高速磨削表面粗糙度预测模型研究

磨削表面质量的优劣直接影响零件的性能与使用寿命,其主要由表面粗糙度表征。运用最小二乘支持向量机预测理论与参数优化算法建立了高速磨削表面粗糙度预测模型,搭建了磨削闭环系统。通过实验分析得出,对试样内工艺参数组合下表面粗糙度进行预测时,平均相对误差为MRE=0.0095,均方根误差为MSE=0.0050;对试样外工艺参数组合下表面粗糙度进行预测时,平均相对误差为MRE=0.0119,均方根误差为MSE=0.0054。高速磨削表面粗糙度预测引导了磨削参数的设定,形成了磨削过程的闭环反馈控制,提高了高速磨削加工的自动化水平,磨削精度、效率,同时降低了磨削的废品率。     

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。     

ELID精密镜面外圆磨削技术的应用

在线电解修整(ELID)精密镜面磨削有效地实现了许多难加工材料的平面精密加工和高效加工.本文介绍了ELID磨削技术在精密镜面外圆磨削上的应用.通过采用金属基超硬磨料砂轮在线电解修整对硬质合金、碳化硅陶瓷进行精密镜面外圆磨削,得到了表面粗糙度Ra=0.025～0.028μm的加工表面.     

基于声发射信号的精密外圆切入磨削时间评估算法及试验研究

针对精密外圆切入磨削智能监控的需求,设计一种基于声发射信号的磨削时间在线评估方法。通过建立声发射信号方均根值曲线预测模型,获得声发射信号与磨削系统时间常数的关系,设计磨削系统时间常数在线计算方法;利用在线检测的声发射信号识别砂轮运动去除状态,推导基于声发射信号的外圆切入磨削表面粗糙度评价和工件几何精度预测模型,以此建立砂轮进给与驻留时间的评估算法;编写磨削时间分析评估软件,设计磨削时间在线评估方法,通过加工试验分析磨削时间对磨削加工精度与表面粗糙度的影响规律,并对评估算法进行验证。试验结果表明:该评估方法能够根据磨削时间有效评价加工质量,为精密外圆切入磨削智能监控与工艺优化提供决策依据。     

基于改进的ANFIS的滚削加工齿面粗糙度预测模型研究

齿轮应用广泛,具有重要的作用。在应用中,齿面粗糙度是影响齿轮疲劳强度、接触刚度、配合性能等重要的因素。然而,目前有关齿轮齿面粗糙度的研究还非常匮乏。因此,提出了基于改进的ANFIS的滚削加工齿面粗糙度预测模型,在传统ANFIS预测模型的基础上引入了田口方法,提高了预测精度。同时,对S119-20型号齿轮进行了滚齿加工实验,采用了BP神经网络、传统的ANFIS以及改进的ANFIS预测模型对该齿轮齿面粗糙度进行预测。实验结果发现,改进后的ANFIS预测模型的预测误差主要在(3~5)%左右,远优于其他预测模型的预测精度。因此,所提出的粗糙度预测模型对滚削加工齿面粗糙度预测研究有着重要的参考作用和应用价值。     

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。     

基于ANFIS的铝合金铣削加工表面粗糙度预测模型研究

分析以往建立表面粗糙度预测模型方法的不足，采用自适应神经模糊推理系统(ANFIS)建立了铝合金铣削加工表面粗糙度预测模型。经检验，该模型预测精度高，泛化能力强，且可简便预测铣削参数对已加工表面的表面粗糙度的影响，有助于准确认识已加工表面质量随铣削参数的变化规律，为切削参数的优选和表面质量的控制提供了依据。     

ELID精密镜面外圆磨削技术的应用

在线电解修整（ELID）精密镜面磨削有效地实现了许多难加工材料的平面精密加工和高效加工。本文介绍了ELID磨削技术在精密镜面外圆磨削上的应用。通过采用金属基超硬磨料砂轮在线电解修整对硬质合金,碳化硅陶瓷进行精密镜面外圆磨削,得到了表面粗糙度Ra=0.025-0.0028μm的加工表面。     

基于BP神经网络的面齿轮齿面粗糙度研究

以面齿轮齿面粗糙度为研究对象,考虑到影响其磨削表面粗糙度R_a的因素很多且不明确,运用BP神经网络原理构造预测粗糙度的数学模型,通过对比模型预测值与试验值验证预测模型的精度,结果表明此模型可精确地描述砂轮转速、工件进给速度和磨削深度对面齿轮磨削加工表面粗糙度的影响。实验验证,BP神经网络模型的预测精度较高,可获得最大相对误差为9.1%的高精度预测结果。     

基于声发射信号的外圆切入磨削去除率监测

针对精密外圆切入磨削加工的在线监测需求,提出一种采用声发射信号实现轴类零件材料去除率在线监测的方法。根据声发射信号强度与磨削力之间的联系,建立了声发射信号均方根曲线的预测模型,利用该预测模型研究了砂轮进给阶段和驻留阶段磨削系统时间常数的理论计算方法,推导了声发射信号均方根曲线与工件材料去除率的关系;编写了在线监测软件,利用声发射传感器实现了精密外圆切入磨削的材料去除率预测。实验证明,所建立的声发射信号均方根曲线模型具有良好的预测精度,基于该模型能够实现磨削系统时间常数在线评估,并实现精密轴类零件材料去除率的实时在线监测。     

ELID超精密磨削钢结硬质合金及其表面质量分析

运用铁基结合剂金刚石砂轮与专用高频脉冲电源相配合,对钢结硬质合金（ＧＴ３５）进行在线电解修整（ＥＬＩＤ）精密磨削。分析了ＥＬＩＤ超精密镜面磨削异相非均质材料钢结硬质合金表面的磨削机理,并通过原子力显微镜对其表面进行了微观表面形貌的分析。     

磨削液对陶瓷结合剂CBN砂轮磨削性能影响

分析了磨削液对陶瓷结合剂CBN砂轮磨削性能的影响，使用3种磨削液在精密外圆磨床M1420E上进行了磨削加工实验，用加工表面微观形貌、表面粗糙度R。值、工件表面残余应力以及砂轮径向磨损量对磨削液效能进行评价。结果表明，轻质润滑油不仅能提高工件表面质量，降低表面粗糙度值，而且砂轮磨损量明显降低，乳化液和化学合成液对磨削性能的影响各有利弊，润滑油是陶瓷结合剂CBN砂轮磨削的优选磨削液。     

陶瓷结合剂金刚石砂轮磨削超细晶粒硬质合金的表面粗糙度研究

本文结合单因素实验和正交实验,研究了从低速到高速磨削条件下,砂轮速度、进给速度、磨削深度、最大未变形磨削厚度以及磨削方式(顺磨或逆磨)对陶瓷结合剂金刚石砂轮磨削超细晶粒硬质合金表面粗糙度的影响规律,分析了影响超细晶粒硬质合金表面加工质量的原因。研究表明,总体来说磨削参数的变化对超细晶粒硬质合金表面粗糙度的影响程度不大。高速磨削时的表面粗糙度相比低速磨削得到了比较明显改善。逆磨时的粗糙度比顺磨大,随砂轮速度增加下降更快。相比传统硬质合金,磨削WC颗粒更细、强度更高的超细晶粒硬质合金的表面粗糙度更低。磨削参数对表面粗糙度的影响程度从小到大依次是磨削深度、砂轮速度和进给速度,实际加工时为同时获得较高的磨除率和表面质量,宜采用高砂轮速度、低进给和大切深的磨削组合。     

On-machine precision preparation and dressing of ball-headed diamond wheel for the grinding of fused silica

In the grinding of high quality fused silica parts with complex surface or structure using ball-headed metal bonded diamond wheel with small diameter,the existing dressing methods are not suitable to dress the ball-headed diamond wheel precisely due to that they are either on-line in process dressing which may causes collision problem or without consideration for the effects of the tool setting error and electrode wear.An on-machine precision preparation and dressing method is proposed for ball-headed diamond wheel based on electrical discharge machining.By using this method the cylindrical diamond wheel with small diameter is manufactured to hemispherical-headed form.The obtained ball-headed diamond wheel is dressed after several grinding passes to recover geometrical accuracy and sharpness which is lost due to the wheel wear.A tool setting method based on high precision optical system is presented to reduce the wheel center setting error and dimension error.The effect of electrode tool wear is investigated by electrical dressing experiments,and the electrode tool wear compensation model is established based on the experimental results which show that the value of wear ratio coefficient K’ tends to be constant with the increasing of the feed length of electrode and the mean value of K’ is 0.156.Grinding experiments of fused silica are carried out on a test bench to evaluate the performance of the preparation and dressing method.The experimental results show that the surface roughness of the finished workpiece is 0.03 μm.The effect of the grinding parameter and dressing frequency on the surface roughness is investigated based on the measurement results of the surface roughness.This research provides an on-machine preparation and dressing method for ball-headed metal bonded diamond wheel used in the grinding of fused silica,which provides a solution to the tool setting method and the effect of electrode tool wear.     

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。     

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。     

Investigation of the effect of machining parameters on the surface quality of machined brass (60/40) in CNC end milling—ANFIS modeling

Brass and brass alloys are widely employed industrial materials because of their excellent characteristics such as high corrosion resistance, non-magnetism, and good machinability. Surface quality plays a very important role in the performance of milled products, as good surface quality can significantly improve fatigue strength, corrosion resistance, or creep life. Surface roughness (Ra) is one of the most important factors for evaluating surface quality during the finishing process. The quality of surface affects the functional characteristics of the workpiece, including fatigue, corrosion, fracture resistance, and surface friction. Furthermore, surface roughness is among the most critical constraints in cutting parameter selection in manufacturing process planning. In this paper, the adaptive neuro-fuzzy inference system (ANFIS) was used to predict the surface roughness in computer numerical control (CNC) end milling. Spindle speed, feed rate, and depth of cut were the predictor variables. Experimental validation runs were conducted to validate the ANFIS model. The predicted surface roughness was compared with measured data, and the maximum prediction error for surface roughness was 6.25 %, while the average prediction error was 2.75 %.     

多线砂轮复合自动修磨装置的设计与精度检验

多线砂轮复合自动修磨装置采用CNC数控系统,利用两个独立金刚石滚轮休整器,实现单支和多支砂轮的高精度修磨,极大地降低了人工操作带来的加工误差,提高了产品加工精度和效率。通过表面粗糙度检测数据可知,具有多线砂轮复合自动修磨装置的数控丝锥螺纹磨床完全符合加工精度要求。同时,采用多元回归方程建立基于砂轮修整参数的表面粗糙度预测模型,并设计单因素试验,得到砂轮修整参数与表面粗糙度之间的关系。由显著性分析结果得出,径向修整进给量是影响表面粗糙度的主要因素。