共查询到18条相似文献,搜索用时 171 毫秒
1.
2.
3.
金属加工过程中,切削刀具的状态对于生产效率和表面加工质量有重要影响,因此刀具磨损监测具有重要意义。刀具磨损监测是柔性制造系统研究工程的一个重要课题。切削力信号作为加工过程中最稳定和最可靠的信号,和刀具磨损密切相关。从实验上分析切削力与刀具磨损的相关性,提出刀具切削力变化与磨损变化是一致的。基于有限元分析软件对车削加工进行仿真研究,模拟了切削力的大小分布,并将模拟结果与实验结果进行了比较分析,为实际工艺参数的选择提供了理论指导。 相似文献
4.
刀具磨损预测对于提高加工精度和生产效率具有重要意义。刀具磨损预测模型主要包括基于物理的模型和基于数据驱动的模型。基于物理的模型一般使用经验公式或简化公式对刀具磨损过程进行建模,在切削参数变化的情况下其预测精度通常会变低。另一方面,数据驱动模型通过测量数据来估计刀具磨损,没有考虑刀具磨损机理,导致模型泛化性和结果可解释性较差。为了解决这些问题,提出了一种新的用于刀具磨损预测的高斯过程潜力模型。所提出的模型使用高斯过程对刀具磨损物理模型的未知参数进行建模,建立了一个物理信息机器学习模型。高斯过程潜力模型不仅避免了物理模型的参数识别,而且挖掘了来自物理域和数据域的隐藏信息。此外,通过将物理模型与高斯过程的协方差函数相结合,构建了一个物理信息协方差函数来约束模型的输出,提高了预测精度。多工况试验结果表明,所提方法的绝对平均误差和均方根误差分别为2.5945、3.740 8,比传统数据驱动模型的预测误差要更小,预测精度进一步提升。 相似文献
5.
6.
7.
8.
9.
采用陶瓷刀具干车削硬态条件下的冷轧辊,分析了不同切削条件下陶瓷刀具的寿命、刀具磨损形态,并分析了裂纹、剥落和崩刃过程。试验和理论分析证实:陶瓷刀具高效切削冷轧辊时,裂纹的生成和扩展是造成刀具失效的主要磨损机理。 相似文献
10.
《机械制造与自动化》2017,(5):93-95
基于修正的Johnson-Cook本构模型,在DEFORM中进行氧化铝陶瓷的切削仿真,分析了切削速度、切削深度及切削路程对刀具磨损量的影响。研究结果表明,刀具的最大磨损深度随切削速度的增大而减小、随切削深度的增加而增加。磨损深度随切削路程变化的仿真结果表明,切削过程中的刀具磨损可分为3个阶段,即初期磨损阶段,正常磨损阶段及急剧磨损阶段。 相似文献
11.
12.
13.
14.
15.
16.
针对SVM预测刀具磨损量存在的参数不易确定的问题,提出了新的基于粒子群优化SVM的智能预测方法。在介绍粒子群算法和SVM回归模型基本理论的基础上,提出用自适应粒子群优化算法优化SVM参数的策略,采用小波包方法对切削声信号进行分解处理,建立了基于粒子群优化SVM的刀具磨损量预测模型。试验分析的仿真结果表明,所建立的刀具磨损量智能预测模型具有较强的推广能力和较高的预测精度。 相似文献
17.
18.
铣刀健康状况直接影响实际生产加工过程,因此开展铣刀状态监测研究具有较大工程意义。以卷积神经网络为代表的深度学习模型已经逐渐用于监测加工过程中的刀具状态。但是这些模型的可解释性较差,预测结果的差异性也较大。作为一种新颖的卷积神经网络变种,主成分分析模型(Principal component analysis network, PCANet)的可解释性好,但是特征自监督学习能力有待提升,且相关应用案例较少。针对以上问题,拟对PCANet模型进行优化,进而提出了一种激活主成分分析-最大池化-支持向量回归(Activated PCANet with max pooling and support vector regression, APCANet-MP-SVR)模型,用于自适应提取敏感特征并准确预测刀具磨损情况。首先引入tanh激活函数,提高模型泛化能力;再采用最大池化层替代哈希编码和直方图用于特征选择,进一步降低冗余特征规模;最后建立支持向量回归模型实时预测刀具磨损值。应用案例充分证明了所提模型能够更好地用于加工现场刀具磨损值预测。 相似文献