机器人磨抛工艺参数优化方法研究

为了确保加工质量和加工效率的最优参数组合,进行了机器人砂带磨抛去除参数的优化方法研究.在分析砂带磨抛过程后建立了表面粗糙度和磨抛去除率模型.运用deform软件对工件磨抛过程进行模拟仿真,建立了磨抛去除率和粗糙度回归方程.以加工表面粗糙度和材料磨抛去除率作为目标函数进行双目标优化,并运用NSGA-Ⅱ算法确定了最优参数组合.以仿真数据为基础进行正交试验,对理论和仿真的结果进行了验证.结果表明,采用所确定的最优参数组合进行磨抛加工试验,能够达到预期的磨抛去除率和表面粗糙度要求,表面加工质量良好,所用工艺参数优化方法可行.     

表面滚压强化工艺对FV520B钢表面完整性的影响及预测模型建立

目的 基于多元回归法和BP神经网络建立预测模型,实现对滚压后试件表面完整性指标的精准控制,从而指导实际加工生产。方法 以FV520B钢为研究对象,以滚压工艺参数（压强、进给量、滚压速度）为影响因素,以材料表面完整性指标（表面粗糙度、表面硬度、塑性变形层深度）为评价指标,设计了正交试验。通过对正交试验数据进行方差分析和信噪比分析,探究了滚压工艺参数对FV520B钢表面完整性的影响。基于正交试验数据构建了多元回归预测模型和BP神经网络预测模型,并对2种模型的有效性和精准度进行了分析和比较。结果 进给量对表面粗糙度有显著影响,随着进给量的增大,表面粗糙度也显著增大。压强和进给量对塑性变形层深度均有显著影响,且塑性变形层深度随着压强的增大而增大,随着进给量的增大而减小。多元回归法建立的预测模型的拟合度较差,而BP神经网络预测模型的实验值和预测值的相对误差均在10%以下,预测效果较好。结论 相比于多元回归预测模型,BP神经网络预测模型具有误差小、泛化性能好等优点,能够实现对滚压后试件表面完整性指标的精准控制,为实际的加工生产提供一定的指导。     

BP神经网络在电火花成形加工中的应用

针对电火花成形加工工艺特点,以峰值电流、脉冲间隔、脉冲宽度、峰值电压为输入参数,加工速度、电极损耗和表面粗糙度为输出参数,提出了用BP神经网络对电火花成形加工过程建立加工效果预测模型,通过计算机仿真的结果与实验数据对比,认为该模型能够比较精确地预测出一定条件下的加工速度、电极损耗和表面粗糙度,并能真实反映出机床的加工工艺规律。     

纵-弯复合振动超声挤压加工试验研究

为研究挤压加工时静压力、进给量和挤压速度等工艺参数对试件表面质量的影响,在挤压加工中引入纵-弯复合振动后对Q235钢轴件端面进行处理,并与普通挤压加工进行对比,基于正交试验结果构建了挤压加工后表面粗糙度和表面里氏硬度二次回归预测模型.试验发现:在相同加工工艺参数下,在普通挤压加工中引入纵-弯复合超声振动后获得的表面粗糙度Ra值更小,而表面里氏硬度值显著提高;采用两种挤压加工方法后工件表面粗糙度Ra值均随着静压力和进给量的增加而增大,而挤压速度的影响很小,进给量对表面粗糙度的影响最为显著;工件经超声挤压加工时静压力越大,则获得的表面硬度越大,且表面硬度随进给量的增大先增大后减小,而普通挤压加工后表面硬度随静压力和进给量的增大先增后减,且在两种加工方式下工件表面硬度基本不受挤压速度的影响.纵-弯复合振动超声挤压加工工艺适合Q235钢表面强化处理,构建的表面粗糙度和硬度的预测模型可用于指导Q235钢表面强化处理工艺生产.     

先进陶瓷材料超声振动铣磨加工表面粗糙度仿真及实验(英文)

为了对超声振动铣磨加工先进陶瓷的表面粗糙度进行预测,建立了加工表面形貌的仿真模型.通过实验测得砂轮表面形貌和磨粒突出高度信息,并对这些信息进行Kolmogorov-Smirnov正态验证,发现砂轮表面形貌不服从高斯分布.对非高斯分布的数据进行Johnson变换,建立砂轮形貌的数值模型.结合砂轮表面形貌和磨粒与工件的相对运动分析,提出了一种表面轮廓搜索方法,进而生成了加工表面的三维形貌.最后,在DMG ULTRASONIC 70-5 linear机床上进行切削实验,对仿真结果进行了验证,结果表明仿真与实验结果具有较好的一致性,并对仿真误差产生的原因进行了分析.     

钛合金立铣表面粗糙度预测新方法

为实现加工前对表面粗糙度的预测,建立高精度的表面粗糙度预测模型至关重要.针对钛合金立铣表面粗糙度的特点及传统预测方法的不足,提出了表面粗糙度预测新方法.分别用递推最小二乘算法、基本蚁群算法与混合蚁群算法训练模糊系统,混合蚁群算法的收敛效果优于递推最小二乘算法和基本蚁群算法.通过回归分析建立了表面粗糙度的两种经验公式.对各方法所得模型进行测试,结果表明混合蚁群算法训练模糊系统的预测效果优于其他方法,用混合蚁群算法训练的模糊系统进行表面粗糙度预测是可行的.     

铁基高温合金的加工性能研究

采用多元回归正交试验法对铁基变形高温合金(GH2132)进行车削试验,分析了车削参数(包括切削速度、进给量、切削深度)对表面粗糙度的影响。基于概率统计和回归分析原理,建立了表面粗糙度预测模型,并对回归方程和回归系数分别进行了显著性检验,为切削工艺参数的优化和表面质量的控制提供了基本依据。     

基于模糊神经网络与主成分分析的磨削表面粗糙度在线预测

基于声发射和振动信号提出了一种模糊神经网络和主成分分析的表面粗糙度预测方法,以提高磨削过程中工件表面粗糙度识别的准确性。首先,采集磨削程中声发射与振动信号,提取相关时域特征、频域特征和小波包特征参数,利用主成分分析对特征量进行降维优化;然后,构建表面粗糙度模糊神经网络预测模型,将信号特征量与表面粗糙度作为模糊神经网络的输入和输出;最后,对模型进行训练,并对表面粗糙度预测精度进行验证。实验结果表明:通过主成分分析(PCA)方法对声发射和振动信号特征量进行降维得到5个主成分,以此建立的模糊神经网络表面粗糙度预测模型的效果精度可达到91%以上,与局部线性嵌入和多维标度法降维方法相比,PCA方法降维后的特征所含信息更优,预测准确度更高。     

航空钛合金板胶接表面粗糙度的超声测量

采用一种新的超声频谱法快速测量航空钛合金板经喷砂预处理后的胶接表面粗糙度,并引入表面面积均方根粗糙度系数ST来表征材料表面三维微观形貌.以航空Ti-6Al-4V钛合金胶接板为测量试样,超声换能器接收测试试样表面的反射回波,并计算得到AR参数谱.以反射脉冲AR参数谱和声波镜面反射理论为基础,建立了有关脉冲波声反射系数和表面均方根粗糙度系数ST的数学模型.利用表面粗糙度系数理论模型.数值计算反射回波的理论频谱曲线,并与实测反射回波AR谱进行拟合.利用最小值搜索算法,处于最佳拟合时的表面粗糙度系数ST即为试样胶接表面的测量结果.实验表明,超声反射频谱法测量结果与轮廓仪测量结果符合得很好,该测量方法在材料或零部件表面粗糙度在线测量中具有广泛的应用前景.     

车辆排气噪声声品质仿真计算方法

采用成对比较法对车辆排气噪声进行主观评价,使用BP神经网络建立车辆排气噪声声音品质预测模型。采用计算流体动力学方法对消声器的声学特性进行仿真计算,得到车辆安装消声器后的排气噪声频谱结构,以心理声学理论为基础计算出该虚拟排气噪声频谱的响度、尖锐度、粗糙度、波动度等客观参数,并将计算结果输入到所建立的声音品质预测模型中得到满意度仿真计算结果。从而形成一套完整的车辆排气噪声声品质仿真计算方法,并将计算结果与实验结果进行对比,证明计算方法的可靠性。