CN108596158A - 一种基于能耗的车削表面粗糙度预测方法 - Google Patents
一种基于能耗的车削表面粗糙度预测方法 Download PDFInfo
- Publication number
- CN108596158A CN108596158A CN201810462408.9A CN201810462408A CN108596158A CN 108596158 A CN108596158 A CN 108596158A CN 201810462408 A CN201810462408 A CN 201810462408A CN 108596158 A CN108596158 A CN 108596158A
- Authority
- CN
- China
- Prior art keywords
- cutting
- surface roughness
- energy consumption
- power
- turning
- 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
Links
- 230000003746 surface roughness Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005265 energy consumption Methods 0.000 title claims abstract description 30
- 238000005520 cutting process Methods 0.000 claims abstract description 73
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000003754 machining Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 9
- 239000000047 product Substances 0.000 description 9
- 239000002245 particle Substances 0.000 description 7
- 239000000523 sample Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000013456 study Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002173 cutting fluid Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及一种基于能耗的车削表面粗糙度预测方法，包括以下步骤：1)采集车削加工过程中的功率信号和加工参数信息。2)对功率信号进行信号截取与滤波后，从中提取切削比能作为能耗特征，将切削三要素作为静态特征。3)将能耗特征与静态特征作为输入，表面粗糙度作为输出，构建改进的支持向量机算法建立表面粗糙度预测模型，并进行车削过程的表面粗糙度预测。与现有技术相比，本发明具有应用场合广、可行且成本低、精确控制等优点。
Description
技术领域
本发明涉及机械加工领域，尤其是涉及一种基于能耗的车削表面粗糙度预测方法。
背景技术
近几十年来，机械加工过程自动化技术的发展使得制造更高质量的产品成为可能，并且降低了时间和成本。相比之下，对检验最终产品至关重要的质量控制技术已经落后并仍然使用事后测量来检验成品质量。表面粗糙度是衡量加工产品质量的广泛使用指标，在大多数情况下，是机械产品的技术要求。表面粗糙度不仅通过产品的疲劳强度，耐磨性，传动精度，可靠性和寿命来影响机械性能，而且决定着机械系统的传动精度，可靠性和使用寿命。因此，为了提高加工效率并降低生产中的加工成本，需要准确预测和有效控制产品的表面粗糙度。
经对现有技术的文献检索发现，学者在开发适用于各种加工工艺的表面粗糙度的高精度预测模型方面进行了大量的研究工作。Benardos and Vosniakos总结了用于预测表面粗糙度的方法与案例，这些方法分为基于加工理论，实验研究，实验设计和人工智能。Lu回顾了关于表面粗糙度预测的各种研究，并将这些方法分为三类：基于纯建模的，基于信号的和基于人工智能的。
对于基于加工理论的方法，预测模型将过程运动学、切削工具-工件属性、切屑形成机制和切削参数考虑在内，并尝试预测和模拟加工表面轮廓的创建。但是表面粗糙度形成的机制是复杂的。而且，这些理论模型利用来自不同背景的理论，并需要测量许多与工件有关的参数。另一个限制与输入独立值在特定情况下被考虑的事实有关，因此所获得的模型仅适用于所研究的加工条件，而不是超出其研究范围。
车削是行业广泛采用的一种操作。车削过程时，许多研究人员使用各种方法利用加工时采集的信号并建立不同信号和表面粗糙度之间的关系。He等人通过独立分量分析和奇异谱分析分析采集的振动信号，使用多方向融合特征振动信号来预测表面粗糙度。Mia等人专注于使用切削力和切削速度，进给速度和切削条件预测平均表面粗糙度。陈等人提出了一种利用嵌套人工神经网络(ANN)模型预测表面粗糙度并考虑切削力和刀具振动的的方法。切削力值和刀具振动和切削参数是预测模型的输入。除了切削力和刀具振动，其他信号也适用于预测表面粗糙度。Panneer等人设计了一种利用音频预测金属表面粗糙度信号方法。Kamarthi等人提出了一种在线监测工件表面粗糙度的模型，利用进行车削过程石墨探针和工件之间的滑动摩擦产生的声发射信号。然而，这些切削力和振动传感器的安装受到加工操作诸如工件旋转，切屑形成，和切削液的限制，也受限制于安装传感器的空间不大。此外，这些传感器特别是测力计也非常贵。安装这些传感器需要额外的投资成本，这也使得传感器安装难以在行业中实施。
制造过程需要物质投入并转换它们为产品和废物。所有这些操作都需要主要来自电力的能源投入。发展制造业要迎合不断增长的各种产品需求，但它也造成能源短缺和资源匮乏。在过去的十年里，经济，环境和社会立法机构提高了能源消费意识和相关的制造过程环境影响。绿色制造已经提出并引起学术界和工业界越来越多的关注。
一些研究已经开始探究表面粗糙度和功耗之间的关系。刘等人从能耗的角度提出了一种使用特定的切削能耗(SCEC)预测槽铣工艺中表面粗糙度的模型。通过使用切削力来估计SCEC。该预测模型是结合SCEC的分析计算和表面粗糙度与SCEC之间的经验关系表征的混合方法。然而，在车削中很少使用能耗来预测表面粗糙度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于能耗的车削表面粗糙度预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于能耗的车削表面粗糙度预测方法，包括以下步骤：
1)采集车削加工过程中的功率信号和加工参数信息。
2)对功率信号进行信号截取与滤波后，从中提取切削比能作为能耗特征，将切削三要素作为静态特征。
3)将能耗特征与静态特征作为输入，表面粗糙度作为输出，构建改进的支持向量机算法建立表面粗糙度预测模型，并进行车削过程的表面粗糙度预测。
所述的功率信号包括机床启停和加工状态，所述的切削三要素包括主轴转速、切削深度和进给速度。
所述的切削比能SCE为去除单位体积材料所消耗的切削能量，其表达式为：
其中，E切削为总切削能耗，Q为去除的材料体积，Pc为实时切削功率；MRR为材料去除率，T为实际切削时间，n为主轴转速、ap为切削深度、f为进给速度、d为工件直径，为平均切削功率，为平均正常切削功率，为平均空切削功率。
所述的步骤3)具体包括以下步骤：
31)构建SVM模型并训练；
32)采用PSO算法对SVM模型的参数进行优化得到最终优化后的表面粗糙度预测模型；
33)根据最终优化后的表面粗糙度预测模型进行表面粗糙度预测。
所述的步骤31)中，SVM模型的表达式为：
其中，为输入的特征向量，wT和b为可调整的系数；
设定仅当f(x)与粗糙度值yi之间的绝对值大于阈值ε时计算损失，则SVM模型表述为：
其中，n为训练样本规模，C为惩罚因子，lε(z)为不敏感损失函数，xi为训练样本{(x1,y1),...,(xn,yn)}的输入；
引入松弛变量以及拉格朗日乘子，则SVM模型表述为：
其中，αi、αj、为拉格朗日乘子，k(xi,xj)为核函数。
所述的步骤32)中，SVM模型的核函数采用径向基函数，优化SVM模型的参数包括惩罚因子C、阈值ε以及径向基函数核函数宽度g。
与现有技术相比，本发明具有以下优点：
一、信息全面：本发明同时考虑传统的切削三要素静态特征与加工能耗动态特征，充分考虑加工过程的不确定性，采集丰富的加工信息，因为切削条件、切削力、振动等会影响加工表面质量，同时也会引起切削能耗的变化。
二、应用场合广：本发明所提出的表面粗糙度预测模型可以应用于各种消耗电力的加工场合，功率传感器安装在电源总线上，获得的功率信号包含很多信息，例如工具振动，切割颤振和其他不可预测的切削现象，因此本发明是一种预测粗糙度的有效方法。
三、可行且成本低：使用功率传感器测量信号等同于将测量位置从切割区域传送到电机，在不改变机器结构的情况下，功率的测量很容易实现，并且传感器安装方便，此外，信号测量不会干扰加工过程，并且可以避免芯片、油脂、振动和其他干扰的影响，所有这些优点使这种基于能耗的预测模型在机械加工中可以得到广泛应用。
四、精确控制：由于实施相对简单直观，因此在车削加工和其他加工过程中可以有效地控制表面粗糙度，这对于提高加工效率和产品质量具有巨大的潜力。通过考虑能源消耗，还将提高制造业清洁生产和绿色制造的意识。
附图说明
图1为基于能耗的车削表面粗糙度预测流程图。
图2为本发明的功率信号分解示意图。
图3为本发明的PSO-SVM算法流程图。
具体实施方式
以下结合本发明的内容和附图所述实施例对本发明作进一步的说明。
本发明一种基于能耗的车削表面粗糙度预测方法，如图1所示，其包括以下步骤：
步骤一，信号获取与分析。
信号获取与分析包括采集功率信号与加工参数信息，是指通过功率传感器测量加工全过程的功率信号，包括机床启停、加工等状态，读取数控机床数控代码中的切削三要素(主轴转速、切削深度、进给速度)数值。
步骤二，车削表面粗糙度模型的建立。
车削表面粗糙度模型的建立包括对功率信号进行信号处理：信号截取与信号滤波。其中信号截取目的是找出每组信号中的材料切削开始时刻并截取一定长度的信号，信号滤波目的是滤除进给功率信号中的噪声成份。车床加工时的功率信号的分解图如图2所示。切削时的功率可以分解为空切削功率与正常切削功率，正常切削功率与空切削功率之间的差值为切削材料所消耗的功率。所述的能耗特征为切削比能(SCE)，是指去除单位体积材料所消耗的切削能量。它可以表示为
其中E切削为总切削能耗；Q为去除的材料体积；Pc为实时切削功率；MRR为材料去除率；T为实际切削时间。
材料去除率由加工参数(主轴转速n、切削深度ap、进给速度f、工件直径d)决定，在车削中它可以表示为
由于每次切削过程中切削参数保持不变，所以MRR和平均切削功率Pc保持不变。切削比能可以改写为
其中，为平均正常切削功率，为平均空切削功率。
将得到的切削比能作为能耗特征，切削参数作为静态特征，并作为表面粗糙度预测模型的输入，表面粗糙度作为输出。
步骤三，表面粗糙度预测。
利用改进的支持向量机算法(PSO-SVM)进行表面粗糙度预测模型的求解。PSO-SVM是粒子群算法与支持向量机算法的结合，使用粒子群算法优化支持向量机的核函数参数。SVM将切削三要素特征与切削比能特征数据映射到高维空间。将输入的特征数据分为训练样本与预测样本。根据基于能耗的支持向量机预测模型，先使用训练样本对模型进行训练，然后对预测样本进行预测并输出预测结果。主要分两个步骤：
(1)SVM模型的构建
假设训练样本为{(x1,y1),...,(xn,yn)}，其中xi∈Rn，n为样本规模，yi为粗糙度值。SVM可以表示为
其中为输入的特征向量，wT和b是可调整的系数。假设可以接受f(x)与yi最多有ε的偏差，即仅当f(x)与yi之间的绝对值大于ε时才计算损失。所以支持向量机回归问题可以描述为：
其中C为正则化常数，lε为ε-不敏感损失函数。
引入松弛变量εi和上式可重写为
通过引入拉格朗日乘子αi和由拉格朗日乘子法得
(2)利用PSO算法对SVM的核函数参数优化
当使用SVM预测粗糙度时，核函数对模型的预测精度有很大影响。SVM中有四个基本核函数，包括Sigmoid，线性，多项式和径向基函数。径向基函数(RBF)被认为是分类和预测的理想函数，因为它具有高效，简单，可靠和适应性优化计算的能力，特别是在处理复杂参数方面的兼容性。它的基本形式为：
K(xi,xj)＝exp(-g||xi-xj||2),(g＞0)
惩罚因子C、阈值ε、径向基函数核函数宽度g对SVM的预测精度有重要影响。为了获得最好的粗糙度结果，有必要同时优化C、ε、g。利用粒子群算法对这三个参数进行优化，将均方误差作为适应度函数。将训练数据进行参数优化及模型训练，主要步骤如图3所示为：
(1)初始化粒子群，设置粒子群的大小，初始位置和初始速度和迭代次数。
(2)计算各个粒子的当前个体极值，找到当前全局最优解。
(3)不断更新各个粒子的速度和位置。
(4)判断是否达到终止条件，如果满足，输出最优解，如不满足则继续第二部迭代。
将得到的最优惩罚因子C、阈值ε、径向基函数核函数宽度g带入SVM模型得到优化后的预测模型，利用预测数据进行粗糙度的预测。
实施例：
本实施例以车削过程为例。
全因子实验设计以CJK0640数控机床为平台切削45号钢，工件长度和直径分别为110mm和30mm，采用福禄克1735功率传感器采集加工过程的功率信号，通过采集软件记录数据。采用表面粗糙度仪测量加工后的零件表面粗糙度值。
将主轴转速n、切削深度ap和进给速度f分别设定5个水平，具体如表1所示。
表1各因素及水平
共进行125组实验，为保证实验的有效性和准确性，每次实验做四次，将四次的实验值进行平均处理。
表2实验数据
采用MATLAB编制PSO-SVM程序。将实验数据随机分成两组，其中100组数据用于模型的训练，剩下的25组数据用于预测。得到优化后的SVM预测模型，利用25组数据进行表面粗糙度的预测，预测结果如表3所示。
表3预测结果
由表3可知，本发明的预测效果：平均相对误差小于5％为4.86％，相对误差0.125um，最大误差为10％左右。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (6)
1.一种基于能耗的车削表面粗糙度预测方法，其特征在于，包括以下步骤：
1)采集车削加工过程中的功率信号和加工参数信息。
2)对功率信号进行信号截取与滤波后，从中提取切削比能作为能耗特征，将切削三要素作为静态特征。
3)将能耗特征与静态特征作为输入，表面粗糙度作为输出，构建改进的支持向量机算法建立表面粗糙度预测模型，并进行车削过程的表面粗糙度预测。
2.根据权利要求1所述的一种基于能耗的车削表面粗糙度预测方法，其特征在于，所述的功率信号包括机床启停和加工状态，所述的切削三要素包括主轴转速、切削深度和进给速度。
3.根据权利要求1所述的一种基于能耗的车削表面粗糙度预测方法，其特征在于，所述的切削比能SCE为去除单位体积材料所消耗的切削能量，其表达式为：
其中，E切削为总切削能耗，Q为去除的材料体积，Pc为实时切削功率；MRR为材料去除率，T为实际切削时间，n为主轴转速、ap为切削深度、f为进给速度、d为工件直径，为平均切削功率，为平均正常切削功率，为平均空切削功率。
4.根据权利要求1所述的一种基于能耗的车削表面粗糙度预测方法，其特征在于，所述的步骤3)具体包括以下步骤：
31)构建SVM模型并训练；
32)采用PSO算法对SVM模型的参数进行优化得到最终优化后的表面粗糙度预测模型；
33)根据最终优化后的表面粗糙度预测模型进行表面粗糙度预测。
5.根据权利要求4所述的一种基于能耗的车削表面粗糙度预测方法，其特征在于，所述的步骤31)中，SVM模型的表达式为：
其中，为输入的特征向量，wT和b为可调整的系数；
设定仅当f(x)与粗糙度值yi之间的绝对值大于阈值ε时计算损失，则SVM模型表述为：
其中，n为训练样本规模，C为惩罚因子，lε(z)为不敏感损失函数，xi为训练样本{(x1,y1),...,(xn,yn)}的输入；
引入松弛变量以及拉格朗日乘子，则SVM模型表述为：
其中，αi、αj、为拉格朗日乘子，k(xi,xj)为核函数。
6.根据权利要求5所述的一种基于能耗的车削表面粗糙度预测方法，其特征在于，所述的步骤32)中，SVM模型的核函数采用径向基函数，优化SVM模型的参数包括惩罚因子C、阈值ε以及径向基函数核函数宽度g。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810462408.9A CN108596158A (zh) | 2018-05-15 | 2018-05-15 | 一种基于能耗的车削表面粗糙度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810462408.9A CN108596158A (zh) | 2018-05-15 | 2018-05-15 | 一种基于能耗的车削表面粗糙度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108596158A true CN108596158A (zh) | 2018-09-28 |
Family
ID=63631043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810462408.9A Pending CN108596158A (zh) | 2018-05-15 | 2018-05-15 | 一种基于能耗的车削表面粗糙度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596158A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059442A (zh) * | 2019-05-07 | 2019-07-26 | 同济大学 | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 |
| CN110449992A (zh) * | 2018-05-07 | 2019-11-15 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于单位切削能系数计算车削功率的方法 |
| RU2708500C1 (ru) * | 2019-01-30 | 2019-12-09 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Рыбинский государственный авиационный технический университет имени П.А. Соловьева" | Способ оценки параметров профиля поверхности на основе вероятностно-статистической классификации спектра профилограммы |
| WO2021128577A1 (zh) * | 2019-12-24 | 2021-07-01 | 大连理工大学 | 一种基于sdae-dbn算法的零件表面粗糙度在线预测方法 |
| CN113916884A (zh) * | 2021-10-09 | 2022-01-11 | 宿州学院 | 一种硬车削工件表面质量在线预测方法 |
| WO2022059633A1 (ja) * | 2020-09-17 | 2022-03-24 | ファナック株式会社 | 演算装置、面粗さ予測システム、および演算方法 |
| CN116089818A (zh) * | 2023-01-10 | 2023-05-09 | 南京航空航天大学 | 机械加工过程中工件表面粗糙度预测方法、系统及产品 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657526A (zh) * | 2013-11-21 | 2015-05-27 | 郑芳田 | 工具机的加工品质的预测方法 |
| US20160144575A1 (en) * | 2014-11-25 | 2016-05-26 | United Technologies Corporation | System and process for evaluating and manufacturing additively manufactured components |
| CN106002490A (zh) * | 2016-05-12 | 2016-10-12 | 西北工业大学 | 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法 |
-
2018
- 2018-05-15 CN CN201810462408.9A patent/CN108596158A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657526A (zh) * | 2013-11-21 | 2015-05-27 | 郑芳田 | 工具机的加工品质的预测方法 |
| US20160144575A1 (en) * | 2014-11-25 | 2016-05-26 | United Technologies Corporation | System and process for evaluating and manufacturing additively manufactured components |
| CN106002490A (zh) * | 2016-05-12 | 2016-10-12 | 西北工业大学 | 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| NAN XIE 等: "An energy-based modeling and prediction approach for surface roughness in turning", 《HTTPS://DOI.ORG/10.1007/S00170-018-1738-Y》 * |
| 高世龙 等: "基于神经网络的车削加工表面粗糙度智能预测", 《机械设计与研究》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110449992A (zh) * | 2018-05-07 | 2019-11-15 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于单位切削能系数计算车削功率的方法 |
| RU2708500C1 (ru) * | 2019-01-30 | 2019-12-09 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Рыбинский государственный авиационный технический университет имени П.А. Соловьева" | Способ оценки параметров профиля поверхности на основе вероятностно-статистической классификации спектра профилограммы |
| CN110059442A (zh) * | 2019-05-07 | 2019-07-26 | 同济大学 | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 |
| CN110059442B (zh) * | 2019-05-07 | 2020-08-14 | 同济大学 | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 |
| WO2021128577A1 (zh) * | 2019-12-24 | 2021-07-01 | 大连理工大学 | 一种基于sdae-dbn算法的零件表面粗糙度在线预测方法 |
| US12026625B2 (en) | 2019-12-24 | 2024-07-02 | Dalian University Of Technology | On-line prediction method of surface roughness of parts based on SDAE-DBN algorithm |
| WO2022059633A1 (ja) * | 2020-09-17 | 2022-03-24 | ファナック株式会社 | 演算装置、面粗さ予測システム、および演算方法 |
| CN113916884A (zh) * | 2021-10-09 | 2022-01-11 | 宿州学院 | 一种硬车削工件表面质量在线预测方法 |
| CN116089818A (zh) * | 2023-01-10 | 2023-05-09 | 南京航空航天大学 | 机械加工过程中工件表面粗糙度预测方法、系统及产品 |
| CN116089818B (zh) * | 2023-01-10 | 2023-10-27 | 南京航空航天大学 | 机械加工过程中工件表面粗糙度预测方法、系统及产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596158A (zh) | 一种基于能耗的车削表面粗糙度预测方法 | |
| Han et al. | Parameters optimization considering the trade-off between cutting power and MRR based on linear decreasing particle swarm algorithm in milling | |
| CN110059442B (zh) | 一种基于零件表面粗糙度和功率信息的车削加工换刀方法 | |
| Aliustaoglu et al. | Tool wear condition monitoring using a sensor fusion model based on fuzzy inference system | |
| Lv et al. | Intelligent technology in grinding process driven by data: A review | |
| CN103823409B (zh) | 数控机床加工状态多参数在线主动监控系统及其实现方法 | |
| CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
| CN108614522B (zh) | 数控机床服役过程主轴系统能量效率在线监测方法 | |
| Li et al. | An effective PSO-LSSVM-based approach for surface roughness prediction in high-speed precision milling | |
| CN104281090A (zh) | 一种数控机床系统的功率建模方法 | |
| CN110728049A (zh) | 一种刀具车削温度变化均值的组合预测模型建立方法 | |
| Schorr et al. | Quality prediction of drilled and reamed bores based on torque measurements and the machine learning method of random forest | |
| CN103761429A (zh) | 铣削加工工件表面粗糙度的预测方法 | |
| Xie et al. | An energy-based modeling and prediction approach for surface roughness in turning | |
| CN112372371B (zh) | 数控机床刀具磨损状态评估方法 | |
| Li et al. | Online chatter detection in milling process based on VMD and multiscale entropy | |
| CN105955198A (zh) | 基于最小二乘迭代算法的机床工步能耗监测方法 | |
| Chen et al. | Load spectrum generation of machining center based on rainflow counting method | |
| CN114386679A (zh) | 基于集成学习的球磨机能耗状态监测方法 | |
| Bilgili et al. | Tool flank wear prediction using high-frequency machine data from industrial edge device | |
| Yang et al. | Process parameter optimization model for robotic abrasive belt grinding of aero-engine blades | |
| CN101780488B (zh) | 内螺纹冷挤压加工质量在线预测方法 | |
| Zhang et al. | Research progress on the chatter stability in machining systems | |
| Li et al. | Prediction model of net cutting specific energy based on energy flow in milling | |
| Li et al. | Multi-objective optimization of machining parameters in complete peripheral milling process with variable curvature workpieces |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |