排序方式: 共有56条查询结果,搜索用时 250 毫秒
11.
为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44%. 相似文献
12.
为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44%. 相似文献
13.
Ti-6Al-4V合金的高速切削加工是一个复杂的高温高应变率的热力耦合过程,为更加准确研究Ti-6Al-4V合金在高温高应变率下的真实应力-应变关系,构建了一种修正Johnson-Cook(J-C)本构模型.修正的J-C本构模型综合考虑了塑性阶段应变硬化率会随加载温度的升高而降低的现象,以及在达到高温动态结晶效应的临界温度时,Ti-6Al-4V合金的流动应力会急剧下降的现象.基于修正J-C本构模型的流动应力-应变预测结果与试验数据吻合程度良好,误差率在8%以内,准确的反映了Ti-6Al-4V合金在不同加载温度下的真实应力-应变关系. 相似文献
14.
针对刀具磨损过快和加工稳定性下降的问题,进行了淬硬钢Cr12MoV拼接模具铣削过程中铣削参数和路径优化的研究.通过试验研究揭示了刀具铣削方向、切削速度、进给速度及切削深度对拼接处铣削力突变的影响规律,并借助多因素试验得到了铣削条件对铣削力突变影响的主次因素.为降低铣削力突变对铣削过程的影响,以铣削力突变最小为目标进行了正交试验研究,并在此基础上得到了优化后的铣削参数组合.研究成果可为拼接模具铣削工艺优化提供有意义的参考. 相似文献
15.
16.
17.
颤振是金属切削加工过程中由于刀具和工件之间相互作用所产生的一种强烈的自激振动现象,会导致切削力幅值增加且发生剧烈波动,进而降低工件表面质量和刀具使用寿命。针对此问题,基于铣削过程稳定性预测分析方法建立多硬度拼接工件的动态铣削系统,对多硬度拼接模具铣削过程稳定性进行深入研究,实现了对拼接模具铣削加工过程颤振稳定域的仿真,进而研究了模态参数对稳定性叶瓣图形状的影响。最后通过时域分析、表面形貌和刀具磨损的研究,综合验证了稳定性预测曲线的精度。研究结果为多硬度拼接模具铣削加工提供理论基础,并设置合理的加工参数来实现金属最大切除率,为大型汽车覆盖件模具铣削加工提供理论依据及技术指导。 相似文献
18.
针对汽车覆盖件拼接模具铣削过程中刀具易磨损破损、已加工表面精度低的问题,对铣削拼接缝过程进行了切削力微元建模。根据加工材料硬度的不同,把每一切削周期的切屑厚度建成切削角度的函数关系,得到不同切削角度下剪切力和犁耕力模型。通过引入单自由度斜体碰撞模型,运用霍普金森压杆试验得到不同主轴转速下刀-工碰撞的弹性变形量δ,进而得到过缝处刀具受到的冲击力。结合剪切力、犁耕力模型与冲击力模型得到过缝区域铣削力预测模型。切削试验与仿真结果具有很好的一致性,证明所建立模型的正确性。研究了不同进给方向下的表面质量,对已加工表面质量、表面粗糙度及工件间高度差进行分析,结果表明,由高硬度切向低硬度工件时可以获得较好的表面质量。所得结果为汽车覆盖件拼接模具铣削加工的工艺优化提供了理论支持。 相似文献
19.
以硬质合金刀具铣削Ti-6Al-4V为研究对象,提出了一种基于经验模态分解(empirical mode decomposition, 简称EMD)及支持向量机(support vector machine,简称SVM)的刀具磨损阶段识别方法。首先,将原始加速度信号及力信号分解为一系列模态分量(intrinsic mode function,简称IMF),选择了有效的IMF来组合一个新的信号;其次,计算新信号的多评价指标矩阵,将得到的多指标矩阵(I-kazTM、功率谱熵及均方根)作为输入特征向量,得到了基于线性分类器的刀具磨损识别模型;最后,将检测信号输入模型中进行识别,对刀具磨损阶段的识别精度达到了99.17%。EMD-SVM相较于SVM、BP神经网络及小波包SVM模型,运算时间减少,运算精度提高。实验结果表明,该模式对钛合金铣削过程中的刀具磨损具有良好的识别效果,为刀具磨损状态的监测提供了一种新方法。 相似文献
20.