机床的生产加工过程中,会产生大量的碳排放,通过分析机床加工过程的碳排放相关量,预测碳排放值,从而达到降低碳排放的目的;将遗传算法对具有自适应性和函数逼近能力的小波神经网络的参数进行全局优化,来构建遗传小波神经网络模型,对机床加工过程的碳排放进行预测;并通过实验数据将遗传小波神经网络与传统小波神经网络的预测结果进行对比,结果显示,优化后的小波神经网络在机床碳排放的预测结果平均误差为0.48%,均方误差为20.5303,均优于传统神经网络,证实了在机床碳排放预测中遗传小波神经网络相对传统神经网络具有更高的逼近精度;从而能够较为准确地对机床碳排放进行预测和控制。

在挖掘机工作装置结构的瞬态动力学分析中,既要考虑油缸刚度、结构刚度对动态分析的影响,又要考虑得到准确的结构局部（如焊缝）应力用于疲劳分析,如按此要求建立的整体精细模型用于动力学仿真,其工作量是海量的且不现实的.为此,文中提出了整体动态模型与局部子模型相结合的方法,用于挖掘机工作装置结构的动态计算;采用梁单元、弹簧单元等将整体结构等效为一个简单、高效的动态模型;对复杂的局部结构再用精细子模型求解,得到精确局部应力.最后以某型挖掘机为例进行案例计算和试验测试对比分析,计算瞬态应力峰值与测试结果的误差小于8%,结果证明了所提方法和模型的正确性.

很多因素如油缸动态特性、结构弹性、作业对象等对挖掘机动力学有着重要影响,为解决挖掘动载荷计算问题,综合考虑结构弹性、油缸特性、作业对象等因素提出挖掘机挖掘动力学系统模型。为取得精度和效率权衡,将动臂、斗杆、连杆等结构简化为梁单元;对形状复杂的铲斗结构,采用子结构自由度凝聚法对形状复杂的铲斗简化建模;采用弹簧阻尼单元模拟铲斗与作业对象关系模型;将油缸等效为两节点单元,该单元包含压力、位移和速度等变量;然后将结构与油缸模型组装成整体的动力学模型,采用Newmark算法完成动力计算;以某50t挖掘机动臂提升冲击工况为案例计算及试验分析,动力计算得到的动载荷与试验测试结果吻合,动载荷峰值误差小于6%,证明方法和模型的正确性。分析结果表明:采用油缸动力学模型比采用位移驱动模型模拟油缸用于动力计算的准确度...