铣削加工过程动力学建模仿真技术研究进展

从数控铣削加工过程铣削力建模仿真、颤振离线预测出发,分析了铣削力建模方法、颤振产生的机理.论述了铣削力仿真、预测控制颤振的重要性和必要性以及国内外的研究现状,并指出了该领域今后主要的研究方向.     

MDH80加工中心铣削稳定性研究

为了提高发动机缸体与缸盖结合面的表面加工质量,研究了铣削加工过程中的颤振稳定性问题。进行了刀具—主轴锤击模态试验和铣削力仿真实验,获得了所用刀具的低阶模态参数及铣削力系数。构建了铣削颤振的稳定性叶瓣图,用于指导切削参数的选择和优化。通过该方法可以选取合适的主轴转速和切削深度,避免加工过程中颤振的发生,提高工件表面的加工精度,并对加工刀具及机床本身有保护作用,可提高其使用寿命。     

基于改进PID控制的电液伺服系统执行器运动轨迹仿真

电液伺服系统执行器运动轨迹跟踪容易受到外界干扰，导致控制系统不稳定。为解决此问题，设计小波神经网络PID控制系统，并对控制效果进行仿真验证。建立电液伺服阀简图模型，创建阀芯运动的动力学模型，分别推导出控制阀、液压执行器和比例溢流阀动力学方程式。采用小波神经网络对传统增量式PID控制器进行改进，利用MATLAB软件对改进后的控制系统进行仿真；对比分析改进前、改进后系统液压执行器的跟踪轨迹。结果表明：液压执行器在没有受到外界波形突然干扰情况下，2种控制方法都能较好地实现轨迹跟踪；在受到外界波形突然干扰情况下，采用增量式PID控制的液压执行器运动轨迹与期望轨迹存在较大误差，采用小波神经网络PID控制的液压执行器运动轨迹与期望轨迹存在较小误差。所设计的控制系统响应速度较快，能够自适应在线调整控制参数，有效地抑制外界环境对控制系统的干扰，从而提高液压执行器运动轨迹跟踪精度     

基于模糊神经网络的TC4钛合金铣削力建模与仿真分析

模糊神经网络是模糊逻辑与神经网络的结合,将二者融合应用到铣削力动态系统建模与仿真上,可以弥补神经网络在模糊数据处理方面的不足和纯模糊逻辑在学习方面的缺陷,即弥补铣削加工钛合金(TC4)过程中影响铣削力的复杂因素对铣削力的不利影响和提高利用纯模糊数据处理建立铣削力数学模型的精确程度。采用正则化模糊神经网络学习算法建立了铣削力预测的神经网络模型,模型中主要考虑影响TC4铣削力的加工参数,设计铣削加工试验组合数据对模糊神经网络模型进行训练,并利用模糊神经网络模型对铣削力进行仿真。仿真结果表明:利用正则化模糊神经网络方法建立TC4的铣削力预测模型是可靠的。     

高硬度航空合金铣削颤振研究进展

高硬度、高强度合金在航天航空领域的应用越来越广泛,但这类合金在铣削过程中存在铣削力过大而容易引起刀具颤振的问题,而刀具颤振会降低工件的最终表面质量和生产效率。为了减少刀具颤振对加工质量的影响,铣削颤振稳定性预测被广泛应用于高硬度合金铣削的研究中。综述了高硬度航空合金铣削过程颤振稳定性分析的研究现状,重点阐述再生型颤振的动力学建模,分析刀具颤振与磨损的相互关系,介绍了近年来铣削颤振稳定性研究中抑制颤振的研究成果。     

TC4铣削切屑形态与表面形貌特征

目的 对TC4铣削过程中锯齿状切屑的形成与对应产生的加工表面形貌特征进行研究,掌握钛合金TC4高速铣削加工切屑形态随铣削速度的变化规律,从而提高加工表面质量和效率。方法 基于有限元软件,建立钛合金TC4二维变厚度切削模型,通过仿真和铣削试验分析铣削速度对切屑形态的影响规律。利用超景深显微镜和PS50表面轮廓仪对TC4铣削过程中形成的切屑形态及工件加工表面形貌进行观测和分析,确定铣削加工TC4过程中铣削速度与切屑形态、工件表面形貌和表面粗糙度之间的关系。结果 铣削试验验证得出铣削力仿真值与试验值最大误差为9.86%,验证了二维变厚度切削模型的准确性。随着铣削速度从40 m/min增大到120 m/min,切屑形态由带状转变为锯齿状,且铣削力逐渐减小。同时,铣削速度由80 m/min增大到240 m/min时,切屑的锯齿化系数和剪切带内的剪切角均增大,而剪切带间距减小,TC4加工表面波纹加深、波纹间距变宽,并且伴随有大量韧窝出现,导致表面粗糙度值增大。结论 掌握锯齿状切屑几何特征与工件表面形貌随铣削速度的变化规律,以便在铣削加工TC4过程中对锯齿状切屑进行控制,对于提高工件加工表面质量和加...     

基于遗传神经网络的铣削力预测方法

铣削过程的复杂性和铣削力产生的多因素性使得铣削力预测模型很难建立.论文在遗传算法与BP网络模型相结合的基础上,利用遗传算法训练神经网络权重的方法,建立了铣削力预测的遗传神经网络模型.最后将神经网络预测结果与实验数据进行比较和误差分析,证明了该神经网络能够准确地预测铣削力的大小.     

高速铣削加工表面位置误差的频域分析

在高速铣削加工过程中,提高轴向切削深度和主轴转速可以获得较高的材料去除率,然而限制轴向切削深度提高的一个因素是加工颤振.高速铣削系统动态失稳可能导致加工零件的表面几何精度偏差.分析高速铣削的表面位置误差对表征切削过程、刀具寿命估算和加工优化都起着重要作用.因此,在不考虑再生颤振影响的前提下,提出了一种数值分析和加工实验相结合的方法来研究表面位置误差.首先,构建了高速铣削加工过程模型,然后建立了动态铣削力模型,并推导了表面位置误差的分析方法.通过数值分析和铣削实验相结合,得到了高速铣削加工的稳定性叶瓣图.接下来,研究了逆铣削加工过程的表面位置误差,并详细分析了主轴转速和轴向切削位置对表面位置误差的影响规律.最后,把稳定性叶瓣和表面位置误差数据组合在同一个图里得到了高速铣削加工的综合分析图.借助综合分析图,能预测表面位置误差和优化高速铣削的工艺条件.     

基于DEFORM-3D的大导程丝杠螺旋槽铣削仿真分析

以大导程丝杠螺旋槽的铣削为研究对象,通过DEFORM-3D有限元软件对螺旋槽铣削进行三维仿真模拟,得到铣削过程中的铣削力、应力、应变及温度等变化情况,并通过不同铣削参数下的大量仿真,得到铣削参数对铣削力的影响规律。以铣削力最小为目标,在保证表面质量和加工效率的约束条件下,对铣削参数进行优化,为提高工件质量、减小工件弯曲提供理论依据。     

薄壁件铣削系统动态特性及稳定性分析

颤振失稳现象是铣削过程中降低加工表面质量的一种不利因素,针对此问题采用颤振稳定性解析算法建立铣削过程的动态铣削模型,以钛合金ZTC4/42C薄壁件铣削参数作为研究对象,通过仿真绘制出转速和切削深度相关的稳定性叶瓣图;其次,分别对影响铣削稳定性的机床系统的模态因素、刀具几何参数和材料特性进行了分析,研究结果可以为钛合金薄壁件铣削加工提供理论支持。轴承接触点的刚度值与切削稳定性所需的刀尖点频响函数信息密切相关,采用有限元软件对主轴系统进行动态特性研究,借助仿真分析得到刚度与刀尖点频响函数之间的内在关系。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用，实现对铣削加工质量的预测，改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比，然后基于MATLAB平台，建立以铣削速度、进给量和铣削深度为输入参数，表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练，然后再用训练好的RBF神经网络模型预测表面粗糙度，将预测值与实测值进行比较，验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%，最大误差为0.056 098，平均误差为0.022 277，而BP方法的最大误差为0.074 947，平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高，具有比BP神经网络更优的预测能力，且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点，能有效进行铣削质量预测。     

Analytical prediction of chatter stability in ball end milling with tool inclination

The paper presents an analytical method to predict chatter stability in ball end milling with tool inclination. The chatter stability limits in ball end milling without the tool inclination have been predicted in the previous study by deriving directional milling force coefficients and then solving a simple quadratic equation. However, the tool is generally inclined and not perpendicular to the cut surface in practice. Therefore, a new method is developed to compute the directional milling force coefficients considering the tool inclination. It is confirmed that the chatter stability predicted by the proposed method agrees well with the experiments.     

基于小波包分解和奇异谱分析方法的立铣加工颤振监测

在立铣加工过程中,颤振是加工过程失稳的一个最重要的原因。颤振将会严重影响工件表面质量和材料去除率,加剧刀具磨损和恶化工作环境。虽然大部分颤振监测系统可以监测到颤振发生,但颤振发生时已经对工件和刀具产生了严重的损伤,因此,需要提前监测到颤振特征。在颤振发生过程中,振动信号具有在时域中不断增大,在频域中能量频移的特性。考虑这两个振动信号特征,提出了一种颤振特征提取方法。提取颤振发生频带中振动信号的能量比和奇异谱熵系数作为两个颤振特征,并通过人工神经网络模型实现切削颤振的识别。文中提出的颤振监测系统包括特征提取和分类,能够精确辨识立铣加工中的稳定、过渡和颤振状态。     

变截面涡旋盘齿面粗糙度的双预测模型

目的精确预测三段基圆变截面涡旋盘齿面粗糙度,确定合理的铣削参数,提高变截面涡旋盘齿面的加工质量。方法首先在正交试验的铣削参数条件下,用XK714数控铣床对毛坯件进行铣削加工,获得三段基圆变截面涡旋盘,用SJ-210表面粗糙度测量仪测量已加工涡旋齿侧面的粗糙度值。然后利用铣削参数和测量的粗糙度值,建立齿面粗糙度的多元回归预测模型和改进的BP神经网络预测模型及双预测模型,并验证该三种模型的精确度。最后对单一因素条件下的粗糙度进行预测、分析。结果经过计算可得,齿面粗糙度的多元回归预测模型的平均误差为1.43%,最大误差为3.09%。改进的BP神经网络预测模型的平均误差为1.33%,最大误差为3.22%。两种模型的预测平均值作为双预测模型时,预测平均误差为0.627%,最大误差为1.51%。结论齿面粗糙度的双预测模型的平均误差明显降低,同时可以避免单一预测模型产生主观预测误差。各铣削因素对粗糙度的影响程度不同,进给量fz吃刀深度ap刀具转速n侧吃刀量ae。随着进给量、吃刀深度、侧吃刀量的增加,齿面粗糙度值增加;随着刀具转速升高,齿面粗糙度值降低。     

基于小波神经网络的高速铣削刀具磨损识别

刀具磨损一直是制造技术中引人注目的重要问题,对于高速切削来说由于加工成本较高而且刀具价格比较昂贵,因此对高速切削中的刀具状态进行识别和监控具有非常重要的意义.文章通过建立小波神经网络来实现对高速加工中刀具状态的识别,结果与实际情况基本一致,从而表明通过此方法是可以较好的对高速加工刀具状态进行识别的.     

Prediction of chatter in NC machining based on a dynamic cutting force model for ball end milling

Ball end milling is one of the most widely used cutting processes in the automotive, aerospace, die/mold, and machine parts industries, and the chatter generated under unsuitable cutting conditions is an extremely serious problem as it causes excessive tool wear, noise, tool breakage, and deterioration of the surface quality. Due to the critical nature of detecting and preventing chatter, we propose a dynamic cutting force model for ball end milling that can precisely predict the cutting force for both stable and unstable cutting states because our uncut chip thickness model considers the back-side cutting effect in unstable cutting states. Furthermore, the dynamic cutting force model considers both tool runout and the penetration effect to improve the accuracy of its predictions. We developed software for calculating the cutting configuration and predicting the dynamic cutting force in general NC machining as well as single-path cutting. The chatter in ball end milling can be detected from the calculated cutting forces and their frequency spectra. A comparison of the predicted and measured cutting forces demonstrated that the proposed method provides accurate results.     

基于模糊预测的铣削工艺参数优选方法研究

对铣削参数进行优选研究,为此提高铣削加工的准确性,提出了一种优选铣削工艺参数的方法。首先基于模糊理论中的优属度方法和优劣决策,建立单元系统模糊优选理论模型,将各个因素之间的关系利用优属度向量进行表示。然后,通过限制表面粗糙度,并利用优属度向量和表面粗糙度之间的相关性,建立模糊预测模型,应用于优选任意铣削加工的工艺参数。算法与实验表明,该方法可以根据材料的加工要求优选铣削参数,降低了一般情况下选择铣削参数时的实际误差。     

A chatter free calibration method for determining cutter runout and cutting force coefficients in ball-end milling

The accuracy of cutting force coefficients plays an important role in predicting reliable cutting force, stability lobes as well as surface location error in ball-end milling. In order to avoid chatter risk of the traditional calibration test with an entire-ball-immersed cutting depth, a cylindrical surface milling method is proposed to calibrate the cutting force coefficients with the characteristics of low cutting depth and varying lead angle. A dual-cubic-polynomial function is also presented to describe the non-uniform cutting force coefficients of the ball part cutting edge and the nonlinear chip size effect on cutting force. The variation of the maximum chip thickness versus the lead angle is established with the consideration of cutter runout. According to the dependence of chip thickness on lead angle, a runout identification method is introduced by seeking the critical lead angle at which one of the cutter flutes is just thoroughly out of cut. Then, a lumped equivalent method is adopted for the low cutting depth condition so that the dual-cubic-polynomial model can be calibrated for the chip size effect and the cutting force coefficients respectively. The accuracy of the proposed calibration method has been validated experimentally with a series of milling tests. The stability examinations indicate that the proposed method has an evident chatter-free advantage, compared with that of varying cutting depth method.     

神经网络PID控制的液压驱动主动升沉补偿预测控制研究

为了提高船舶在海面上作业时补偿精度,采用BP神经网络PID控制方法,并对船舶升沉运动输出误差进行仿真。建立船舶主动升沉补偿系统简图,分析船舶升沉运动工作原理,给出液压缸驱动传递函数。引用BP神经网络算法,采用梯度下降法对BP神经网络加权值进行修正,通过学习速率来补偿控制系统输出误差,从而实现PID控制器参数在线调节。在受到不同负载影响状况下,采用MATLAB软件对船舶升沉运动补偿精度进行仿真,并且与PID控制补偿精度进行对比。结果表明:采用PID控制器,船舶升沉运动输出误差较大,控制系统反应速度较慢;而采用BP神经网络PID控制器,船舶升沉运动输出误差较小,控制系统反应速度较快,同时,随着负载质量的增加,输出误差就会增大。采用BP神经网络PID控制系统,响应速度快,补偿精度高,提高了船舶在海面上作业定位精度。