80、皮带磨削过程建模与振动趋势预测的神经网络应用

皮带磨削过程建模与振动趋势预测的神经网络应用

在工业生产中，皮带磨削过程的建模以及旋转机械振动趋势的预测是非常重要的研究领域。前者有助于实现皮带磨削过程的实时模拟和机器人控制，后者则能帮助我们提前了解旋转机械的运行状态，及时发现潜在问题。下面将详细介绍基于学习的皮带磨削接触模型以及广义回归神经网络在旋转机械振动趋势预测中的应用。

基于学习的皮带磨削接触模型

在皮带磨削过程中，接触区域的建模是一个关键问题。传统的有限元方法（FEM）在处理高维输入时存在“维度灾难”问题，导致结果和泛化能力不佳。为了解决这个问题，我们采用了支持向量回归（SVR）和多层神经网络（MLN）来学习映射关系，而不是每次遇到新的接触情况都求解优化问题。

接触区域离散化与函数区域确定

将接触区域限定在一个50mm × 50mm的正方形区域内，并将其离散化为50 × 50的网格，网格间距为1mm。这样，初始接触边界条件就可以数字化为一个50 × 50的矩阵。
为了降低输入维度，我们假设一个网格点上的力仅受其有限大小邻域内周围点的接触情况（高度）影响。通过训练实验，确定最佳的函数区域大小为11mm × 11mm。

降低输入维度的方法

当函数区域大小为11mm时，输入维度为121，仍然较高。我们可以使用两种方法进一步降低输入维度：
- 部分点选择（PPS） ：由于工件表面在各个方向上是连续且平滑变化的，因此我们可以只选择函数区域内部分点，而不是所有点。在11×11mm²的函数区域中，我们从121个点中选择位于四条线（垂直、水平和两条对角线）上的41个点，这样可以在不损失太多信息的情况下轻松降低输