基于人工神经网络方法的切削用量智能选择系统

介绍了BP神经网络的建模方法和算法 ,提出了采用神经网络方法进行切削用量选择的智能系统。试验表明 ,运用神经网络方法确定切削用量具有可行性     

CAM中曲面加工方法的选择

介绍复杂曲面的数控加工方法及参数选择原则,通过三个实例以表格的形式列出了选择不同的切削参数所对应的加工时间以及用图形展示出切削效果,对于学习CAM的人员,在曲面加工时起到一个很好引导和启发的作用。     

切削参数智能选择系统的研究与开发

介绍了一套材料切削加工参数智能选择系统的研究与开发。该系统基于切削参数工程数据库的经验参数选择；采用模糊综合评判及模糊聚类方法对切削加工性能未知的材料进行切削参数的选择；采用机械最优化方法对特定加工目标的材料切削参数进行选择；采用人工神经网络方法对具有大量加工经验的材料切削参数进行选择。多种方法的结合有效地实现了切削参数的合理选择，并使切削参数的选择具有一定的智能水平。     

基于模糊神经网络的机械加工参数自动选择研究

利用模糊神经网络的推理和学习能力,在对机械加工过程中的切削参数进行自动选择的基础上,研究了一套基于机械加工参数自动选择的数控编程系统。运用VC＋＋开发的系统实现了网络参数替换源程序中车削参数,实现了数控加工程序的自动生成。对此编程系统进行了详细的介绍,介绍了该软件的实现过程,并且用具体的实验测试了该软件并得到了标准的指令代码G代码。     

加工过程中基于信息熵的神经网络控制方法研究

不确定性信息的处理是目前控制器设计的关键和难点 ,变切削深度加工过程有大量的不确定性信息 ,本文以其为实验对象 ,研究神经网络控制效果 ,虽然网络学习率已根据实际需要作了修改 ,但系统响应速度较慢。据此 ,提出基于信息熵的神经网络优化控制算法 ,对熵函数中的概率分别采用均匀分布规则和根据最大熵原理求取两种策略。比较发现 ,前者比最初神经网络控制更能显著提高系统响应速度 ,后者能在此基础上将震荡次数减少 2 / 3。实验证明 ,基于信息熵测度的控制对处理不确定性系统具有很好的效果。     

基于神经网络的曲面加工振动监测方法

文章论述了一种新的基于传感器信息的切削加工振动预测方法，提出了切削状态指数的概念，用于描述切削状态，利用神经网络规划切削条件与切削状态的非线性关系，给出了曲面加工切削振动状态的变化规律。     

基于切削实验的薄壁件切削用量优化选择

针对不同几何尺寸的典型薄壁件,在不同切削参数组下,进行实际铣削加工试验,分析各个切削用量对切削加工变形的影响,最后结合实际加工切削条件,运用线性规划对切削用量的优化选择进行了讨论。     

基于模糊神经网络的切削参数预测方法

提出了一种基于模糊神经网络的数据挖掘算法,将模糊理论与神经网络技术结合,避免了单纯的神经网络结构复杂、网络训练时间长、结果表示不易理解等不足。经过模糊神经网络的建立和训练可达到精度要求。将试验值、单纯神经网络及支持向量机的预测结果进行比较,可以得出如下结论:当模糊神经网络的隶属度函数中的参数及神经网络连接权值的初始值合理时,其学习算法的精度高,收敛性好。     

刨花切削控制参数优化的计算机视觉方法研究

将计算机视觉技术与数控技术相结合,运用计算机视觉技术对刨花切削过程中产生的视频图像序列进行分析,通过研究刨花切削控制参数与监控所得的视频图像之间的关联采对切削参数进行优化,实现对刨花的尺寸、厚度等形态更灵敏、更精确的控制,进而实现人造板加工过程的数控化、智能化.     

数控加工形状复杂零件的切削用量合理选择

从形状复杂零件数控加工中合理的切削用量选择出发，阐述确定主轴转速、切削深度及进给速度的原则方法，并对在特殊情况下和多坐标加工时进给速度的确定进行分析。     

基于神经网络的切削力预报

将人工神经网络用于切削力的预测，实验证明人工神经网络能够实现切削力大小的准确预报。     

基于RBF神经网络和遗传算法的油膜附水滴切削参数优化

为了优化油膜附水滴切削工艺参数,降低切削力,减少刀具磨损和提高切削加工质量,结合神经网络和遗传算法,基于MATLAB软件对切削试验数据进行训练.通过构建径向基函数RBF和反向传播BP神经网络模型,并对切削力和表面粗糙度综合加权后综合目标进行预测.对比两种模型的精度后,选择更精确的RBF神经网络模型.利用遗传算法GA优化...     

基于神经网络建模和遗传算法的线切割工艺参数模糊优化

针对电火花线切割加工工艺难以获得更优异的工艺参数（如同时得到更快的切割速度和更好的表面粗糙度）等问题，先以神经网络建立模型，然后结合遗传算法和模糊理论求解此多目标优化问题，得到优化的工艺参数。结果显示。取得了较好的效果。     

基于人工神经网络的SPRC切削力仿真模型

由于自回转切削 (Self PropelledRotaryCutting ,简称SPRC)刀具有可能解决刀具耐磨性问题 ,建立其力学模型对于自回转切削刀具的研究具有重要的学术意义和实践意义。笔者利用BP算法用C语言编写人工神经网络程序 ,并用实验数据对神经网络进行学习训练 ,建立了SPRC切削力的仿真模型。实验证明该模型的输出结果与实际结果十分接近 ,该模型能够反映SPRC的基本切削加工特性 ,因此可作为SPRC基本切削加工的仿真模型     

基于BP神经网络的切削表面粗糙度预测方法

利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法。简单分析了粗糙度的影响因素及预测原理。介绍了BP神经网络的特点、原理、算法和公式。在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析。结果表明,该方法的预测误差小于3%。     

基于Elman网络的切削表面粗糙度预测方法

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,讨论神经网络非线性、多因素预测原理及其拓扑结构的基础上,提出利用Elman神经网络建立切削表面粗糙度预测模型的方法;在Matlab及其神经网络工具箱的基础上,采用Elman神经网络对铝6061切削表面的粗糙度进行训练、预测、分析.结果表...     

基于小波神经网络的工程陶瓷动态车削力预测

以小波分析和BP神经网络为基础,构建了小波神经网络预测模型。使用CA6140车床对氟金云母陶瓷进行了干车削试验,并用三向测力仪测量了切削过程的切削力变化趋势。基于小波包中的Wpbmpen函数对切削力信号进行了降噪处理,切削力信号在降噪后有明显改善,能更形象地表达出切削力的变化趋势。基于小波神经网络对切削力进行了预测,结果表明:小波神经网络预测值、信号降噪处理值和试验值都非常相近,说明切削力在预测过程中具有一定的可靠性,小波神经网络预测前对切削力信号的降噪处理是合理的。     

基于小波神经网络的切削刀具状态监测

提出了一种基于小波神经网络的切削刀具状态监测方法，即提取反映刀具磨损状态的特征参数，利用小波神经网络的非线性模型，实现在线状态监测；同时针对多输入输出问题带来的网络规模大、收敛速度慢等问题，提出了一种网络优化算法，即采用改进的遗传算法寻找最优小波基元，从而简化小波网络并加快收敛。仿真实例证明该方法是有效的。     

工况信息融合的神经网络刀具监控方法研究

基于加工过程中刀具产生的动态信号,利用BP神经网络多输入、多输出和非线性映射的特性,通过融合多种加工特征信号,建立了切削参数与加工动态过程之间的关系模型,实现了刀具在线加工状况的检测与预报。仿真结果表明,基于工况信息融合的神经网络刀具监控方法不但可以减少加工参数变化对刀具状态检测的影响,而且提高了在线检测刀具磨损量的精确度,验证了该方法的有效性。