加减速控制算法及其对数控加工的影响

研究了数控加工加减速控制的指数算法，并分析了稳态与动态位置误差产生的数学模型。在此基础上，还讨论了它们对螺纹切削和转角切削等典型数控加工误差的影响，最后给出了消除或减少加工误差的方法。     

工件装夹方式与工艺参数选择

通过对小轴车削加工多种装夹方式的比较，选择采用三爪卡盘夹一端的方式装夹。为了计算阶梯轴零件的切削变形，推导出变截面悬臂梁的弯曲变形通用表达式，应用C语言编程计算出控制切削变形误差的工件直径与长度的关系。并用工艺参数控制法减少切削变形误差，从而保证加工精度。     

数控相床加城速控制算法及加工误差分析

研究了数控机床伺服系统加减速控制的指数算法，分析了稳态与动态位置误差产生的数学模型，以及它们对螺纹和圆弧切削等数控加工的误差，提出了消除或减小加工误差的方法。     

数控加工验证技术及误差分析

介绍一种数控加工程序的计算机图形验证方法，作者基于物体空间的离散方法，将毛坯和刀具切削轨迹离散处理，加工生成的切削表面以三角网格表示，使得验证中的求交计算量大大减少，将加工结果用图形表示有利于观察和分析加工程序中的错误。同时，还分析了该方法中可能出现的误差，并提供了控制误差的手段。     

数控加工验证技术及误差分析

介绍一种数控加工程序的计算机图形验证方法，作者基于物体空间的离散方法，将毛坯和刀具切削轨迹离散处理，加工生成的切削表面以三角网格表示，使得验证中的求交计算量大大减少，将加工结果图形表示有利于观察和分析加工程序中的错误。同时，还分析了该方法中可能出现的误差，并提供了控制误差的手段。     

镗削加工误差的建模及预报补偿技术

文章介绍了镗削加工误差的在线建模和预报补偿控制方法，微量镗杆设计成双杆结构形式，便于误差的在线检测和补偿。用时间序列分析方法对镗削加工误差进行了分析和建模，建立了相应的AR误差模型，对AR模型的预报方法进行了分析，并得到了镗削加工误差的预报补偿控制模型。用切削实验的方法对所建立的模型进行了验证，实验结果表明误差预报补偿方法能有效提高镗削加工精度。     

车削加工物理仿真实现技术

提出误差集聚法 ,可建立多误差因素共同作用下的切削加工数学模型 ,使之纳入机床加工过程的几何与物理误差。提出车削加工切点法 ,可应用于其它类型机床的切削加工物理仿真。根据误差敏感方向 ,将三维误差简化为二维平面误差。在车削加工工件尺寸及形状皆连续动态变化时 ,应用有限元方法准确计算出工艺系统因弹性变形所引起的误差。给出的误差综合模型 ,既适合车削加工误差的分析与控制 ,也适合数控加工误差的实时补偿     

超声振动切削技术与误差补偿技术的综合应用

分析了误差补偿技术和超声振动切削技术的特点，设计出能同时实现误差补偿和振动切削的执行机构，将振动切削技术引入误差补偿系统中，以提高加工表面质量和精度。     

积极控制车削加工质量方法的研究

分析了超声振动切削刀具的振动特征，讨论了实现刀具谐振的电路匹配的问题，同时分析误差补偿方法的特点及误差补偿执行机构的动静态特性。提出了以超声振动切削和误差补偿技术为基础的提高车削质量的积极控制方法，实验证实了方法能全面地提高加工件的加工质量。     

高速切削与常规切削数控编程方法的对比分析

在给出高速切削与常规切削本质误差的基础上，提出了高速切削编程方法及应用分析。高速切削数控编程技术不但可以应用于高速切削加工中，同时可以应用于常规数控加工中，有利于提高普通数控加工的加工效率，对生产实践具有一定的指导意义。     

一种新型的神经网络及其在智能质量诊断分析中的应用

提出了一种适用于模式识别的新型神经网络模型———局部有监督特征映射 (RegionalSupervisedFeatureMapping, RSFM)网络,将其应用到质量控制图的模式识别中,为基于统计过程控制(SPC)的智能工序质量诊断分析系统提供了技术支持。文中研究了网络的基本性能并对其参数进行优化,提出了采用欧氏距离判别法作为混合型多特征异常模式的识别方法。实验证明,所提出的模型对控制图的基本模式和混合型多特征异常模式都能够有效识别,网络收敛速度快、识别精度高,可进行大样本训练,适用于控制图的在线实时模式识别。     

基于神经网络的复杂曲面加工误差控制

在复杂曲面的切削过程中，加工系统表现显著的多输入多输出及非线性特征，传统的误差补偿方法不能有效地保证加工精度，因此提出一种加工误差控制方法，引入神经网络对加工系统的逆模型进行辨识，运用该模型前置校正加工系统以改善加工效果，充分考虑到机械系统的非线性特征，且网络模型可连续辨识，因而系统的静态性能和动态特性均能有效补偿，在中凸变椭圆活塞裙面加工中的成功应用，证明其合理性及先进性。     

基于信息优化的加工过程神经网络控制

为了提高加工过程生产率和保证加工精度,以加工过程的恒切削力控制作为研究对象,将信息论原理和神经网络智能控制理论应用于加工过程控制,以信息熵作为加工过程智能控制系统的性能测度能统一各级性能指标,将神经网络作为加工过程控制输入和系统输出的信息传输通道,确定了神经网络基于信息优化的目标函数,推导出了信息优化的三层BP神经网络学习算法,提出了恒力切削过程中基于信息优化的神经网络控制系统框架.通过加工过程的仿真实例证明,与传统自适应神经网络控制方法相比,基于信息优化的神经网络控制方法收敛精确,速度快,振荡小,系统超调量小,具有较好的综合性能.研究结果为信息理论应用于加工过程控制提供了有效途径.     

车削过程切削力的计算机数值仿真

切削力是表征切削过程最重要特征的物理量,其动态变化将直接影响加工过程中刀具与工件的相对位移、刀具磨损和表面加工质量等,所以对切削力建模是进行加工过程物理仿真研究的基础。因此在基于实时工况的切削实验研究基础上,考虑切削参数的因素,利用BP（back pmpagation）神经网络建立车削过程中的切削力的仿真模型。通过大量的样本训练,使神经网络能够对切削力进行较准确地数值仿真。     

On-line Estimation of Workpiece Height by Using Neural Networks and Hierarchical Adaptive Control of WEDM

Wire breakage and unstable machining drastically reduce the machining efficiency and accuracy in wire electrical discharge machining (WEDM). When a stair-shaped workpiece is machined, poor electrolyte flow around the steps leads to wire rupture or unstable machining. This paper presents a WEDM adaptive control system that maintains optimal machining and improves the stability of machining at the stair section where workpiece thickness changes. A three-layer back propagation neural network is used to estimate the thickness of a workpiece. The developed adaptive control system is executed in the hierarchical structure of three control loops, using fuzzy control strategy. In the first control loop, the total sparking frequency is controlled within a safe level for wire rupture suppression. In the second control loop, the proportion of abnormal sparks is maintained at a pre-determined level for process control purposes. Based on the estimated thickness of a workpiece, adaptive parameter optimisation is carried out to determine the optimal machining settings and to provide the reference targets for the other two control loops. Experimental results demonstrate that the workpiece height can be estimated by using a feed-forward neural network. The developed adaptive control system results in faster machining and better machining stability than does the commonly used gap voltage control system.     

基于改进BP网络的磨料水射流切割质量研究

目前建立的磨料水射流切割质量数学模型,对厚板材切割时,其加工精度和表面质量较难控制.基于BP神经网络学习理论,通过对网络权值和阀值进行四种方法的改进,目的是改善网络误差反向学习性能,建立低误差收敛精度、快训练速度的最佳切割质量模型.在获取大量样本数据的基础上,对最佳改进BP网络模型进行训练、预测,结果表明该模型能够快速、准确、可靠地预测磨料水射流切割质量.     

Machining optimization using swarm intelligence in titanium (6Al 4V) alloy

The process of titanium machining in the aerospace industry today is by personal experience, producing non-efficient results. Assignment of the correct parameter for machining is hard to determine because the material has a high chemical reaction with other materials and has low thermal conductivity. These are the reasons why researchers are developing new prediction models to optimize such parameters. In this paper, particle swarm optimization (PSO) is used to optimize machining parameters in high-speed milling processes where multiple conflicting objectives are presented. The relationships between machining parameters and the performance measures of interest are obtained by using experimental data and a hybrid system using a PSO and a neural network. Results showed that particle swarm optimization is an effective method for solving multi-objective optimization problems and also that an integrated system of neural networks and swarm intelligence can be used to solve complex machining optimization problems.     

基于模糊小波神经网络的加工过程自适应控制

为了克服模糊控制动态响应慢和鲁棒性差的缺点,将模糊控制的定性知识表达能力与小波分析优异的局部控制性能和神经网络的定量学习能力相结合,提出了一种模糊小波神经网络自适应控制器,并将其应用于加工过程控制。对变切削深度的铣削加工过程控制的仿真结果表明,基于模糊小波神经网络的加工过程自适应控制,其控制效果优于一般的模糊控制和神经网络控制,具有很好的动、静态性能。该自适应控制器能有效防止刀具损坏和提高加工效率,是一种有效的加工过程控制方法。     

复杂曲面车削精度的神经网络控制

提出了一种基于神经网络的加工误差控制方法，引入神经网络对加工系统的逆模型进行辩识，运用该模型前置校正加工系统以改善加工精度。该方法在中凸变椭圆活塞裙面加工中的成功应用，证明了其合理性及先进性。     

一种基于模糊神经网络确定电火花加工条件的新方法

在电火花加工中,影响因素较多,难以确定最优加工条件。应用模糊神经网络确定电火花加工条件是一种新的尝试,它可以充分发挥模糊逻辑和神经网络的长处。为方便操作者决定粗加工最优加工条件,并提高表面加工效果和粗加工速度,本文提出了一种基于模糊神经网络自动确定和优化电火花成形加工中加工参数的方法。经实践证明,用该方法所确定的最优加工条件,能保证较高的粗加工速度,方便了操作者对加工条件的确定。