外圆磨削表面粗糙度的智能控制

针对外圆磨削表面粗糙度难以控制这一工艺难题,结合自适应模糊推理系统,提出了磨削过程的智能控制。在表面粗糙度预测模型基础上,以纵向进给速度为直接调整变量,以工件表面轮廓算术平均偏差为最终控制目标,通过智能化调整纵向进给速度实现对表面粗糙度的自适应模糊控制,建立了磨削加工粗糙度的模糊控制器。磨削实验结果表明,实测的粗糙度以较高精度在目标值周围变动,该模型能够满足对表面粗糙度控制的要求。     

低表面粗糙度值外圆磨削工艺参数的选择

1.前言 低表面租糙值磨削(包括精密磨削、超精磨削和镜面磨削)可获得R_α0.16～0.006的表面粗糙度,而且工件形状精度和尺寸精度也比较高。所以大部分高精度和低表面粗糙度值的零件质量,都是通过精密磨削来达到的,经过淬硬的高精度零件更是如此。与手工研磨相比,它的生产效率高,易实现自动测量,加工范围广,可加工内外圆柱面、内外圆锥面、端面     

氧化锆陶瓷主轴外圆磨削表面粗糙度分析

目的:应用于高速数控机床中的全陶瓷高速电主轴,要求具备高的高速旋转稳定性和高运转精度,其中主轴外圆表面质量对提高主轴的运转性能是非常重要的技术指标。通过分析主轴外圆表面的磨削加工工艺,来获得最佳的主轴外圆表面质量,进而满足高速电主轴的应用性能。方法:在MGA1432A高精度万能磨床上,采用金刚石砂轮磨削陶瓷主轴表面,重点研究砂轮粒度、砂轮线速度、轴向进给速度、横向进给量磨削参数与外圆表面粗糙度的关系。结果:通过正交试验分析,获得全陶瓷主轴外圆磨削最佳工艺参数,按此工艺参数加工后的陶瓷主轴外圆表面粗糙度达到0.11μm。结论:此结果能够完全满足全陶瓷电主轴外圆表面质量的设计要求,并且增强了主轴耐腐蚀、抗疲劳破损能力,提升了整个电主轴的可靠性、寿命等整体工作性能。     

基于进化神经网络外圆纵向磨削表面粗糙度的在线预测

将人工神经网络引入磨削加工领域。针对BP算法存在收敛速度慢，容易陷入局部极小值以及全局搜索能力弱等缺陷，采用遗传算法训练BP神经网络，设计了基于进化神经网络的学习算法，建立了外圆纵向磨削表面粗糙度的进化神经网络预测模型。实验和仿真结果表明。基于进化计算的BP神经网络可以克服单纯使用BP神经网络易陷入局部极小值等问题，预测精度较高，对提高外圆纵向磨削加工的自动化程度具有重要的意义。通过在线监测磨削拳数。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。     

高速低粗糙度外圆切入磨削表面波纹度试验

本文通过试验，着重考察民低粗糙度磨削条件下砂轮转速和工件转速对磨削表面波纹度的影响，并进行了一些分析讨论。     

基于CCD成像的外圆纵向磨削表面粗糙度在线测量

为了提高外圆磨削加工零件表面粗糙度的测量效率,可以采用在线测量的方法.基于CCD成像技术,利用激光图谱比较法以及图像傅立叶变换后的能量谱,对外圆纵向磨削后的零件表面粗糙度进行非接触式在线测量,并判定加工零件表面粗糙度的等级.使用的测量方法,可以实现在线检测表面粗糙度的目的,达到了预想的效果.     

外圆外入磨削过程的计算机仿真

介绍了一种可模拟外圆切入磨削过程的计算机仿真系统及建立系统数学模型的方法,与真实实验相比,可降低成本,省时,省力。     

外圆磨削工件表面螺旋纹的控制

阐述了外圆磨削中影响表面质量、粗糙度、尺寸精度的主要因素和磨削中螺旋纹的控制方法。在实践中应用该方法可以大大改善工件加工质量,解决了外圆磨削中较棘手的技术问题。     

基于支持向量回归机的外圆纵向磨削表面粗糙度预测

表面粗糙度是评价磨削加工质量的重要指标,表面粗糙度预测是实现表面粗糙度在线控制的前提。针对现有神经网络方法在预测外圆纵向磨削表面粗糙度方面存在的不足,提出了一种新的基于支持向量回归机的外圆纵向磨削表面粗糙度预测方法。在分析了影响外圆纵向磨削表面粗糙度预测主要因素的基础上,建立了基于支持向量回归机的外圆纵向磨削表面粗糙度预测模型。应用实例的仿真结果表明,所建立的预测模型具有较强的泛化能力和较高的预测精度。     

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。     

砂轮新模型对平面磨削表面粗糙度产生机理

探讨了在研究磨削表面粗糙度的过程中,能否在传统的以磨粒切削刃为研究对象的研究方法之外,建立一种新的研究途径的可能性.提出了平面磨削加工中,从宏观角度研究表面粗糙度影响因素的磨削模型,认为砂轮可以等效成若干个宽度为f的连续的小砂轮组成的砂轮组.提出在一定的磨削条件下,存在磨削参数对表面粗糙度影响的临界值.指出材料弹性模量在磨削加工中对表面粗糙度具有非常重要的影响.同时结合传统理论,进行了一系列的试验验证,得到了很好的吻合.认为在目前加工参数范围内,对Ra影响显著的因素是砂轮线速度、轴向进给量和砂轮的磨损.     

石英陶瓷磨削表面粗糙度的计算机模拟

工程陶瓷通常采用的加工方法是磨削，磨削表面粗糙度对零件使用性能具有很大的影响。由于客观条件的限制，磨削时各参数如何选择能获得低的表面粗糙度仍然是现今许多学者研究的方向。本文根据单颗磨粒的轨迹模型，利用Matlab软件模拟出不同磨削参数下工件表面的粗糙度情况，为不同磨削参数下获得表面的粗糙度情况模拟提供了一种新方法。     

轴向超声辅助端面磨削金属表面形貌及粗糙度预测

轴向超声辅助端面磨削被广泛应用于难加工材料加工,而磨削后的表面粗糙度对构件摩擦、疲劳等服役性能有重要影响。超声振幅的大小对轴向超声辅助端面磨削金属表面形貌和粗糙度有较大影响,但是现有模型中并未考虑实际加载对振幅的影响,因此提出了一种考虑加载状态下振幅变化的轴向超声辅助端面磨削金属表面形貌及粗糙度预测方法。根据砂轮粒度及尺寸建立了考虑磨粒随机分布的砂轮端面模型,并对轴向超声辅助端面磨削磨粒的三维磨削轨迹进行了数学描述,生成了加工后的表面三维数据矩阵并对表面粗糙数值进行了计算。在此基础上,研究了粗糙度随振幅的变化规律,提出了振幅衰减形貌映射系数这一概念,并给出了其标定方法。通过振幅衰减形貌映射系数近似计算出加载状态下的振幅并代入到所建立的轴向超声辅助端面磨削表面形貌及粗糙度预测模型中,实现了金属表面形貌模拟及粗糙度预测。最后,通过试验对所建模型的正确性进行了验证。     

外圆磨削表面粗糙度的BP网络建模与验证

基于零件加工表面粗糙度在线检测困难问题,应用BP网络建模对外圆磨削加工表面粗糙度值进行预测,并通过实验验证所建模型的正确性,同时也验证了实验数据的准确性。     

磨削参数对陶瓷结合金刚石砂轮磨削硬质合金表面粗糙度的影响

采用因素分析法,研究了不同条件下磨削参数的变化对陶瓷结合金刚石砂轮磨削硬质合金表面粗糙度的影响,分析了影响硬质合金表面加工质量的原因,并提出提高硬质合金表面加工质量的方法。     

基于模糊基函数网络和自适应最小二乘算法的外圆纵向磨削表面粗糙度的预测

建立了外圆纵向磨削表面粗糙度的模糊基函数网络（FBFN）预测模型，网络的训练采用自适应最小二乘算法（ALS）。ALS将最小二乘算法和遗传算法相结合，能够自主学习，不用人为干预，FBFN和粗糙度的分析模型相结合，只需少量实验数据便可完成网络的训练，自动产生模糊规则，确定隐含层的节点数。仿真和实验结果表明，FBFN网络结构非常适合粗糙度的预测和控制，采用ALS学习方法比BP算法、传统的遗传算法和正交二乘法等能产生更好的结果。     

磨粒有序排布的电镀CBN砂轮磨削表面粗糙度仿真

传统砂轮磨削性能的滞后性已经远不能满足当前的需求,提高砂轮磨削性能显得异常迫切。因此,把生物学中叶序理论引入到CBN电镀砂轮磨粒有序化排布中来,以改善砂轮的磨削性能。研究不同的叶序参数对磨粒有序化排布的影响。为保证工件表面能够获得较低的表面粗糙度,对磨粒之间的干涉做了一定的探讨。通过模拟仿真发现:选取合理的叶序参数可使磨粒之间能够保持很好的干涉率,与磨粒交错排布砂轮相比能够得到较低的表面粗糙度。叶序排布作为一种特殊的有序化排布为砂轮磨削性能的提高提供了很好的理论依据。     

圆柱铣刀前角的精确磨削

提出了圆柱形螺旋刃铣刀磨削偏距Ｅ的精确计算方法,该法可以保证精确地磨出所要求的法向前角。介绍了用图形模拟技术校核前刀面磨削干涉的方法。     

提高外圆磨削质量的措施

本文介绍了外圆磨削加工的一些工艺措施,这些措施对提高外圆磨削加工精度和磨削质量是可行的。