为精确预测管材弯曲回弹并设计合理的补偿方案,选择经过优化处理的BP机器学习算法建立预测模型,之后对其开展了控制性能评价。大幅提升了泛化性能并获得更高的预测精度,促进算法更快完成收敛过程。并对模型开展了验证分析。研究结果表明当以PSO算法优化BP建立预测模型进行预测时跟目标结果间形成了15.7%的平均误差,相对于BP预测模型,大幅提升了预测精度,但会导致计算效率明显下降,所需计算时间接近1.5h。以改进粒子群算法对BP进行优化后,可以有效提升神经网络泛化性能,跟目标值相比平均误差只有6.2%。先对基本PSO算法实施优化处理,再利用优化后的PSO算法调整BP,由此建立得到机器学习预测模型。此模型可以达到高预测精度以及高效率的要求,可以有效满足管材数控弯曲回弹以及补偿的计算需求。

机械密封是在补偿机构的磁力(或弹力)和流体压力的作用下,根据垂直于轴作相对滑动的端面并配合辅助密封从而达到阻止泄漏的机械装置,又称作端面密封或轴向端面密封。本文分析了机械密封原理的基础上,给出了O形密封圈基本理论,重点给出了O形的压缩率,以及O形密封圈的失效类型分析。为O形密封圈的设计分析提供了一定的基础。