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

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。     

2Cr13不锈钢高速铣削表面粗糙度预测模型研究

针对汽轮机叶片常用钢2Cr13不锈钢在切削加工中表面质量存在的问题,对高速铣削条件下2Cr13不锈钢表面粗糙度预测模型进行了研究。将最小二乘支持向量机原理应用到高速铣削2Cr13不锈钢的表面粗糙度预测建模中。得出的模型能方便地预测铣削参数对表面粗糙度的影响,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。经试验验证,应用最小二乘支持向量机原理建立的粗糙度预测模型回归预测精度高。基于最小二乘支持向量机原理建模方法适合于表面粗糙度预测。     

基于IAGA-LSSVM的切削加工表面粗糙度的智能预测

提出了一种基于改进自适应遗传算法与最小二乘支持向量机(IAGA-LSSVM)的切削加工表面粗糙度的智能预测方法。通过设定LS-SVM模型主要参数的取值范围,采用IAGA进行寻优,提高了LS-SVM预测模型的精度。最后采用平均相对预测误差作为检验指标,比较了多元线性回归模型、BP神经网络模型、AGA-LSSVM模型及IAGA-LSSVM模型对表面粗糙度的预测能力。结果表明:IAGA-LSSVM预测模型的建模时间更短,平均相对预测误差更小,对切削加工表面粗糙度的预测具有一定的参考意义。     

基于最小二乘支持向量机的外圆磨削表面粗糙度预测系统

为解决磨削加工中影响因素多,难以实现自动化加工的困难,对磨削系统的表面粗糙度预测系统进行了研究。在分析目前常用预测方法的基础上,建立了基于最小二乘支持向量机的外圆纵向磨削表面粗糙度预测模型。该模型采用等式约束,把原来求解一个二次规划问题转化成求解一个线性方程组,方法简单且有效。比较实验显示,该方法响应时间快、测量精度高,测量精度误差比BP神经网络预测方法小4%,比进化神经网络(BP+GA)预测方法小1.3%,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。将其应用于外圆纵向磨削智能系统中,实时计算预测值与给定粗糙度的差值,引导磨削专家系统修正磨削参数,实现智能控制,取得了较好的效果。     

基于LS-SVM的汽轮机叶片高速铣削表面质量预测建模

针对汽轮机叶片高速铣削加工中存在的表面质量不易控制问题,借助最小二乘支持向量机原理,建立了被加工不锈钢叶片表面的粗糙度预测模型。实验结果表明,该模型能方便地预测切削速度、主轴转速、进给量、铣削宽度等铣削参数对铣削加工工件表面粗糙度的影响,并能利用有限的实验数据得出整个工作范围内的表面粗糙度预测值,模型适合于表面粗糙度预测,回归预测精度高。     

航空铝合金三维端铣表面粗糙度的LS-SVM控制研究

为提高加工工件的表面质量,需要有效控制加工工件表面粗糙度,因此有必要建立精度高、泛化能力强的表面粗糙度预测模型。首先基于具有位错动力学物理基础的Z-A材料本构模型,建立航空铝合金7050材料的三维端面铣削有限元仿真模型,并设计正交试验验证有限元模型的可靠性;其次建立最小二乘支持向量机(LS-SVM)预测模型,以仿真所提供的样本数据为输入,拟合铣削参数与表面粗糙度的复杂非线性关系,实现了表面粗糙度的预测,结果表明LS-SVM模型预测的相对误差不超过6%;最后基于LS-SVM表面粗糙度预测模型得出各铣削参数对表面粗糙度的影响,为生产实际提供指导。     

针对奥贝球铁高速铣削力的表面粗糙度建模的实验研究

奥贝球铁(ADI)作为一种综合性能优异的难加工工程材料,其高速铣削下的铣削力对工件表面粗糙度Ra有重要影响。为研究其内在关系,基于多因素正交回归实验建立铣削力和表面粗糙度模型的理论,结合奥贝球铁的材料力学性能,采用以主轴转速、每齿进给量、切削深度、切削宽度等为多因素,高速铣削力和表面粗糙度为因变量的正交试验方法,并通过最小二乘法建立关于F_x、F_y、F_z这3个铣削分力的Ra模型;然后分别检验了回归模型和回归系数的显著性,分析了所建模型的可信度及F_x、F_y、F_z分别对ADI表面粗糙度的影响程度;最后设计了相关实验对所建模型进行验证。实验结果表明:高速铣削分力对表面粗糙度影响程度次序:切向力轴向力径向力;模型验证实验说明了所建模型的可信性和正确性,从而可为ADI材料高速铣削加工提供了重要的理论支持和技术指导。     

基于最小二乘支持矢量机的成形磨削表面粗糙度预测及磨削用量优化设计

在分析和比较目前常用的预测方法基础上,提出一种基于最小二乘支持矢量机的成形磨削表面粗糙度预测方法。一方面,该方法能较好地解决小样本学习问题,避免人工神经网络等智能方法在对粗糙度进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,用等式约束代替传统支持矢量机的不等式约束,减小了模型的复杂度,加快了求解速度。试验表明,该模型具有预测精度高、速度快、容易实现等优点,适合对磨削表面粗糙度的预测。在成功建立预测模型的基础上,还提出磨削参数优化设计的可行性方案,建立表面粗糙度与磨削用量之间的关系图,对于优化设计磨削用量、提高加工零件表面质量具有一定的指导意义。     

高速磨削表面粗糙度预测模型研究

磨削表面质量的优劣直接影响零件的性能与使用寿命,其主要由表面粗糙度表征。运用最小二乘支持向量机预测理论与参数优化算法建立了高速磨削表面粗糙度预测模型,搭建了磨削闭环系统。通过实验分析得出,对试样内工艺参数组合下表面粗糙度进行预测时,平均相对误差为MRE=0.0095,均方根误差为MSE=0.0050;对试样外工艺参数组合下表面粗糙度进行预测时,平均相对误差为MRE=0.0119,均方根误差为MSE=0.0054。高速磨削表面粗糙度预测引导了磨削参数的设定,形成了磨削过程的闭环反馈控制,提高了高速磨削加工的自动化水平,磨削精度、效率,同时降低了磨削的废品率。     

高速铣削工件表面粗糙度的预测

表面粗糙度是衡量工件表面质量的重要指标。采用正交试验方法,利用圆环面铣刀对模具钢NAK80进行了高速铣削试验,测量了不同工艺参数下的工件表面粗糙度。将试验结果与人工智能中的BP神经网络结合,建立了表面粗糙度预测模型,用于预测不同主轴转速、进给速度、切削深度、切削行距、刀具倾角时被加工工件的表面粗糙度,并通过MATLAB图形用户界面设计了表面粗糙度预测软件。结果表明,该预测模型及其封装后的软件可用于加工前工件表面粗糙度的预测。     

Position-varying surface roughness prediction method considering compensated acceleration in milling of thin-walled workpiece

Machined surface roughness will affect parts’ service performance. Thus, predicting it in the machining is important to avoid rejects. Surface roughness will be affected by system position dependent vibration even under constant parameter with certain toolpath processing in the finishing. Aiming at surface roughness prediction in the machining process, this paper proposes a position-varying surface roughness prediction method based on compensated acceleration by using regression analysis. To reduce the stochastic error of measuring the machined surface profile height, the surface area is repeatedly measured three times, and Pauta criterion is adopted to eliminate abnormal points. The actual vibration state at any processing position is obtained through the single-point monitoring acceleration compensation model. Seven acceleration features are extracted, and valley, which has the highest R-square proving the effectiveness of the filtering features, is selected as the input of the prediction model by mutual information coefficients. Finally, by comparing the measured and predicted surface roughness curves, they have the same trends, with the average error of 16.28% and the minimum error of 0.16%. Moreover, the prediction curve matches and agrees well with the actual surface state, which verifies the accuracy and reliability of the model.     

A dynamic surface roughness model for face milling

This paper presents a newly developed mathematical model for surface roughness prediction in a face-milling operation. The model considers the static and the dynamic components of the cutting process. The former includes of cutting conditions as well as the edge profile and the amount of runout of each insert set into a cutter body. The latter introduces the dynamic characteristics of the milling process. It is verified that such a model predicts the maximum or the arithmetic mean surface roughness value through the cutting experiments. The model can evaluate the surface texture of the precision parts machined with face milling.     

微细精密铣削表面粗糙度DRSM研究

DRSM方法具有序贯性、可旋转性、模型的稳健性以及试验次数少等优点,近年来逐渐运用在微细精密车铣加工运用中,笔者着重对微细精密铣削表面粗糙度进行DRSM分析,得出了微细精密铣削条件下工艺参数对表面粗糙度的影响规律,并进行了表面粗糙度的预测,有较强的理论实践和现实意义。     

微铣金属表面微沟槽结构的粗糙度及形貌分析

为了提高和改善微沟槽表面质量,设计了高速微铣削实验,研究了微沟槽底面表面粗糙度和侧壁残留毛刺的变化规律。从理论角度引入了已加工表面的形成机理,建立了微观表面粗糙度理论模型,提出了刀具跳动对侧壁形貌变化影响的规律。利用三轴联动精密微细铣削机床加工微细直沟槽,并选取主轴转速、轴向切深、进给速度、刀具跳动量和材料组织结构为研究因素。采用多因素正交实验和极差分析法,对表面粗糙度值进行数值分析。铝合金,钢和钛合金三类微沟槽底面对应的最佳表面粗糙度值变化范围分别为1.073~1.481 μm,0.485~0.883 μm,0.235~0.267 μm;无刀具跳动钛合金微沟槽壁毛刺的最大高度为7.637 μm,而当刀具存在0.3 μm的径向综合跳动量时对应的微槽壁毛刺的最大高度为21.79 μm。铣削参数对表面粗糙度值的影响按从大到小依次为进给速度、主轴转速、轴向切深,且随着进给速度和轴向切深的增大,表面粗糙度值增大;随着主轴转速的增大,表面粗糙度值先减小后增大;在相同加工条件下,若微圆弧刀刃无磨损,微刀具的跳动量对微直沟槽侧壁表面质量有较大影响。同时,不同金属材料特性也是影响微沟槽表面质量的潜在因素。     

基于隶属度模糊最小二乘支持向量机的工序能力预测

提出了一种基于隶属度模糊最小二乘支持向量机（FLS-SVM）的时间序列预测新方法。一方面,该方法较好地解决了小样本学习问题,避免了人工神经网等智能方法在对小批量生产工序能力进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,由于对于历史数据实行的重近轻远的原则,使得该方法预测精度高且容易实现。实验表明,该方法具有很好的有效性与实用性。     

基于粗糙度形成机理的曲面高速铣精加工参数选用

为在曲面精加工中获得理想的表面粗糙度,通过分析表面粗糙度的形成机理,建立了粗糙度与走刀行距、进给率关系的数学模型;通过实验,建立了高速曲面铣削时粗糙度与加工倾角、主运动线速度关系的图谱,实现了在生产过程中按照加工目标的表面粗糙度确定相应的走刀行距、进给率、加工倾角、主运动线速度等加工参数.研究结果表明,该研究对提高加工...     

高速铣削7050-T7451铝合金表面粗糙度研究

高速铣削广泛用于航空铝合金材料的加工,以7050-T7451铝合金材料为试验对象,运用正交试验方法分析研究了铣削该铝合金材料时,切削速度、切削深度、切削宽度和每齿进给量4个因素对表面粗糙度的影响规律,并通过多元非线性回归分析得出表面粗糙度的经验公式.研究结果表明:加工表面呈交叉织网状形貌,表面粗糙度随每齿进给量和铣削深度的增大而增大,随切削速度的增大而减小,切宽对铝合金表面粗糙度的影响不明显.铣削参数对表面粗糙度的影响显著性依次为:每齿进给量fz切削速度v轴向切削深度ap径向切削宽度ae.     

Comprehensive model for predicting surface roughness of ground workpieces considering the plowing effect

Due to the stochastic nature of grinding process, a probabilistic model is considered to be the most appropriate solution for predicting the surface roughness of ground workpiece. However, the existing probabilistic models in the literature do not systematically take into account the contribution of plowing effect. As such, this work incorporates the pile-up ridges from plowing phenomenon and their overlapping effect into a probabilistic model. When the distance between two neighboring grooves left on the workpiece surface by the abrasive grains varies, the ridges will pile upon each other or the grooves will intersect with each other. These different interaction modes of grooves or ridges are discussed in the probabilistic model to predict the surface roughness. The improved Powell method is used to perform the prediction. A series of grinding experiments were performed to validate the proposed model and the result shows that the predicted values agree very well with the measured values with an average prediction accuracy of 90.4%.