基于人工神经网络和遗传算法的平面铣削加工参数自适应优化

机械加工最优自适应控制的关键在于自适应加工模型的建立和实时优化策略的制定。本文提出用人工神经网络方法建立加工过程模型 ,用遗传算法实现在线优化。基于以上算法 ,构造了平面铣削加工参数自适应优化系统 ,可使加工系统在不违反加工约束的前提下 ,总是获得最大材料去除率。     

基于改进遗传算法的数控机床加工铣削参数优化方法

对于数控机床加工铣削参数优化多采用常规的可信度近似模型,但该方法易受到材料失效应变系数的影响,导致优化后的加工效率较低,提出基于改进遗传算法的数控机床加工铣削参数优化方法。根据工件的本构模型,对切削刃进行采样抽取,确定最小铣削力波动位置;引入材料失效准则计算材料失效应变系数,基于此,以加工时间最短、加工成本最低和加工能耗消耗最小为目标建立铣削参数优化模型,并采用改进遗传算法求解模型,通过迭代适应度值,输出最佳铣削参数;最后,采用对比实验的形式对所提方法的优化性能进行测试。测试结果表明：应用所提方法对数控机床加工铣削参数进行优化后,能够有效缩短切削时间,提高加工效率。     

基于改进型遗传算法的铣削用量离线优化

为充分挖掘数控机床的性能优势,实现铣削用量的合理选择,运用现代铣削理论和最优化技术,考虑机床、工件和刀具等实际约束,以最大生产效率、最低加工成本为目标建立数学模型,采用改进型遗传算法和局部寻优函数相结合的方法对铣削用量进行优化,并在此基础上开发一个在工程数据库支持下的铣削用量优选平台.以一个数控铣削加工优化实例证明,该优化系统能够有效提高表面质量和加工效率,并降低成本.     

基于遗传算法优化铣削用量的数控加工仿真系统的研究

遗传算法是一种模拟生物界自然选择和自然遗传机制的自适应搜索和优化方法,在搜索优化问题的全局或全局附近的最优解上具有良好的优势条件.文章建立了基于遗传算法思想的铣削用量多目标智能优化的数学模型及其数控加工动态仿真系统,运用遗传优化方法对铣削加工实例进行优化,并在数控加工动态仿真系统上验证了铣削用量多目标智能优化的数学模型的正确性和实用性.     

基于刀具寿命等级的铣削加工参数自适应调整优化方法

为了解决铣削加工过程中传统优化参数无法随着刀具寿命的变化动态调整,导致刀具性能无法充分利用的问题,对铣削参数自适应优化方法进行研究,提出一种基于优化灰狼算法的铣削参数动态多目标优化方法。通过BP神经网络构建铣削过程中铣削参数与优化目标之间的非线性映射关系;提出刀具寿命等级的概念,通过粒子群优化灰狼算法进行寿命等级内铣削参数自适应优化。试验结果表明：该方法能够在整个刀具寿命周期内根据刀具的寿命衰变程度提供时段内最优的铣削参数方案,在提高刀具使用价值的同时降低碳排放量。     

基于人工神经网络和遗传算法的封头成形工艺参数多目标优化

以DYNAFORM数值模拟、人工神经网络和NSGA-II多目标遗传算法为研究手段,以奥氏体不锈钢大型封头作为研究对象,将上下模间隙、下模圆角半径、拉延筋高度、拉延筋相对位置作为优化变量,将起皱、厚度不均匀性、回弹量作为优化指标,利用人工神经网络代表优化变量与优化指标之间的关系,采用NSGA-II多目标遗传算法优化人工神经网络,获得帕累托前沿解集。最后,从帕累托前沿解集中选取比较合适的解为:上下模间隙为10.99 mm、下模圆角半径为44.96 mm、拉延筋高度为39.97 mm、拉延筋相对位置为0.4,此时的起皱、厚度不均匀性、回弹量3个指标均较小且均衡。将这组最优工艺参数进行试验试制,得到了表面光滑、厚度均匀、无折皱以及回弹较小的封头构件。     

高效精密平面铣削技术在缸盖加工中的应用

0 引言 高效精密平面铣削技术的关键就是在大进给速度的前提下达到较高的平面铣削精度(相当于磨削水平),国外一些工业发达国家的高效精密铣削的进给速度已达到2～3m/min以上,在国内,过去人们为了达到较高的平面铣削精度,往往采用降低进给速度,即减少每齿进给量方法实现.随着对机械加工生产效率和精度要求的不断提高,过去那种低进给速度(<300mm/min)的平面精铣工艺已不能满足用户的高生产率要求,因此,高效精密平面铣削技术的应用有着十分重要的现实意义.     

一种基于遗传算法的铣削参数优化的方法研究

为提高刀具寿命,降低加工成本,需对铣削加工过程中的参数进行优化。采用电机电流监测法监测刀具磨损,采用正交实验方法设计实验,并运用MATLAB对测得的数据进行处理,建立铣削参数与刀具耐用度之间的函数关系式,以此函数关系式和工序生产成本作为数学模型。最后应用遗传算法对数学模型进行优化处理,得出最优的铣削参数。     

基于环形铣刀铣削加工的工艺参数优化

为了对铣削加工工艺进行优化,有效提高加工质量,从优化铣削工具和优化工艺参数两方面入手,在选用环形铣刀的基础上,选取铣削速度、进给量和铣削深度作为优化参数,表面粗糙度作为响应指标,通过响应曲面法设计实验,利用方差分析法对实验数据进行处理,并建立模型分析影响显著性以及参数间的交互作用。结果表明:环形铣刀比球面铣刀加工效果好,且在铣削速度为147.31 m/min、进给量为0.13 mm/r、铣削深度为2.04 mm时,表面粗糙度为0.74μm,加工质量最优;表面粗糙度线性效应的影响显著性为:铣削速度进给量铣削深度。     

基于小波神经网络非导电工程材料电火花铣削加工参数智能识别系统

为了实现各工艺参数的优化组合,以达到最高的材料去除率和最低的表面粗糙度,根据大量实验数据,将遗传算法与小波网络相结合建立了系统模型,并结合遗传算法全局搜索的特点和BP网络快速收敛的特点,实现了最终网络模型的快速收敛与高精度.     

基于改进遗传算法的钛合金TC18铣削参数优化

钛合金TC18因其热强度高、抗腐蚀性好等优点在航空航天制造业中得到关注,但是其化学活性大、导热性差等缺点给加工带来诸多困难.针对钛合金TC18的加工过程,建立了铣削参数数学模型及其约束条件,以材料去除率为目标函数,利用改进遗传算法对钛合金TC18铣削参数进行优化,得到的切削参数缩短了加工时间,提高了效率.并以实验验证了该方法的实用性和有效性.     

基于ANSYS的立铣刀高速铣削加工参数优化

应用ANSYS软件的结构分析功能和模态分析功能仿真分析高速铣削的2 mm立铣刀的加工参数,仿真结果表明:轴向切削深度Ad为0.1~0.3 mm、每齿进给量fz为0.01~0.03 mm/齿、铣刀悬伸长度为铣刀全长的50%~60%是较佳的取值范围;可以通过提高切削速度vc来提高进给速度,提高加工效率,降低成本。     

基于人工神经网络与遗传算法的Al-Mg-Si系合金抗拉强度预测模型

为了研究Al-Mg-Si系合金热处理制度和合金成分对力学性能的影响规律,采用人工神经网络（artificial neural network, ANN）和遗传算法（genetic algorithm, GA）相结合的方法,构建了Al-Mg-Si系合金强度预测模型（ANN-GA模型）。通过单因素和双因素分析,研究了合金元素含量和热处理工艺参数对铝合金抗拉强度的影响规律。结果表明,随着Si含量的增加,铝合金的抗拉强度呈现先降低后升高的趋势;随着Mg含量的增加、Cu含量的增加或者Fe含量的减少,铝合金的抗拉强度整体上呈现升高的趋势。双因素分析更能反映输入参数对铝合金抗拉强度的影响。Mg/Si比、Mg+Si总量和时效时间对Al-Mg-Si系合金力学性能的影响显著。铝合金的硬度随时间的变化趋势与ANN-GA模型的计算结果一致,峰值时效时间为29 h,相对误差为11.86%。     

模具平面铣削刀具的选择方法

根据模具平面铣削的要求,就铣刀刀体选择、铣刀片的选择、顺铣和逆铣3个方面具体进行了分析,为模具平面铣削刀具的选择提供了参考。     

基于变长度编码遗传算法的铣削深度分配优化

根据某企业车辊机架大轴向铣削深度的实际需求,在满足铣削总深度及加工精度要求下,为实现对轴向铣削深度分配方案的智能决策,建立了刀具失效累计率和铣削总时间为优化目标的分配数学模型。通过对轴向铣削深度分配进行可变长度编码,对遗传算子交叉、变异的重新改写,并采用加权方法处理优化结果。结果表明：与传统平均分配方式相比较,采用变长度编码的遗传算法所获得的目标值最高减少16.5%。该方法可提高企业生产效率,降低企业成本。     

基于GA-LSSVR的铣削加工变形预测

为了解决传统预测方法铣削加工变形预测精度低等问题,文章提出基于遗传算法优化最小二乘支持向量回归法( GA-LSSVR)的铣削加工变形预测方法,首先,提出了基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测原理,其中通过遗传算法优化最小二乘支持向量回归模型参数,以获取高性能的最小二乘支持向量回归模型.实验结果表明,基于遗传算法优化最小二乘支持向量回归法的铣削加工变形预测精度高于支持向量机.     

基于BP神经网络的数控加工铣削参数优化

以DMC60H数控机床为试验平台,以壳体类铝合金零件加工为研究对象,提取数控铣削加工试验数据,采用BP神经网络建立数控加工铣削参数优化模型,通过对数控加工铣削参数试验数据的分析与研究,提出了试验数据与样本数据的处理原则,实现了样本数据的优化,提高了BP神经网络模型的收敛精度、收敛速度与预测精度,并分析了验证数据的构成比例。经生产验证:提出的数控加工铣削参数优化方法具有较强的实用性和一定的先进性,能有效提高加工效率,对实现数控机床综合应用效率最优化,实现高效低成本加工具有重要意义。     

基于人工神经网络技术的注塑成型工艺参数优化

研究了人工神经网络技术在注塑成型工艺参数优化中的应用,通过建立基于神经网络的压力、温度模型以及优化工艺参数的目标函数,实现了基于人工神经网络技术的注射成型工艺参数优化;并将其应用于华中科技大学模具国家重点实验室开发的注塑成型CAE系统HsCAE 3DRF中,取得了良好的效果。     

基于NSGA Ⅱ算法的高速铣削参数多目标优化

采用正交试验法对3Cr2Mo模具钢进行高速铣削试验,建立了刀具磨损和表面粗糙度的预测模型。在此基础上,以生产效率最大、生产成本最小为目标建立优化模型,使用Matlab中以NSGA-Ⅱ算法为理论基础的多目标优化方法对其求解,得到了较优铣削参数。