基于支持向量机的铣削力预测

针对小样本、低泛化、过拟合和局部极小等问题,建立基于支持向量机(SVM)的铣削力预测模型,对铣削力进行预测,将其预测结果与试验值、BP神经网络预测值进行对比分析。结果表明:在训练样本较小情况下,得到的预测值与试验值吻合较好,且相对于BP神经网络预测模型的预测精度高。     

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.     

基于改进型支持向量机算法的轧机轧制力预测

考虑到基于神经网络算法建立的预测模型虽然具有较好的预测精度,但是神经网络模型需要大量的训练样本,另外会增加模型的复杂程度,研究了一种基于改进型支持向量机的轧机轧制力预测模型,建立基于RBF核函数和多项式核函数的最小二乘支持向量机,并使用协同量子粒子群算法对混合函数的参数进行寻优,以提高预测模型的预测性能。由协同量子粒子群算法优化得到了基于改进型支持向量机的轧机轧制力预测模型中的RBF核函数参数γ值、惩罚系数c值、多项式核函数参数q值和两个核函数的权重a值。通过实例研究表明:使用本文研究的改进型支持向量机的轧制力预测模型预测相对误差在4%～6%之间,多组数据的平均值误差为4. 83%。验证了本文研究的基于改进型支持向量机的轧机轧制力预测模型的可行性。本文研究的预测模型相比其他3种对比模型耗时更长,但是相比之下提高了预测准确率,更具有实际意义。     

钛合金TC4高速铣削参数对铣削力的影响研究

钛合金高速铣削因其高效率、高质量、小变形等优点,广泛应用于航空、航天、船舶、军工制造等行业。针对难加工材料TC4(Ti-6Al-4V)的高速铣削加工技术,开展了铣削深度、铣削宽度、每齿进给量、主轴转速的四因素三水平正交试验,分析各铣削参数对铣削力的影响。实验过程中将铣削力分解为切向铣削力、径向铣削力和轴向铣削力,采用多元线性回归分析法,建立了各向铣削力模型,并进行了显著性检验。为验证模型的准确性,设计了新的加工实验进行验证。实验结果表明:该模型准确度高,能够预测铣削过程中的各向铣削力。     

基于支持向量机的灰铸铁强度预测模型

利用高碳当量灰铸铁组织强度试验数据,提出了一种基于支持向量机理论的灰铸铁强度预测模型。与多元线性回归、模糊回归和自适应模糊神经网络相比,该模型学习精度高且具有较好的泛化能力,能取得较好的预测效果。     

基于支持向量机的焊缝尺寸预测

焊缝尺寸是决定焊接接头强度及有关性能的重要因素,因此也是焊接质量控制的重要内容.分别以焊接电流、电弧电压以及焊接速度作为输入向量构造样本集,建立CO2焊接焊缝尺寸支持向量机模型,分别运用线性核函数,多项式核函数、高斯径向基核函数以及指数径向基核函数对焊缝熔宽、焊缝熔深以及焊缝余高进行预测.结果表明,采用指数径向基核函数所建立的支持向量机模型可以有效地对焊缝尺寸进行预测,为进一步实现焊缝质量的在线控制提供依据.     

基于支持向量机的机械加工误差预测与补偿模型的研究

对加工系统进行补偿是提高机械加工精度的有效手段.通过对加工系统的研究,建立误差预测模型,是进行误差补偿的必要途径.本文以镗孔加工为实验对象,提出了基于支持向量机(Suport Vector Machine,SVM)的加工系统误差预测模型,实验结果显示,支持向量机可以应用于误差预测建模,且在系统误差的预测精度上高于基于径向基(RBF)神经网络的误差预测模型.     

TC4钛合金高速铣削力研究

钛合金高速铣削因具有高效率、高质量的优点,被广泛应用于航空航天制造业。为了研究高速铣削参数对钛合金高速铣削力的影响,利用专业金属切削加工有限元软件AdvantEdge,对TC4钛合金高速铣削过程进行二维模拟仿真,建立了高速铣削TC4钛合金时铣削力的预测模型,获得了不同铣削参数对铣削力的影响规律,并对仿真结果进行了试验验证。结果表明:高速铣削TC4钛合金的铣削力比较小,基本不超过100 N,铣削力最大值达到140 N;铣削合力对铣削宽度的变化最为敏感,对铣削速度和铣削深度变化的敏感次之,对每齿进给量最不敏感。研究结果为优化高速铣削工艺提供理论分析和试验依据。     

基于多类支持向量机的板形识别方法

提出一种基于多类支持向量机理论的板形识别分类器,通过对冷轧工序中板形仪测得的数据进行预处理,获取所需样本数据。采用“一对多”方法训练多类支持向量机分类器,最后用测试样本对训练出的分类器进行性能测试。仿真结果表明该方法在处理小样本数据时识别率非常高,泛化能力更强,为板形识别提供了新的研究方法。     

铣削力系数试验建模方法的研究

本文以平均力法求铣削力系数为基础，采用二次回归方程，建立了铣削力系数模型。对铣削力试验的设计和数据处理技术进行了研究。     

基于并联机床的2A12铝合金铣削力的实验研究

利用BJ-042(A)型并联机床,通过多因素回归正交实验,建立了2A12铝合金材料关于切削速度v、每齿进给fz、径向切深ae、轴向切深ap四个切削参数的铣削力经验公式,并进行了单因素试验验证和时域仿真.对其应用条件进行了讨论,为进一步研究铝合金加工变形及振动提供了可靠的边界条件.     

基于RBF神经网络的花岗岩加工铣削力预测研究

以花岗岩铣削加工中金刚石铣刀为研究对象,对直接导致刀具断裂影响加工效能的关键因素——铣削力进行了研究。针对花岗岩加工铣削力理论公式在实际应用中的局限性,提出了一种采用实验法和神经网络预测相结合的方法。利用实验获得神经网络铣削力预测的建模样本和验证样本以及刀具的断裂极限,利用RBF神经网络对花岗岩加工的铣削力进行了建模预测,通过实验数据验证了该模型的准确性,通过该模型预测获得优选的加工参数,并进行了应用。结果表明该方法有效地提高了刀具的加工效能。     

钛合金轴向超声振动铣削切削力仿真研究

针对钛合金难加工问题,将超声振动引入到对钛合金的铣削加工中,实现刀具、工件周期性接触分离,从而降低切削力、改善加工质量。以TC4为研究对象,以切削力为研究切入点,通过ABAQUS建立三维铣削仿真模型。对比分析超声铣削和普通铣削在切削力曲线特征以及数值大小上的差别,并通过观察切屑特征分析切削力的波动及稳定性。结果表明:轴向振动铣削有利于降低铣削过程中的切削力,提高切削稳定性。     

一种采用动态补偿的五轴机床铣削力预测方法

对五轴数控机床的铣削力进行精准预测,有利于提高工件的加工质量。因此,提出一种采用动态补偿的五轴机床铣削力预测方法。分析五轴数控加工中心结构,研究五轴数控铣削加工中心的进给传动动力学;通过测量切削扭矩,计算电机传递的总转矩,在冲击力激励的作用下,计算它与测量扰动频率响应间的传递函数。将实际切削扭矩分解成直流(静态)分量和交流(谐波)分量,在此基础上采用卡尔曼滤波器衰减噪声,并补偿结构动态模式对间隔采样的切削力矩的影响,从而减少结构动态模式引起的测量值失真。引入Denavit-Hartenberg方法,通过雅克比矩阵求取工件框架中刀具上的切削力和扭矩与驱动框架中驱动力和扭矩的转换关系,进而将刀尖力映射为驱动力矩,以实现对铣削力的预测。结果表明：所提方法预测的力信号与实测的力信号几乎一致,说明该方法能较精准地预测五轴机床的铣削力。     

航空薄壁件铣削加工铣削力预测方法研究

铣削加工中铣削力是导致加工变形的直接原因,而航空薄壁件加工中,加工变形是加工误差产生的主要因素.本文以航空薄壁件铣削加工过程的铣削力为研究对象,通过确定铣削力模型和切削系数参数,建立了刚性和考虑刀具工件变形耦合的柔性预测两种模型.在柔性模型中,采用预扭Timoshenko梁单元的刀具/工件独立建模的方法建立有限元模型,利用Python语言在通用有限元软件Abaqus下迭代求解.实验验证表明预测模型具有很高的准确性和有效性.