共查询到18条相似文献,搜索用时 62 毫秒
1.
针对计算机辅助制造中数控铣床上常用的3种刀具路径的包络线进行了分析,给出了不同路径下包络线残留高度的计算公式,并对影响粗糙度的因素进行了讨论该公式可用于表面粗糙度的预测,提出了一种自适应刀具路径的规划方法,该方法可使加工表面得到了一致的表面粗糙度。 相似文献
2.
通过建立铣削过程简化模型、螺旋刃刃线表达式,得出工件表面粗糙度预测模型。对模型进行仿真,验证了模型的正确性,然后分析了刀具切削速度和加工倾角分别对表面粗糙度的影响。 相似文献
3.
4.
5.
顺铣和逆铣作为铣削加工中的两种铣削方法被广泛地使用,两种方法的加工特点好像已经被默认在大家的脑海中.但是,随着数控加工技术的发展和应用,顺铣和逆铣的选择对保证产品质量和提高生产效率更显示出它们的重要性.文章通过数控铣削加工中采用顺铣和逆铣两种方法对加工表面粗糙度的对比以及数据分析,得出一些新的结论,供大家借鉴. 相似文献
6.
当前表面粗糙度预测的单一建模方法都存在一定的局限性,物理建模方法无法表征实际加工动态过程,机器学习模型需要大量训练数据且解释性较差。提出了一种物理模型与神经网络深度耦合的融合模型,通过训练卷积自编码器作为特征提取器构建数据集,然后训练融合模型,实现对表面粗糙度的精确预测,通过高温合金侧铣实验建立的数据集进行了验证,上述模型在训练集上预测相对误差为4.48%,测试集上的平均预测相对误差为5.67%。以10%为允差范围,则预测的准确率为84.29%,有较高的精准度。 相似文献
7.
8.
9.
表面粗糙度是衡量加工零件表面质量的主要指标,为提高球墨铸铁磨削表面粗糙度预测的精度,在球墨铸铁磨削表面粗糙度声发射预测实验基础上,使用深度学习卷积神经网络CNN自动提取磨削声发射信号特征值,使用卷积神经网络对球墨铸铁磨削的表面粗糙度声发射智能预测,准确度较BP神经网络高。 相似文献
10.
11.
12.
基于最小二乘支持向量机的铣削加工表面粗糙度预测模型 总被引:3,自引:0,他引:3
在分析以往所建立的表面粗糙度预测模型方法不足的基础上,将一种基于最小二乘支持向量机的预测模型引入铣削加工领域,并给出了相应的步骤和算法。该模型能方便地预测铣削加工参数对加工表面粗糙度的影响,并能利用有限的试验数据得出整个工作范围内的表面粗糙度预测值,有助于准确认识已加工表面质量随铣削参数的变化规律。通过具体实例及与其他几种预测方法的对比表明,在相同样本条件下,其模型构造速度比标准支持向量机方法高1~2个数量级,模型预测误差约为支持向量机方法的40%,预测精度比常规BP模型高1个数量级。因此,基于最小二乘支持向量机方法建模速度快、预测精度高、适合加工表面粗糙度预测。 相似文献
13.
14.
15.
基于进化神经网络外圆纵向磨削表面粗糙度的在线预测 总被引:14,自引:2,他引:14
将人工神经网络引入磨削加工领域。针对BP算法存在收敛速度慢,容易陷入局部极小值以及全局搜索能力弱等缺陷,采用遗传算法训练BP神经网络,设计了基于进化神经网络的学习算法,建立了外圆纵向磨削表面粗糙度的进化神经网络预测模型。实验和仿真结果表明。基于进化计算的BP神经网络可以克服单纯使用BP神经网络易陷入局部极小值等问题,预测精度较高,对提高外圆纵向磨削加工的自动化程度具有重要的意义。通过在线监测磨削拳数。所提供的预测方法可以实现对工件表面粗糙度的在线预测。 相似文献
16.
17.