超声振动车削参数对切削力的影响

为了探究超声振动车削（UVT）过程中刀具振动频率、振幅和切削速度3个参数对切削力的影响,课题组通过建立有限元模型,对高强度铝合金超声振动车削和普通车削（CT）过程进行了对比研究。首先,研究了切削区域的Mises应力分布的变化;其次,对切削区域温度和微观切屑形态进行了分析,从微观层面揭示UVT方法降低切削力和切削温度的机理;最后,分别研究了刀具振动频率、振幅和切削速度对UVT平均切削力的影响。研究表明：超声振动车削的有限元仿真结果与“刀具 工件接触比理论”一致;在一定的范围内,增大刀具振动频率或振幅以及降低切削速度的方法可以有效降低切削力。文中的研究显示合理的选择超声振动车削工艺参数可以降低切削力,改善高强度铝合金的制造工艺。     

面向表面质量的镍基高温合金铣削参数多目标优化研究

针对镍基高温合金材料在铣削过程中存在表面加工质量低的问题,提出一种基于神经网络及NSGA-Ⅱ算法的工艺参数多目标优化方法。采用不同工艺参数进行数控铣削镍基高温合金Inconel 718加工并获取数据集,以表面粗糙度为输出,不同工艺参数组合为输入,利用麻雀搜索算法建立SSA-BP神经网络模型用于预测Inconel 718铣削表面粗糙度;以最大材料去除率、最小表面粗糙度为优化目标,构建NSGA-Ⅱ工艺参数多目标优化主体模型,调用构建好的预测模型作为主体模型的目标函数并优化求解得到Pareto最优解集。使用TOPSIS法对Pareto最优解集进行最优解决策,得出最佳的工艺参数组合。优化结果表明：该方法不仅可用于高温合金材料数控铣削表面粗糙度预测,还可用于工艺参数优化,为进一步提高数控铣削材料加工质量和效率提供参考。     

椭圆振动车削TC4的切屑形态和切削力研究

为探究超声椭圆振动车削钛合金TC4过程中振幅、频率和刀尖圆角半径对切屑和切削力的影响，课题组通过建立有限元模型，将常规切削（CC）和椭圆振动切削（EVC）钛合金TC4过程进行对比研究。首先对所用超声椭圆振动的运动特性进行推导，确定刀屑接触率；其次通过理论分析，将切屑和切削力相结合，建立切削力模型；最后分别研究不同频率、振幅对超声椭圆振动切削稳定过程时的切屑形态、切削力和切削温度的影响。研究结果表明：椭圆振动切削过程刀具和切屑间存在周期性地分离，可以用刀屑接触率ts表示；在一定的范围内，增加振动幅值、振动频率以及刀尖圆角半径可以减小切屑厚度，降低切削力；EVC方式下可以选择合理的参数来降低切削力，并可以通过测量宏观切屑厚度来预测切削力，更好地指导生产加工。     

硬质合金刀具加工参数模型优化方法研究

针对硬质合金刀具开发过程中的切削性能评价,通过理论与实验分析,以硬质合金刀具对铸铁车削加工为例,进行切削性能分析和工艺试验,采用均匀试验设计方法、多元回归法建立数学模型,通过对切削力、振动、表面质量的分析,优化刀具的切削参数,并对回归方程进行显著性检验.研究结果可以为刀片切削参数选择提供依据,为合理评价刀具使用性能提供有效方法.     

基于进化神经网络的304不锈钢车削加工表面粗糙度预测

表面粗糙度是衡量加工零件质量的重要指标之一,对表面粗糙度进行提前预测有利于提高加工质量。课题组采用正交试验方法进行了YG8硬质合金刀具干式车削304不锈钢棒料的实验,得到不同切削条件下的表面粗糙度。由于BP神经网络的算法预测精度不高而且容易陷入局部极小值,利用遗传算法的全局搜索能力优化BP神经网络的结构和初值,建立基于进化神经网络的表面粗糙度预测模型。结果表明：进化的BP神经网络模型有效地克服了BP神经网络容易陷入局部极小值的缺陷,实现了表面粗糙度的精确预测。     

基于Pareto控制的多目标PSO算法在铣削参数优化中的应用

工艺参数是影响零件加工质量和效率的关键因素,工艺参数的优化和调节是改善加工工艺的最有效方法。针对铣削加工参数优化问题,提出了一种基于应用实例的多目标切削参数优化方法。首先,以材料去除率、切削力和刀具寿命为目标函数,建立了统一的切削工艺参数多目标优化数学模型。随后,使用切削数据对目标函数进行组合,建立了该问题的数学模型,研究了适用的求解方法以获得最优解,并通过实验验证了参数优化的有效性。该方法可为加工参数的选择提供指导和依据。     

数控铣削能耗预测及切削参数多目标优化研究

为了研究数控铣床节能优化问题,首先以316L不锈钢为加工对象,设计了数控铣削实验方案,并进行了实验数据分析;然后以实验数据为样本,运用BP神经网络建立了数控机床能耗预测模型,并利用蜣螂优化算法(DBO)对BP神经网络结构进行优化,建立基于DBO-BP神经网络的数控机床能耗预测模型。通过对比优化前后两模型,选择具有更高的预测精度和稳定性的DBO-BP神经网络模型与以加工成本为目标而建立的铣削参数多目标优化模型,并运用NSGA-Ⅱ对模型求解,得到最优解集,最后运用熵权TOPSIS法对最优解集进行决策,得到最优解。通过对比优化前后比能耗和加工成本,优化后的切削参数使比能耗和加工成本分别下降了33.84%和5%。研究结果表明,优化后的切削参数更加节能和节约加工成本。     

硬态车削H13钢切削力与表面粗糙度试验研究

为了探究H13钢硬态车削过程中的切削力与工件表面粗糙度，课题组采用单因素试验和多因素正交试验法设计车削试验。通 过极差分析法对试验结果进行分析，研究不同切削速度、进给量和背吃刀量对切削过程中切削力以及工件表面粗糙度的影响，并比较切削力与表面粗糙度的变化 规律。结果表明：影响切削力的显著性参数为背吃刀量＞进给量＞切削速度；影响工件表面粗糙度的显著性参数为进给量＞切削速度＞背吃刀量。通过单因素试 验分析可知，切削力与表面粗糙度变化有一定的相关性，表面粗糙度的变化趋势和切削力一致。     

基于Matlab的细长轴车削振动因素研究

颤振是影响金属切削加工工件表面质量的主要因素,尤其车削细长轴工件时更容易发生切削颤振。文章基于横 向振动理论建立了细长轴车削过程的振动模型,并从力学及数值分析角度求解了切削力引起的工件振动响应;在Matlab 软件中通过仿真研究了切削用量和工件长径比的变化对工件振动响应的影响。设计了以背吃刀量、进给速度、主轴转速 及工件长径比为变量的四因素三水平正交车削实验,分析4个因素对工件切削力的影响。实验表明长径比、背吃刀量、进 给速度和转速对切削力的影响程度依次降低,实验结论验证了仿真结果的正确性,揭示了细长轴车削过程的动态特性。     

基于模型预测控制的电动车辆换挡策略研究

基于模型预测控制框架,提出了一种考虑未来工况变化趋势的智能换挡策略。建立循环神经网络,以过去一段时间工况为输入,对未来5 s的车速序列进行预测。以训练好的神经网络作为模型预测控制的预测模型。采用动态规划方法构建基准策略,并作为模型预测换挡策略的滚动优化部分,建立了模型预测换挡策略。构建了基于C-WTVC的复合工况并仿真。设计了双参数经济性换挡规律作为对照。结果表明:模型预测换挡策略可以节约能源消耗,降低换挡频率。     

基于BP网络的人力资本预测研究

针对人力资本计量的非线性特征,本文将BP神经网络引入人力资本模拟预测领域,运用BP网络高度并行互联结构和高速的自学习、自适应处理能力,对我国各地区人力资本投资进行预测研究,解决了人力资本投资计量必须建立模型的问题。     

基于人工神经网络的切削加工模拟系统

本文阐述了人工神经网络建模思想,并运用这一思想及神经网络的自学习能力,建立了基于人工神经网络的切削加工模拟系统,为有效求解最优加工参数,以及预报、预测切削加工效果提供了新的有效解决途径。     

高速加工工艺与数控编程研究

本文对高速加工中刀具选择、加工工艺、工艺参数和数控编程均做了详细的论述,并对高速加工提出了较为完整、可行的加工思路。     

基于单片机的车削切削力测试系统设计研究

设计了以 80 31单片机为核心的车削切削力测试系统 ,介绍了系统组成、算法原理及软件的结构特点 ,实现了车削切削力的计算机辅助测试。     

基于RBF神经网络的车辆安全换道时机决策模型研究

为了帮助驾驶人正确决策车辆换道时机,使用了一种模式识别方法——RBF神经网络,建立了车辆换道时机决策模型。模型可以预测车辆换道的安全性,从而保证驾驶人和车辆的安全。对车辆换道时机决策的影响因素进行了分析,提出了11个现代传感器容易获取的影响参数,并作为RBF神经网络的输入变量。模型的学习和测试运用了大量的车辆行驶数据,实验结果显示:11个参数的RBF神经网络模型预测精度较高,可以达到87. 9%,高于7个参数模型的81. 8%;随着模型精度的不断提高,在驾驶主动安全系统和智能车辆无人驾驶系统中,本文模型也可以起到关键的作用。     

基于ABAQUS的高温合金GH4169切削力仿真研究

为了研究镍基高温合金加工中切削用量对切削力的影响，课题组借助高温合金的材料本构模型、失效准则、切削过程中的切屑分离准则和摩擦模型，利用ABAQUS有限元分析软件建立了镍基高温合金的二维切削仿真模型，分别以切削速度、切削深度和进给量为单一变量，探究切削力的变化规律。结果表明：切削力随切削速度的增加而减小，并趋于稳定状态；切削力随着进给量和切削深度的增大而增大；相较于切削速度，进给量和切削深度对切削力的影响更大。     

采用神经网络滑模控制的齿隙摩擦补偿

基于滞环齿隙模型和集合摩擦模型,建立了齿轮传动系统动力学变结构模型。采用径向基函数(RBF)神经网络和滑模控制构成复合控制器,对系统齿隙、摩擦非线性因素进行了补偿。利用RBF神经网络调节滑模控制器的切换项增益,降低了滑模控制的抖振,提高了补偿效果,仿真结果验证了该方法的可行性。     

基于贝叶斯神经网络的非参数回归

提高神经网络模型推广能力的关键是控制模型的复杂度。该文探索了贝叶斯神经网络的非参数回归的建模方法,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布。在5个含噪二维函数回归问题上的应用显示了模型的复杂度能根据数据的复杂度而自适应调整,并给出了较好的预测结果。     

面向加工精度的机床系统误差建模与分析方法

研究并掌握机床各部件单元位姿误差对零件加工质量的影响规律,可以有效提高机床精度设计及误差补偿效果。以车削加工为例,建立了系统源误差与零件加工质量之间的关系模型。建模工作分为两个部分:首先采用虚拟加工原理,建立执行部件(刀具和工件)单元位姿误差与零件加工质量之间的数学仿真模型;然后建立车床工艺系统误差源与执行部件位姿误差之间的传递模型,两个模型可以集成为一个整体。在阐述总体研究思路与方法的基础上,侧重介绍第1部分研究工作,利用多体系统运动学和齐次坐标变换原理建立刀具和工件之间的运动学关系,通过Matlab虚拟工件被加工、测量和评定,实现了最终执行部件源误差到工件加工质量之间的映射。最后给出了分析方法示例。     

基于神经网络和遗传算法的压力机调节螺杆优化设计

强度和质量是压力机调节螺杆主要性能指标。将神经网络和遗传算法结合起来,可以很好地对调节螺杆结构进行多目标优化设计。文章首先建立了调节螺杆有限元分析模型,然后应用正交试验方法对神经网络的训练样本进行试验安排,并建立出设计参数与最大应力、质量映射关系的神经网络模型。利用遗传算法对该神经网络模型进行全局寻优,得到调节螺杆的最优结构参数。