铣削加工表面粗糙度的智能预测

为丁在加工中预测表面粗糙度,在保证铣削的同时提高生产率,将人工神经网络技术引入到铣削加工领域,利用BP神经网络,寻找切削参数和工件表面粗糙度之间的规律,建立起铣削加工表面粗糙度的预测模型.实验和仿真的结果表明,该方法能够得到较好的预测情度.     

基于RBF神经网络的磨削表面粗糙度预测模型

工件表面粗糙度是反映表面完整性指标中极为重要的一个参数,也是衡量磨削加工质量的重要因素之一,准确地预测磨削表面粗糙度对于快速合理地选择磨削加工工艺参数具有重要意义。通过开展实际磨削实验获得磨削加工数据,对获取的样本数据进行归一化处理以适应RBF神经网络的学习。同时采用循环算法比较得出隐层的最优神经元个数,最终建立了基于径向基函数神经网络的磨削表面粗糙度预测模型,并利用MATLAB进行仿真预测。仿真结果表明:该预测模型准确率很高,能为表面粗糙度预测研究提供可靠数据。     

快走丝线切割加工工艺建模方法研究

以工件厚度、峰值电流、脉冲宽度、脉冲间隔为输入参数 ,以加工速度和表面粗糙度为输出参数 ,分别用神经网络技术与非线性回归理论建立了快走丝线切割加工的工艺模型。经与实验数据比较 ,得出两种模型均能较好地预测出给定条件下的加工速度和表面粗糙度 ,反映了该机床的加工工艺规律 ,但神经网络模型具有更高的预测精度     

磨削智能预测控制系统研究

建立了一种智能预测控制系统。该系统根据各磨削阶段的特点,在不同阶段分别采用不同的优化控制策略：粗磨阶段,采用在烧伤极限内大进给和变速磨削优化策略;精磨阶段,采用由神经网络预测、模糊逻辑控制的工件尺寸智能优化方法;光磨阶段,采用工件表面粗糙度模糊神经网络预测辨识控制方法。基于神经网络的专家系统,提供各阶段初始磨削加工参数。实验结果表明,该系统在外圆磨削加工中适应性强,可极大地提高磨削质量和效率。     

基于模糊神经网络的表面粗糙度建模研究

根据零件表面粗糙度形成的复杂性,提出了一种基于模糊神经网络的表面粗糙度预测建模方法,并以外圆车削加工为例,建立了车削加工参数与工件表面粗糙度的预测模型。试验表明,所提出的模糊神经网络建模方法可对零件表面粗糙度进行有效预测。     

基于GA-BP的6061Al切削参数优化

针对6061Al铣削中表面粗糙度预测精度低、切削参数选择不合理的问题,提出一种基于遗传神经网络与遗传算法结合的优化模型,对6061Al切削参数进行优化。采用遗传神经网络(GA-BP)构建表面粗糙度预测模型;基于表面粗糙度预测,以材料去除率为目标函数构建切削参数优化模型;利用遗传算法进行优化求解,对6061Al切削参数进行优化。研究结果表明:所建预测模型表面粗糙度预测精度在97%以上;同时,优化模型能优化6061Al切削参数,达到较好的全局寻优效果,为铝合金工件铣削加工切削参数优化提供参考。     

切削加工表面粗糙度影响因素及预测建模综述

表面粗糙度对零件的使用寿命有很大影响,正确、合理地选用表面粗糙度数值,可以减少零件的加工费用,提高零件的使用寿命。对表面粗糙度的评定参数及测量方法进行了介绍,重点阐述了表面粗糙度的产生机制和切削参数对表面粗糙度的影响;从回归分析法、响应曲面法和神经网络建模方法3个方面综述了表面粗糙度预测与建模的研究进展。指出用多参数表征表面粗糙度和建立加工表面粗糙度的预测、优化和工艺工况为一体的综合预测模型是未来发展方向。     

高速铣削TC4表面粗糙度预测模型研究

零件表面粗糙度的影响因素具有复杂性和不确定性,切削参数是能够人为控制并对零件的表面质量有较大影响的因素之一。为了优选合适的切削参数以达到提高零件表面加工质量的目的,通过设计正交试验并在此基础上建立了钛合金TC4高速铣削表面粗糙度的GRNN广义回归神经网络预测模型和经验回归模型,对其预测误差进行了比较分析。结果表明:所建立的GRNN预测模型较回归预测模型有更高的预测精度,能够更好的对表面粗糙度进行动态控制。     

端面铣削工件表面粗糙度数学模型与实验验证

目的 针对多种表面粗糙度影响因素的耦合作用使轮廓形成机理不清,导致表面粗糙度数学模型存在表面质量智能管控工业应用预测精度不足的技术难题,建立端面铣削工件表面粗糙度数学模型。方法 首先,基于加工运动学机理和刀具几何学分析端面铣削工件表面轮廓形成机理,建立考虑刀具跳动的工件表面轮廓模型以及轮廓高度偏差关于铣削力的补偿函数,并通过卷积神经网络(Convolution Neural Network,CNN)进行解析。其次,建立端面铣削表面粗糙度数学模型。最后,进行可转位面铣刀端面铣削ZG32MnMo的实验验证,分别采集轮廓数据与铣削力信号,建立以铣削力为输入、轮廓高度偏差数据为输出的铣削数据集,训练卷积神经网络解析轮廓高度补偿值并验证理论模型的准确性,对比分析考虑刀具跳动的表面粗糙度数学模型与CNN优化考虑刀具跳动的表面粗糙度数学模型的精度。结果 CNN优化考虑刀具跳动的表面粗糙度数学模型对加工重叠区与非重叠区内沿刀具进给方向的轮廓算术平均偏差Ra的预测误差分别为18.71%和14.14%,与考虑刀具跳动的表面粗糙度数学模型相比,精度分别提高了10.61%和32.83%,CNN优化考虑刀具跳动的表面粗糙度数学模型对轮廓单元的平均宽度Rsm和支承长度率Rmr(c)的预测结果与实验值吻合。结论 考虑刀具跳动以及动态铣削力耦合作用边界条件的表面粗糙度数学模型能够有效预测端面铣削表面粗糙度,可为在质量管控工程中的应用提供理论指导与技术支撑。     

切削加工表面粗糙度预测方法

表面粗糙度是进行零件设计的重要技术要求之一,也是衡量工件加工质量的重要指标,因此,在实际加工前,对表面粗糙度进行预测和加工参数优化具有重要的意义.文章根据近年来国内外的研究进展情况,总结和讨论了切削加工过程中表面粗糙度的预测方法:理论方法、设计实验方法和人工智能方法,并探讨了该研究领域今后的发展方向.     

基于神经网络的混粉电火花加工效果的预测模型

针对混粉电火花加工的工艺特点及其复杂性,提出了一个基于径向基函数（RBF）神经网络的混粉电火花加工效果的预测模型,并通过该模型对混粉电火花加工试验研究的工件表面粗糙度进行了预测,预测结果与实际试验结果有较好的一致性,说明RBF神经网络对混粉电火花加工效果的预测是有效的.     

基于模糊故障树理论的泵控马达系统故障诊断方法研究

本文主要以泵控马达系统为研究对象,通过分析该系统的故障形式,提出了基于模糊故障杩理论的故障诊断方法来解决液压系统的故障与诊断问题。通过建立该系统的模糊故障树,进行模糊故障树的量化分析,最后进行故障诊断的算法研究等几个步骤来阐明模糊故障树分析液压系统故障的原理、方法和特点。     

线接触回转铣削外圆锥表面运动方程及残留高度分析

从线接触回转铣削外圆锥表面运动学模型出发,对不同加工条件下工件横截表面残留高度进行了几何学分析,建立了顺、逆铣加工线接触铣削外圆锥表面残留高度的分析模型,提出了顺、逆铣加工残留高度计算方法,同时分析了各个因素对表面残留高度的影响.经仿真证实分析结果可靠有效.     

PH13-8Mo钢的离子渗氮工艺

对PH13-8Mo钢离子渗氮工艺参数进行了研究,其中包括渗氮温度、渗氮时间及渗氮件表面粗糙度。结果表明:随渗氮温度的升高、渗氮时间的延长、零件表面粗糙度的降低,PH13-8Mo钢渗氮层厚度增加;渗氮零件表面粗糙度对渗氮层脆性等级影响较大,渗氮零件表面粗糙度为6.3 μm时,其脆性等级达到III级;渗氮时间、渗氮温度及零件表面粗糙度对渗氮层硬度影响甚微。渗氮温度540 ℃,渗氮时间22 h,零件表面粗糙度0.8 μm时,PH13-8Mo钢可获得良好的渗氮层,渗氮层厚度可达197.5 μm,渗氮层硬度可达1083 HV0.2,脆性等级为II级。     

18CrNiMo7-6钢研抛工艺试验研究

探究研抛工艺参数对工件材料去除率和表面粗糙度的影响。以砂纸和金刚石喷雾抛光剂为研抛介质,通过正交试验研究砂纸细度、研抛压力、研抛速度、研抛时间对18CrNiMo7-6工件材料去除率和表面粗糙度的影响。采用三维形貌仪、千分尺、电子天平和超景深显微镜对18CrNiMo7-6工件的表面粗糙度、厚度、质量和表面形貌进行测量分析,以材料去除率和表面粗糙度为评价指标,得到最佳的研抛工艺参数组合。在最佳工艺参数组合下,砂纸研磨工件的材料去除率为0.86μm/min,表面粗糙度为Ra0.048μm,金刚石抛光剂抛光后工件表面粗糙度为Ra0.024μm。砂纸研磨最佳工艺参数为:砂纸细度800#,研磨压力0.2MPa,研磨速度30rpm,研磨时间30min。抛光最佳工艺参数为:抛光压力0.2MPa,抛光速度30rpm,抛光时间15min。     

高速磨削对18CrNiM07-6表面完整性的影响研究

目的对试件表面粗糙度和残余应力进行分析,为研究高速磨削齿轮材料表面完整性提供试验依据,并对齿轮材料高速磨削工艺进行深入探讨。方法选择以平面磨削为主要研究方式,根据Salomon理论和高速磨削理论,提出以单因素法对齿轮材料18CrNiMo7-6进行高速磨削工艺试验,试验变量为砂轮线速度、磨削深度和工作台速度,以此得到了高速磨削工艺参数与表面完整性(主要为表面粗糙度和残余应力)之间的关系。结果齿轮材料18CrNiMo7-6的表面粗糙度随砂轮线速度的增大、磨削深度和工作台速度的降低而得以改善,用三维粗糙度表征法可以准确地评定工件表面形貌。试验得到砂轮线速度对残余应力的影响最大,磨削深度次之,工作台速度的影响较小。除V_s=160 m/s外,经高速磨削的渗碳淬火18CrNiMo7-6试件表面残余压应力值得到提升。结论通过分析高速磨削对表面完整性的影响,可得到该研究材料的最优磨削参数组合为:V_s=120 m/s,V_w=4 m/min,a_p=0.02 mm。在此磨削参数下,试件的残余压应力值最大,将有利于提高试件表面完整性。     

模糊聚类方法在电力系统中的应用

电力负荷预测是电力系统调度、用电、计划和规划等管理部门的重要工作。本文采用模糊推理预测方法进行负荷预测的研究，该方法是基于模糊聚类对输入变量进行有效模糊划分，并通过递推最小二乘辨识模糊模型的结论参数。采用该方法对某供电企业电力系统进行建模研究，取得了满意的效果。     

三维表面粗糙度对18CrNiMo7-6钢旋转弯曲疲劳寿命的影响

目的探究固定载荷下三维表面粗糙度S_a对18CrNiMo7-6钢旋转弯曲疲劳寿命的影响。方法通过砂纸研磨制备不同表面粗糙度及纹理方向的18CrNiMo7-6钢旋转弯曲疲劳试样,测量所有试样的表面粗糙度参数S_a及三维表面形貌参数S_q、S_z、S_(sk)、S_(ku)。对试样进行旋转弯曲疲劳试验,分析疲劳寿命。结果在相同或相近粗糙度的情况下,轴向纹理疲劳试样疲劳寿命大于周向纹理疲劳试样疲劳寿命。相同纹理方向的情况下,表面三维粗糙度S_a越低,试样疲劳寿命越高。试样疲劳寿命次数与表面粗糙度参数S_a及三维表面形貌参数S_q、S_z、S_(sk)、S_(ku)均有明显的相关性。结论对于18CrNiMo7-6钢旋转弯曲疲劳试样,拥有平行于疲劳应力的机械加工纹理比垂直于疲劳应力的机械加工纹理具有更小的危害性。降低18CrNiMo7-6试样表面粗糙度,能够有效提高试样旋转弯曲疲劳寿命。纹理方向平行于疲劳应力方向的试样,表面偏斜度S_(sk)对零件疲劳寿命影响不明显。     

除尘风机网络化在线监控与故障诊断系统的研制

针对某厂除尘风机生产过程中存住的问题，根据该厂的实际情况，结合计算机智能诊断技术、数据库技术、网络应用技术，研制了除尘风机的网络化在线监控与故障诊断系统。实践证明，该系统的正常运行，可以对除尘风机的故障提前预警预报并进行诊断，提高了企业设备管理水平，产生了良好的效果。     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。