耐磨性研究 [J], 顾元国;马春阳2.基于 BP 模型的锚杆涂覆 Ni-TiN 涂层耐磨性预测研究 [J], 李昂;朱永永;许秀英;杨蕊3.用BP神经网络模型预测Ni-TiN镀层的耐腐蚀性能 [J], 靳红梅;肖国荣4.基于BP神经网络模型的Ni-SiC纳米镀层耐磨性能预测研究 [J], 李心源; 马春阳; 赵旭东5.基于BP神经网络的Ni-TiN镀层腐蚀速率预测研究 [J], 彭绪山;李永平;章晓敏;王水因版权原因，仅展示原文概要，查看原文内容请购买。

基于人工神经网络的原油管道蜡沉积速率模型

基于人工神经网络的原油管道蜡沉积速率模型
周诗岽;吴明;王俊
【期刊名称】《西安石油大学学报（自然科学版）》
【年(卷),期】2004(019)001
【摘要】从原油输送管道实际出发,利用试验室自制的蜡沉积试验环道对大庆原油进行蜡沉积试验,研究了多种因素对原油管道蜡沉积规律的影响.利用人工神经网络的方法模拟各种影响因素与原油管道蜡沉积速率之间的映射关系,建立了多因素非线性影响下的蜡沉积速率模型.该模型结构为4-7-1的三层BP网络模型,它考虑了管壁处的剪切应力、管壁处温度梯度、管壁处蜡分子浓度梯度和原油的动力黏度对管道蜡沉积速率的影响.利用该模型对实际管道蜡沉积速率进行预测的结果表明,利用神经网络方法建立的蜡沉积速率模型预测精度高,误差在2%以内.
【总页数】3页(P38-40)
【作者】周诗岽;吴明;王俊
【作者单位】辽宁石油化工大学储运工程系,辽宁,抚顺,113001;辽宁石油化工大学储运工程系,辽宁,抚顺,113001;抚顺大学,辽宁,抚顺,113001
【正文语种】中文
【中图分类】TE832
【相关文献】
1.管道输送原油蜡沉积速率模型研究 [J], 周诗岽;吴明
2.含蜡原油管道蜡沉积速率的计算 [J], 赵露
3.原油管道内蜡沉积速率预测及分析 [J], 刁俊
4.保温原油管道蜡沉积速率模型的建立 [J], 孙启智;刘祁;郎宪明;胡志勇
5.灰色模型在原油管道蜡沉积速率预测中的应用 [J], 殷彦龙;王庆军;陈卓
因版权原因，仅展示原文概要，查看原文内容请购买。

机器人施釉轨迹的离线编程方法

机器人施釉轨迹的离线编程方法摘要：机器人施釉轨迹的离线编程方法是指通过计算机模拟机器人在施釉过程中的运动轨迹，然后将运动轨迹转化为指令，以控制机器人的运动，从而实现自动化施釉。

本文介绍了机器人施釉轨迹的离线编程方法的基本原理和实现技术，以及其在陶瓷制品生产中的应用。

关键词：机器人，施釉，离线编程，运动轨迹，陶瓷制品正文：一、引言随着科技的不断发展，机器人技术越来越成熟，被广泛应用到各个领域中。

在陶瓷制品生产中，机器人施釉已经成为一种趋势，能够提高工作效率、降低成本、提高生产质量等。

机器人施釉需要在运动控制、施釉量控制、涂釉速度控制等方面进行优化，以确保机器人施釉的效果和效率。

本文将介绍机器人施釉轨迹离线编程方法，以及其在陶瓷制品生产中的应用。

二、机器人施釉轨迹的离线编程方法基本原理机器人施釉轨迹的离线编程方法是一种计算机辅助设计和制造技术，其基本流程包括如下几个步骤：1、根据产品的3D模型和施釉工艺要求，进行产品分析和加工计划的制定；2、在CAD / CAM系统中设计机器人施釉轨迹，包括机器人移动轨迹和涂釉路径；3、通过仿真软件对施釉轨迹进行优化，并生成指令程序；4、将生成的指令程序上传到机器人控制系统中，完成离线编程。

机器人施釉轨迹的离线编程方法的主要特点是能够通过计算机模拟机器人在施釉过程中的运动轨迹，然后将运动轨迹转化为指令，以控制机器人的运动，从而实现自动化施釉。

这种方法能够避免机器人在线操作的风险，并降低了机器人操作人员的培训成本。

三、机器人施釉轨迹的离线编程方法的实现技术机器人施釉轨迹的离线编程方法主要包括CAD / CAM系统、运动仿真软件、程序生成器和机器人控制系统等几个部分。

其中CAD / CAM系统用于设计机器人施釉轨迹，仿真软件用于优化施釉轨迹，程序生成器用于将施釉轨迹转化为机器人指令，机器人控制系统用于执行机器人指令，实现自动化施釉。

在机器人施釉轨迹的设计中，需要考虑到机器人施釉的最佳路径，最佳施釉量和施釉速度等因素。

基于bp算法的热障涂层厚度反演研究

基于bp算法的热障涂层厚度反演研究一、研究背景随着航空航天技术的发展，对材料的性能要求也越来越高。

热障涂层是一种应用广泛的航空航天材料，可以有效降低高温环境对金属结构的破坏，延长材料的使用寿命。

热障涂层的厚度是其性能的重要参数，因此研究热障涂层厚度的反演方法对于材料性能的评估和改进具有重要意义。

二、研究意义热障涂层的厚度反演是一项复杂而又具有挑战性的研究课题。

传统的厚度测量方法往往受到各种因素的影响，难以实现精确的反演。

引入人工智能算法对热障涂层厚度进行反演具有重要的意义，可以提高测量精度，为热障涂层厚度的评估和改进提供科学依据。

三、研究内容本研究拟采用基于BP（Back Propagation）算法的神经网络方法，对热障涂层厚度进行反演研究。

建立热障涂层厚度与传感器信号的关联模型，并利用实验数据对该模型进行训练和验证。

利用BP算法对传感器信号进行处理，得到相应的热障涂层厚度结果。

对反演结果进行分析和评价，探讨其在实际工程中的应用价值。

四、研究方法1. 数据采集：采用多种传感器对热障涂层进行监测，获取其厚度相关的传感器信号。

2. 模型建立：建立热障涂层厚度与传感器信号的关联模型，采用BP 算法进行神经网络的训练和验证。

3. 反演处理：利用经过训练的神经网络模型对传感器信号进行处理，得到热障涂层厚度的反演结果。

4. 结果分析：对反演结果进行分析和评价，探讨其在实际工程中的应用价值。

五、研究进展目前，本研究已完成了热障涂层厚度的相关数据采集工作，并建立了热障涂层厚度与传感器信号的关联模型。

下一步将利用BP算法对神经网络进行训练和验证，并进行热障涂层厚度的反演处理。

预计在未来较短的时间内可以取得一定的研究成果。

六、研究展望基于BP算法的热障涂层厚度反演研究，是一个具有挑战性的课题。

未来，我们将进一步完善研究方法，提高反演结果的精度和稳定性，不断深化研究成果的应用价值，为航空航天材料性能的评估和改进提供更加可靠的技术支持，为航空航天技术的发展做出贡献。

基于离线编程技术的机器人喷釉轨迹设计方法

基于离线编程技术的机器人喷釉轨迹设计方法周谦;陈冠林;刘作钿【摘要】工业机器人喷釉技术能较好地解决坐便器自动化施釉加工问题.分析了坐便器施釉的工艺要求,针对釉料、坯土特性进行测试,得出喷涂过程喷枪参数相关公式,并推导出定量喷涂算法,提出基于六自由度工业机器人离线编程仿真的自动化施釉轨迹设计方法.【期刊名称】《机电工程技术》【年(卷),期】2017(046)006【总页数】3页(P16-17,116)【关键词】自动化喷釉;工业机器人;坐便器;施釉轨迹设计【作者】周谦;陈冠林;刘作钿【作者单位】广东省智能制造研究所广东省现代控制技术重点实验室,广东广州510170;广东省智能制造研究所广东省现代控制技术重点实验室,广东广州510170;广东恒洁卫浴有限公司,广东潮州 515646【正文语种】中文【中图分类】TP242当前业内以机器人代替手工喷釉的方法较多以模仿人工喷涂方式为主，存在一定的不足：缺乏定量定性，马桶施釉厚度存在不确定性，釉料的利用率较低，马桶表面质量稳定性差等问题。

针对以上问题，结合相关工艺要求，以定量喷涂算法作为核心，提出基于机器人离线仿真编程的施釉轨迹设计方法[1]。

工艺要求包括对马桶各部位结构特点及厚度要求的确认、对使用釉料的参数特征掌握、对人工喷涂方法的分析利用、对喷枪釉压、流量、雾化、喷幅、枪距、角度等参数的匹配使用等[2]。

（1）其中马桶厚度标准作为产品品质最核心体现，目前业内根据相关釉料、坯土原料特性，具体考虑马桶结构的不一致性、尺寸大小区别、产品外观和功能需求等，各部位规定厚度有一定范围要求。

（2）釉料包含参数较多，其中比重、流速、吸干对施釉过程表面质量影响较大。

比重高低决定单位面积釉料的有效覆盖量、喷涂需求的速度与遍数、表面雾化颗粒的细腻度等；流速快慢影响喷涂过程马桶釉面的流动性、平整度、供釉系统的稳定性等；吸干大小影响坯体各釉层结合度，间接影响烧成后马桶表面质量。

其余参数还包括：熔长、开裂、泥温、pH值、含水、细度、屈服值、PG砖釉面质量等，该系列参数主要影响烧结过程。