基于FEM的三维切削力预报研究

采用大型有限元分析软件Deform3D建立了三维切削的切削力预报模型并对车削的切削力进行了预报。为了验证预报结果的准确性,进行了车削的测力实验,并将预报的结果、理论公式和传统的经验公式在相同切削条件下的计算结果与实验结果进行了对比分析。其结果表明采用有限元方法进行三维切削力的预报是可行的。     

切削力预测方法研究

切削力是一个包含了切削加工过程信息的非常重要的物理量。可靠的切削力的预测对于在设计和选择加工系统时决定设备功率、工件轮廓误差或偏差、颤振和振动特性、刀具和夹具的强度等是至关重要的。介绍了常用的切削力预测的方法,并详细分析了其原理和优缺点,指出了其适用范围。     

基于模糊线性回归分析的切削力预测

利用模糊线性回归分析给出了切削力的不确定范围。试验结果表明:对于给定的切削条件,预测的切削力是在一个可变的范围之内波动的不确定值,而并非传统方法计算得到的确定数值。这对深入研究金属切削原理、预测切削力及优化切削参数等具有重要的现实意义。     

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。     

基于VB的切削力系统设计

通过对切削用量选择的分析可知,精确计算切削力有重要的意义,因此使用VB开发了切削力分析系统.该系统实现了快速计算切削力、切削功率、切削扭矩,并能动态显示切削力变化曲线,减少了手工处理时的繁琐分析和计算,在实际生产中为选择切削用量提供了理论依据.     

考虑刃口半径作用时切削力的预报

切削力的理论计算及其准确预报是金属切削领域和刀具设计的重要课题之一。本文给出了考虑刃口半径作用的切削模型 ,分析了临界切削厚度对切削力的影响 ,预报结果表明切削力的理论预测与实验数据相吻合     

基于神经网络的高速硬车削切削力预测研究

采用PCBN刀具进行高速硬车削AISI P20淬硬钢的切削试验,并通过方差分析研究切削速度、进给量、切削深度和刀尖圆弧半径对切削力的影响.基于获得的试验数据,应用人工神经网络方法建立高速硬车削P20淬硬钢时的切削力预测模型.试验与仿真分析显示,切削力随进给量、切削深度和刀尖圆弧半径的增加而增大,而不同切削速度下的切削力值几乎保持不变;同时,切削深度对切削力的影响最为显著,其次为进给量,再次为刀尖圆弧半径,而切削速度的影响则非常微弱.     

基于支持向量回归机的切削力预测

针对神经网络方法在切削力预测方面存在的缺陷,提出了一种新的基于支持向量回归机的切削力智能预测方法。分析了以往切削力预测模型中输入参数和输出参数的选择问题,在此基础上选择轴向切深、进给量、主轴转速和曲面半径四个关键指标作为预测模型的输入,选择XY平面上的切削力合力和轴向切削力作为预测模型的输出,进一步建立了基于支持向量回归机的切削力预测模型。仿真实例的预测结果表明,建立的智能切削力预测模型合理有效。     

基于两级神经网络分析的切削力与切削功率的研究

基于多层神经网络原理,建立了切削深度、进给量和刀具耐用度为输入,以切削速度为输出的第一级神经网络.构造了切削深度和进给量和切削速度为输入,切削力与切削功率为输出的第二级神经网络.获得满足刀具耐用度条件下的切削速度、切削力和切削功率的插值计算模型建立方法.摆脱了传统经验公式的拟合计算的缺陷.为实现系统在线监测分析提供条件.     

基于神经网络的多维力传感器静态解耦的研究

提出了基于人工神经网络进行多维力传感器静态解耦的方法。维间耦合是制约多维力传感器测量精度的主要因素，为克服传统线性解耦方法的局限性，利用BP神经网络的强非线性逼近能力研究了多维力传感器的非线性静态解耦。以研制的微型5维指尖力／力矩传感器为对象进行了解耦实验，结果表明，与基于最小二乘的线性解耦方法相比，提高了解耦精度。     

切削表面粗糙度的人工神经网络预测

以易切削黄铜的加工表面粗糙度与各种加工参数的关系为对象,将L9( 34)型正交切削试验数据作为训练学习样本,同时以与正交试验参数有关的6个样本作为预测样本,用BP神经网络对其进行了预测。结果表明:经设计的BP神经网络训练1183次,其最大误差不超过5 % ;人工神经网络与正交试验相结合,能大大节省预测时间和费用,效果很好。     

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。     

应用人工神经网络预测加工尺寸误差的动态分布

为了有效控制机械加工工艺过程 ,保证工件加工质量 ,需要及时掌握过程尺寸分布及其变化规律。为此 ,提出一种应用人工神经网络预测加工尺寸误差动态分布的方法 ,该方法在实际应用中得到了较为满意的验证。     

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BP神经网络的铣齿切削功率计算方法研究

通过对物理样机的实验测量,借助MATLAB神经网络工具箱,将BP神经网络的理论和算法应用于铣齿功率建模的研究中。通过铣齿切削试验获取训练样本,对齿轮铣削功率的网络模型进行训练和测试。结果表明,人工神经网络能较准确地预测铣齿功率的大小,解决了传统经验公式误差较大的问题,为铣齿机床的传动设计提供了依据。     

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。     

基于数字化加工的铣削力预测系统的开发

切削用量的实时获取是切削力预测的关键技术之一。基于数字化加工技术,通过在加工仿真过程中对三维实体图形进行分析,获得实时的切削参数,实现了切削力的实时预测;开发了一个针对铣削加工的切削力预测软件系统,通过铣削试验验证了该系统的正确性。