为了提高6-UPS并联机构的运动学精度,提出一种利用Levenberg-Marquardt算法(LM)对6-UPS并联机构进行标定的方法。首先用微分法建立6-UPS并联机构的误差模型;然后给定机构理论位姿,测量其实际位姿;构造位姿残差方程,采用LM辨识其实际运动学参数;最后用此参数修正机构的运动学模型。分别用Gauss-Newton(GN)算法和LM进行标定仿真,仿真结果显示LM的辨识效果较好。用激光跟踪仪和LM进行标定实验,标定后机构位置和姿态精度均提高了一个数量级,表明该标定方法能够有效提高并联机构运动学精度。

针对传统的矿用运输机故障诊断精度不高的问题,提出了一种改进的DPNN神经网络故障预测模型。首先采用PSO-LM组合算法对DPNN神经网络参数进行优化,得到最优参数;其次考虑到矿用运输机故障数据实时更新的特点,引入网络权值更新算法对预测模型进行自动更新;最后以某实验室矿用运输机故障数据为基础,运用MATLAB建立故障预测模型,并对数据进行仿真训练。结果表明,基于网络权值更新的改进DPNN神经网络模型无论是预测精度还是迭代次数,都要明显优于PSO-DPNN模型和PSO-LM-DPNN模型,验证了该预测模型的有效性,具有一定的工程实践价值。

针对轴向柱塞泵故障机理的复杂性和故障信息的不确定性,提出了基于人工神经网络的故障诊断方法。以一种典型设备的几种主要故障为例,设计了适合于故障诊断的BP神经网络模型,运用Levenberg-Marquardt优化算法进行网络训练,并针对网络训练中可能出现的过拟合、局部小、隐层节点数确定等问题制定了相应的网络优化策略,以保证训练后的网络具有较好的记忆和归纳能力,并用VC++6.0语言和SQL Server 2000数据库开发了基于BP神经网络的轴向柱塞泵故障诊断系统,结果表明,该系统有良好的故障诊断精度和较强的泛化能力。

现有的基于高精度测微仪的预对准方法需交换晶圆才能够完成操作.为提高其效率,介绍了一种无需晶圆交换的预对准方法.该方法采用缺口定向先于圆心定位的预对准顺序,通过一维旋转和二维直线平移完成晶圆的定位.另外,还给出了该方法重复定位晶圆圆心和缺口的误差表达式.针对线性最小二乘圆拟合算法进行晶圆缺口拟合时计算精度不易保证的问题,提出了一种非线性晶圆缺口拟合算法,即利用Levenberg-Marquardt算法直接求解缺口边缘拟合问题.精度测试结果表明,该算法的计算误差近似为现有缺口拟合算法误差的1/2.