CN107103129A - 一种切削加工中工件表面残余应力的预测方法 - Google Patents

一种切削加工中工件表面残余应力的预测方法 Download PDF

Info

Publication number
CN107103129A
CN107103129A CN201710258190.0A CN201710258190A CN107103129A CN 107103129 A CN107103129 A CN 107103129A CN 201710258190 A CN201710258190 A CN 201710258190A CN 107103129 A CN107103129 A CN 107103129A
Authority
CN
China
Prior art keywords
residual stress
particle
surface residual
pso
workpiece surface
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710258190.0A
Other languages
English (en)
Inventor
刘成颖
吴昊
王立平
郑烽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201710258190.0A priority Critical patent/CN107103129A/zh
Publication of CN107103129A publication Critical patent/CN107103129A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种基于正交切削试验和粒子群优化最小二乘支持向量机算法(PSO‑LS‑SVM)相结合的工件表面残余应力预测方法，包括正交切削试验、工件表面残余应力的测量、利用PSO算法寻取LS‑SVM的最优参数、建立残余应力预测模型和残余应力预测等步骤。本发明的预测方法在全局优化、收敛速度、预测精度和泛化能力上具有较大优势，通过少量正交试验数据的训练即可基本准确地预测不同条件下的表面残余应力，对于优化切削参数和提高零件的使用性能具有重要意义。

Description

一种切削加工中工件表面残余应力的预测方法
技术领域
本发明属于机械加工技术领域，具体涉及一种切削加工工件表面残余应力的预测方法。
背景技术
金属切削加工是一个伴随着高温、高压、高应变率的变形过程，同时又由于切削过程中切削力和切削热的作用以及刀具与工件的摩擦等综合因素的影响，使得工件表面形成了残余应力。残余应力的存在对零件的疲劳强度、形状精度和尺寸的稳定性等有很大的影响。所以，在实际切削加工前，根据切削工艺参数对工件表面残余应力进行预测，不仅能够优化切削参数，提高工件的使用性能，还能够减少加工时间、降低成本，对实际加工生产具有指导意义。
目前残余应力的研究方法主要包括试验测量法和有限元分析法。早期国内外学者通过一系列金属切削试验，研究了切削速度、进给量、切削深度、刀具涂层、刀具磨损等对加工件表面残余应力的影响；随着计算机技术及有限元技术的不断发展，利用有限元分析法研究加工件表面的残余应力得到了广泛的应用，但由于切削过程具有复杂性和不确定性，存在诸多缺点，例如：需要大量试验的基础、无法获知仿真结果的准确性、计算时间长、试验影响因素多等。
最小二乘支持向量机算法(least square support vector machine,LS-SVM)能够较好地解决小样本、非线性和高维数等分类问题，但该算法性能过渡依赖惩罚因子γ和核参数σ，粒子群算法(Particle Swarm Optimization,PSO)具有精度高、鲁棒性好、收敛速度快等特点，可以有效的对参数γ和σ进行优化，因此，本发明有效结合LS-SVM算法和PSO算法各自的优点，将试验测量法与算法相结合，建立起工件表面残余应力预测模型，很好地预测了工件表面的残余应力。
发明内容
本发明的目的是提供一种基于正交切削试验与PSO-LS-SVM算法相结合的工件表面残余应力的预测方法，采用基于正交切削试验与PSO-LS-SVM算法相结合的方式，对切削加工工件表面残余应力进行预测，其特征在于，包括以下步骤，
步骤一、正交切削试验及工件表面残余应力的测量，包括选取切削三要素和不同磨损状态的刀具参数作为正交试验的因子，按正交试验表进行试验，测量各条件下所对应的工件表面残余应力；
步骤二、利用PSO算法寻取LS-SVM的最优惩罚因子γ和核参数σ，具体过程为，
1)初始化PSO参数，包括粒子数目N、学习因子c1和c2、最大迭代次数M、随机初始化粒子速度vi,d和位置xi,d；
2)将惩罚因子γ和核参数σ作为每个粒子的二维坐标，计算粒子的适应度式中yi为已知样本输出；yi'为LS-SVM的预测输出；
3)对每个粒子，将适应度f(xi)与自身最优值进行比较，更新其自身最优适应度，将每个粒子的最优适应度值与全局最优值进行比较，更新种群的全局最优适应度；
4)按照粒子群速度和位置更新公式更新粒子速度vi,j(t)和位置xi,j(t)，
vi,j(t+1)＝wvi,j(t)+c1r1(pi,j-xi,j(t))+c2r2(pg,j-xi,j(t)) 公式一
xi,j(t+1)＝xi,j(t)+vi,j(t+1) 公式二
式中，i表示第i个粒子，i＝1,2,…,d,d是该群体中粒子的总数，j表示粒子的第j维数，w为惯性权重，c1和c2为正的学习因子，r1和r2为0到1之间均匀分布的随机数，Pi＝(pi, 1pi,2...pi,d)为第i个粒子到目前为止搜索到的最优位置，Pg＝(pg,1pg,2...pg,d)为整个群体迄今为止搜索到的最优位置，vi,j(t)和xi,j(t)分别是粒子i于第t次迭代中第j维度的速度和位置；
5)检查结束条件，一般设定结束条件为达到最大迭代次数或适应度小于给定精度，若不满足，转到过程2)，若满足，寻优结束，返回当前最优惩罚因子γ和核参数σ；
步骤三、建立残余应力预测模型和残余应力预测，包括以步骤一中选取的正交试验的因子作为PSO-LS-SVM算法的输入，以测量到的工件表面残余应力作为PSO-LS-SVM算法的输出，利用步骤二中寻取的最优参数，建立起基于训练样本的表面残余应力预测模型，对工件表面残余应力进行预测。
优选的，所述正交切削试验及工件表面残余应力的测量，包括切削三要素选取三个主轴转速、三个进给速度和三个切削深度，刀具参数选取前期、中期和后期磨损刀具，按正交试验表进行试验，然后测量不同条件下所对应的工件表面残余应力。优选的，所述主轴转速选取475rad/min、600rad/min和750rad/min，进给速度选取37.5mm/min，47.5mm/min和60mm/min，切削深度选取1mm、2mm和3mm；前期磨损刀具选取VB≤0.1、中期磨损刀具选取0.1<VB≤0.3，后期磨损刀具选取VB>0.3。
优选的，所述初始化PSO参数为，粒子数目N＝30，学习因子c1和c2为2，最大迭代次数为M＝300，惩罚因子γ的范围为0.1-1000，核参数σ的范围为0.1-1000。
优选的，经步骤二优化后的核参数σ＝0.3376，惩罚因子γ＝470.05。
与传统的的预测方法相比，本发明采用试验测量法与算法相结合的方式，具有以下有益效果：
1、与单纯的试验测量相比，无需逐件测量加工件表面的残余应力，能够在切削加工之前更快捷地预测加工表面残余应力，有助于优化切削参数；
2、与单纯的有限元分析法相比，采用试验与算法相结合，建立基于PSO-LS-SVM的工件面残余应力预测模型，在小样本的条件下具有预测精度高，泛化能力强的优点；
3、利用算法以寻取残余应力预测模型的最优参数，具有并行好、收敛快、鲁棒性强和全局搜索等特点，可以有效对参数γ和σ进行优化；
4、在优化切削参数和提高工件的使用性能的同时，还能够减少加工时间、降低成本，同时也为进一步指导实际加工生产提供理论依据。
附图说明
附图1是本发明的预测方法的整体流程图；
附图2是本发明的预测方法的寻求最优参数算法流程图；
附图3是本发明的一种切削加工工件表面残余应力预测方法的切削试验装置；
附图4是本发明的预测方法的工件表面残余应力预测结果与实际结果对比图；
附图标记为，1-主轴，2-铣刀，3-工件，4-工作台。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明的一种切削加工工件表面残余应力的预测方法，采用基于正交切削试验与PSO-LS-SVM算法相结合的方式，对切削加工工件表面残余应力进行预测，包括正交切削试验及工件表面残余应力的测量、利用PSO算法寻取LS-SVM的最优参数、建立残余应力预测模型和残余应力预测等步骤。其中，
步骤“正交切削试验及工件表面残余应力的测量”包括切削三要素和不同磨损状态的刀具参数作为正交试验的因子，按正交试验表进行试验，测量各条件下所对应的工件表面残余应力；
步骤“利用PSO算法寻取LS-SVM的最优参数”的具体过程如图2所示：
1)初始化PSO参数，包括粒子数目N、学习因子c1和c2、最大迭代次数M、随机初始化粒子速度vi,d和位置xi,d；
2)将惩罚因子γ和核参数σ作为每个粒子的二维坐标，计算粒子的适应度式中yi为已知样本输出；yi'为LS-SVM的预测输出；
3)对每个粒子，将适应度f(xi)与自身最优值进行比较，更新其自身最优适应度，将每个粒子的最优适应度值与全局最优值进行比较，更新种群的全局最优适应度；
4)按照粒子群速度和位置更新公式更新粒子速度vi,j(t)和位置xi,j(t)，
vi,j(t+1)＝wvi,j(t)+c1r1(pi,j-xi,j(t))+c2r2(pg,j-xi,j(t)) 公式一
xi,j(t+1)＝xi,j(t)+vi,j(t+1) 公式二
式中，i表示第i个粒子，i＝1,2,…,d,d是该群体中粒子的总数，j表示粒子的第j维数，w为惯性权重，c1和c2为正的学习因子，r1和r2为0到1之间均匀分布的随机数，Pi＝(pi, 1pi,2...pi,d)为第i个粒子到目前为止搜索到的最优位置，Pg＝(pg,1pg,2...pg,d)为整个群体迄今为止搜索到的最优位置，vi,j(t)和xi,j(t)分别是粒子i于第t次迭代中第j维度的速度和位置；
5)检查结束条件，一般设定结束条件为达到最大迭代次数或适应度小于给定精度，若不满足，转到过程2)，若满足，寻优结束，返回当前最优惩罚因子γ和核参数σ；
步骤“建立残余应力预测模型和残余应力预测”包括以所述正交试验的因子作为PSO-LS-SVM算法的输入，以测量到的工件表面残余应力作为PSO-LS-SVM算法的输出，利用最优参数建立起基于训练样本的表面残余应力预测模型，对工件表面残余应力进行预测。
下面结合附图对本发明的其中一个实施例进行详细说明。
如图3所示，本实施例的切削试验装置为立式铣床，工件材料选取100*150*35的航空铝合金，刀具选取3齿高速钢立铣刀，加工方式为槽加工，无切削液，采用Xstress残余应力测力仪测量工件表面残余应力，具体步骤如下：
步骤一、正交切削试验以及工件表面残余应力的测量
选取三把不同磨损状态的刀具，例如前期磨损刀具(VB≤0.1)、中期磨损刀具(0.1<VB≤0.3)和后期磨损刀具(VB>0.3)作为刀具磨损参数，选取三个主轴转速，例如475rad/min、600rad/min和750rad/min，选取三个进给速度，例如37.5mm/min，47.5mm/min和60mm/min，选取三个切削深度，例如1mm、2mm和3mm，作为切削参数，按正交试验表进行9组试验，然后测量9组条件下所对应的工件表面残余应力，测量方式为在每个切削面下随机测量6个点得到残余应力平均值，具体试验结果如表1所示。
表1正交切削试验结果
步骤二、利用PSO-LS-SVM算法寻取残余应力预测模型的最优参数，具体过程如下
1)初始化PSO参数，粒子数目N＝30，学习因子c1和c2为2，最大迭代次数为M＝300，γ的范围为0.1-1000，σ的范围为0.1-1000，并随机初始化粒子速度vi,d和位置xi,d；
2)将惩罚因子γ和核参数σ作为每个粒子的二维坐标，计算粒子的适应度，式中yi为已知样本输出，yi'为LS-SVM的预测输出，n为样本个数；
3)对每个粒子，将适应度f(xi)与当前个体最优值Pi进行比较，如果f(xi)小于Pi，则用该粒子取代当前个体最优值；将适应度f(xi)与当前群体的最优值Pg进行比较，如果f(xi)小于Pg，则用该粒子取代当前群体最优值；
4)根据公式一和公式二更新粒子的速度和位置；
5)判断迭代次数M是否达到300次，如果未达到则返回过程2)继续迭代，经过300次迭代后得到最优粒子值x＝(0.3376,470.05)，即核参数σ＝0.3376，惩罚因子γ＝470.05。
步骤三、建立残余应力预测模型和残余应力预测，以表1中的刀具磨损参数和切削参数作为PSO-LS-SVM的输入，以测量到的工件表面残余应力作为PSO-LS-SVM的输出，利用最优参数建立相应的铝合金切削加工工件表面残余应力模型，对工件表面残余应力进行预测。为了验证残余应力模型的准确性，随机选取5组不同切削参数，对工件表面残余应力进行预测，同时测量5组切削参数下工件表面残余应力，预测结果和实际结果对比情况如表2和图4所示。
表2基于PSO-LS-SVM的预测结果
采用本发明的预测方法，工件表面残余应力预测模型误差绝对值平均值为4.854％，具有较好的预测能力、精度高、训练收敛速度快，可以对不同切削参数下工件表面残余应力值进行精确预测。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种切削加工工件表面残余应力的预测方法，采用基于正交切削试验与PSO-LS-SVM算法相结合的方法，对切削加工工件表面残余应力进行预测，其特征在于，包括以下步骤，
步骤一、正交切削试验及工件表面残余应力的测量，包括选取切削三要素和不同磨损状态的刀具参数作为正交试验的因子，按正交试验表进行试验，测量各条件下所对应的工件表面残余应力；
步骤二、利用PSO算法寻取LS-SVM的最优惩罚因子γ和核参数σ，具体过程为，
1)初始化PSO参数，包括粒子数目N、学习因子c1和c2、最大迭代次数M、随机初始化粒子速度vi,d和位置xi,d；
2)将惩罚因子γ和核参数σ作为每个粒子的二维坐标，计算粒子的适应度式中yi为已知样本输出；y′i为LS-SVM的预测输出；
3)对每个粒子，将适应度f(xi)与自身最优值进行比较，更新其自身最优适应度，将每个粒子的最优适应度值与全局最优值进行比较，更新种群的全局最优适应度；
4)按照粒子群速度和位置更新公式更新粒子速度vi,j(t)和位置xi,j(t)，
vi,j(t+1)＝wvi,j(t)+c1r1(pi,j-xi,j(t))+c2r2(pg,j-xi,j(t)) 公式一
xi,j(t+1)＝xi,j(t)+vi,j(t+1) 公式二
式中，i表示第i个粒子，i＝1,2,…,d,d是该群体中粒子的总数，j表示粒子的第j维数，w为惯性权重，c1和c2为正的学习因子，r1和r2为0到1之间均匀分布的随机数，Pi＝(pi, 1pi,2...pi,d)为第i个粒子到目前为止搜索到的最优位置，Pg＝(pg,1pg,2...pg,d)为整个群体迄今为止搜索到的最优位置，vi,j(t)和xi,j(t)分别是粒子i于第t次迭代中第j维度的速度和位置；
5)检查结束条件，一般设定结束条件为达到最大迭代次数或适应度小于给定精度，若不满足，转到过程2)，若满足，寻优结束，返回当前最优惩罚因子γ和核参数σ；
步骤三、建立残余应力预测模型和残余应力预测，包括以步骤一中选取的正交试验的因子作为PSO-LS-SVM算法的输入，以测量到的工件表面残余应力作为PSO-LS-SVM算法的输出，利用步骤二中寻取的最优参数，建立起基于训练样本的表面残余应力预测模型，对工件表面残余应力进行预测。
2.根据权利要求1所述的预测方法，其特征在于，所述正交切削试验及工件表面残余应力的测量，包括切削三要素选取三个主轴转速、三个进给速度和三个切削深度，刀具参数选取前期、中期和后期磨损刀具，按正交试验表进行试验，然后测量不同条件下所对应的工件表面残余应力。
3.根据权利要求2所述的预测方法，其特征在于，所述主轴转速选取475rad/min、600rad/min和750rad/min，进给速度选取37.5mm/min，47.5mm/min和60mm/min，切削深度选取1mm、2mm和3mm；前期磨损刀具选取VB≤0.1、中期磨损刀具选取0.1<VB≤0.3，后期磨损刀具选取VB>0.3。
4.根据权利要求1所述的预测方法，其特征在于，所述初始化PSO参数为，粒子数目N＝30，学习因子c1和c2为2，最大迭代次数为M＝300，惩罚因子γ的范围为0.1-1000，核参数σ的范围为0.1-1000。
5.根据权利要求4所述的预测方法，其特征在于，经步骤二优化后的核参数σ＝0.3376，惩罚因子γ＝470.05。
CN201710258190.0A 2017-04-19 2017-04-19 一种切削加工中工件表面残余应力的预测方法 Pending CN107103129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710258190.0A CN107103129A (zh) 2017-04-19 2017-04-19 一种切削加工中工件表面残余应力的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710258190.0A CN107103129A (zh) 2017-04-19 2017-04-19 一种切削加工中工件表面残余应力的预测方法

Publications (1)

Publication Number Publication Date
CN107103129A true CN107103129A (zh) 2017-08-29

Family

ID=59657977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710258190.0A Pending CN107103129A (zh) 2017-04-19 2017-04-19 一种切削加工中工件表面残余应力的预测方法

Country Status (1)

Country Link
CN (1) CN107103129A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761680A (zh) * 2021-09-01 2021-12-07 江苏科技大学 一种复合材料立管缠绕工艺的参数设计方法
CN114939772A (zh) * 2022-04-20 2022-08-26 中航动力株洲航空零部件制造有限公司 一种加工薄壁弧形件的力适应性方法
CN116992778A (zh) * 2023-08-30 2023-11-03 西北工业大学 铣削加工残余应力变形预测方法、存储介质和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104634879A (zh) * 2015-02-04 2015-05-20 北京科技大学 一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法
CN105913122A (zh) * 2015-09-09 2016-08-31 广东技术师范学院 基于混合田口遗传算法的精车轴套表面残余应力预测方法
CN105956235A (zh) * 2016-04-20 2016-09-21 杭州电子科技大学 基于svr-pso的超声加工特种刀具优化设计方法
CN106503788A (zh) * 2016-10-28 2017-03-15 中国矿业大学 基于自适应粒子群的最小二乘支持向量机预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104634879A (zh) * 2015-02-04 2015-05-20 北京科技大学 一种金属材料疲劳加载试验与疲劳损伤无损检测分析方法
CN105913122A (zh) * 2015-09-09 2016-08-31 广东技术师范学院 基于混合田口遗传算法的精车轴套表面残余应力预测方法
CN105956235A (zh) * 2016-04-20 2016-09-21 杭州电子科技大学 基于svr-pso的超声加工特种刀具优化设计方法
CN106503788A (zh) * 2016-10-28 2017-03-15 中国矿业大学 基于自适应粒子群的最小二乘支持向量机预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘红涛: "损伤容限钛合金TC21车削加工研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
周学君 等: "基于最小二乘支持向量机的非饱和土的有效应力参数预测方法", 《统计与决策》 *
姚锡凡 等: "《人工智能技术及应用》", 31 January 2008 *
张孟劼 等: "基于支持向量机和粒子群优化相结合的残余应力预测", 《机械设计》 *
赵涓涓: "《基于PET-CT的肺癌早期计算机辅助诊断技术》", 31 May 2015 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761680A (zh) * 2021-09-01 2021-12-07 江苏科技大学 一种复合材料立管缠绕工艺的参数设计方法
CN113761680B (zh) * 2021-09-01 2023-08-25 江苏科技大学 一种复合材料立管缠绕工艺的参数设计方法
CN114939772A (zh) * 2022-04-20 2022-08-26 中航动力株洲航空零部件制造有限公司 一种加工薄壁弧形件的力适应性方法
CN114939772B (zh) * 2022-04-20 2023-12-19 湖南星途航空航天器制造有限公司 一种加工薄壁弧形件的力适应性方法
CN116992778A (zh) * 2023-08-30 2023-11-03 西北工业大学 铣削加工残余应力变形预测方法、存储介质和电子设备
CN116992778B (zh) * 2023-08-30 2024-04-26 西北工业大学 铣削加工残余应力变形预测方法、存储介质和电子设备

Similar Documents

Publication Publication Date Title
CN101412196B (zh) 基于刀具角度与切削用量参数变化的车削力预测方法
CN103761429A (zh) 铣削加工工件表面粗糙度的预测方法
Ruijun et al. The thermal error optimization models for CNC machine tools
CN104392090B (zh) 铝合金材料端铣切削力及切削加工变形模型的构建方法
Li et al. Multi-objective optimization of cutting parameters in sculptured parts machining based on neural network
CN102880771B (zh) 高速切削加工中工件表面粗糙度的预测方法
CN102621932B (zh) 一种数控机床服役过程的能量消耗预测方法
CN104669057B (zh) 一种机床切削加工系统附加载荷损耗系数获取方法
CN105160059A (zh) 一种基于bp和ga的叶片加工切削用量优化选择方法
CN108304687B (zh) 一种预测薄壁复杂曲面回转件车削加工变形的方法
CN107103129A (zh) 一种切削加工中工件表面残余应力的预测方法
CN107627152B (zh) 一种基于bp神经网络的数控加工切屑控制方法
CN105269402A (zh) 一种基于铣削加工的钛合金材料表面粗糙度预测方法
Denkena et al. Kinematic and stochastic surface topography of machined TiAl6V4-parts by means of ball nose end milling
CN112528535B (zh) 基于热-力-流多场耦合的榫槽拉削工艺仿真分析方法
CN104656562B (zh) 一种柔性结构件铣削加工的工艺参数优化方法
CN109446721B (zh) 基于标识符软件线程执行顺序排列的机床工艺交互算法
Zhou et al. Grey-RBF-FA method to optimize surface integrity for inclined end milling Inconel 718
CN102930337A (zh) 切削加工中切削用量的预测方法
CN110509096A (zh) 工件表面粗糙度控制方法、装置和数控加工设备
Yang et al. Study on the influence of meso-geometrical features on milling force in precision machining of titanium alloy
Hao et al. Research on surface roughness prediction in turning Inconel 718 based on Gaussian process regression
Yue et al. Milling Parameters Optimization of Al-Li Alloy Thin-Wall Workpieces Using Response Surface Methodology and Particle Swarm Optimization
Pappas et al. Surface roughness modelling and optimization in CNC end milling using Taguchi design and Neural Networks
Lv et al. Optimization of cutting parameters based on multi-objective genetic algorithm NSGA-II

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170829

RJ01 Rejection of invention patent application after publication