CN110728404A - 一种铝合金零件表面完整性预测及优化系统 - Google Patents

一种铝合金零件表面完整性预测及优化系统 Download PDF

Info

Publication number
CN110728404A
CN110728404A CN201910965492.0A CN201910965492A CN110728404A CN 110728404 A CN110728404 A CN 110728404A CN 201910965492 A CN201910965492 A CN 201910965492A CN 110728404 A CN110728404 A CN 110728404A
Authority
CN
China
Prior art keywords
surface integrity
subsystem
aluminum alloy
optimization
module
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
CN201910965492.0A
Other languages
English (en)
Inventor
徐雷
王鑫
肖乃鑫
张国锋
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN201910965492.0A priority Critical patent/CN110728404A/zh
Publication of CN110728404A publication Critical patent/CN110728404A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0904—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool before or after machining
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mechanical Engineering (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Numerical Control (AREA)

Abstract

本发明涉及金属铣削加工技术领域内一种铝合金零件表面完整性预测及优化系统，该系统包括：表面完整性预测子系统——可根据用户的输入值预测该铣削参数下的铝合金零件已加工表面表面完整性；表面完整性优化子系统——可根据用户所需要的表面完整性评价值求解最优铣削参数；基本模块子系统——存储着机床的基本信息，方便用户查询；用户管理模块子系统——存储有权使用者信息，保护系统的安全。本发明的提出有效提高了铝合金零件已加工表面的表面完整性且节约了经济成本和提高了加工效率。

Description

一种铝合金零件表面完整性预测及优化系统
技术领域
本发明属于金属铣削加工技术领域，具体的来说，是涉及一种铝合金零件表面完整性预测及优化系统。
背景技术
铝合金零件因其刚性好、比强度高、重量相对较轻等优点在飞机制造业中被大量应用，例如：飞机发动机的涡轮叶片、机匣和框类零件等。此外，铝合金零件外形结构复杂，表面完整性要求较高，厚度相对较小(最薄地方达到1mm)，一般采用数控铣削的方法加工而成。
表面完整性的概念是在1964年首次提出的，所谓的表面完整性是零部件加工完成后表面几何和物理性质的总称。表面完整性可分为两部分：1)外部效应，即与零件表面纹理变化相关的部分，主要包括表面粗糙度、波纹度、刀纹方向和宏观缺陷等；2)内部效应，即与零件表层冶金物理特性变化相关的部分，主要包括硬度变化、塑性变形、残余应力等。
铣削过程中铝合金零件的铣削参数的选择相当重要，铣削参数的不合理选择不仅会造成材料和刀具不断的发生挤压产生较大的加工应力影响零件的表面完整性甚至降低了零件的合格率，而且会影响零件的生产效率且使经济成本增加。研究铣削参数对铝合金零件表面完整性的影响和如何优化铝合金薄壁件的表面完整性是国内外研究的热点和重点。
因此，若想提高铝合金零件的表面完整性，就需要建立一种铝合金零件表面完整性预测及优化系统用来确定铣削参数对表面完整性的影响并求解最优的铣削参数以优化表面完整性。
发明内容
本发明的目的是建立一种铝合金零件表面完整性预测及优化系统来确定铣削参数对铝合金零件表面完整性的影响及求解最优的铣削参数以优化铝合金零件表面完整性(本发明中表面完整性的评价指标为塑性变形、表面粗糙度和残余应力)。
为解决上述技术问题，本发明的技术方案如下。
一种铝合金零件表面完整性预测及优化系统包括表面完整性预测子系统、表面完整性优化子系统、基本信息子系统和用户管理子系统，系统结构如图1所示。
所述表面完整性预测子系统包括：输入模块(基本信息模块)、输出模块(预测结果模块)、存储模块(实验数据模块)和计算模块(后台模块)。
进一步的，表面完整性预测子系统可以根据用户输入的铣削参数、机床、刀具的信息，实现残余应力、塑性变形和表面粗糙度预测功能，具体如下。
所述输入模块，主要功能是用户输入铣削方式、主轴转速、铣削深度、铣削宽度、每齿进给量、刀具编号、工材编号信息和显示铣削方式示意图。
所述输出模块，主要功能是根据基本信息模块输入的相应信息通过计算显示相应的预测结果并具有保存、取消功能，保存功能可将部分输入信息和结果保存在目标位置，取消功能可以删除输入模块和输出模块所有信息。
所述存储模块，主要功能是存储铝合金零件铣削加工信息，包括主轴转速，铣削深度、铣削宽度、每齿进给量、残余应力、塑性变形和表面粗糙度；此外，该模块具有编辑功能：添加、删除、修改和确定。
所述计算模块，主要功能是连接输入模块、输出模块和存储模块，结合铣削参数对零件表面完整性的影响规律以及表面粗糙度、残余应力和形变量三者之间相互影响规律，采用改进粒子群算法优化后的BP神经网络(MPSO-BP)，可准确的预测表面完整性；当点击输出模块的确定按钮后，存储模块所存储的数据会训练MPSO-BP，训练完成后MPSO-BP通过输入模块的信息预测相应的目标值。
进一步的，所述改进粒子群算法是对基本粒子群优化算法作了如下改进：
Figure BDA0002230076660000021
Figure BDA0002230076660000022
Figure BDA0002230076660000024
Figure BDA0002230076660000025
Figure BDA0002230076660000026
式中，c1start和c1end分别为学习因子c1的起始值和最终值；c2start和c2end分别为学习因子c2的起始值和最终值；t和tmax分别为目前迭代次数和最终迭代次数；ωstart和ωend分别为惯性权重ω的起始值和终止值；ωt为t次迭代时惯性权重ω的取值；k为惯性权重系数，kt为t次迭代时惯性权重系数的取值；ε2和分别为粒子群离散度方差的实际值和粒子群离散方差的标准值，(ε2)t和
Figure BDA0002230076660000028
分别为t次迭代时粒子群离散度方差的实际值和粒子群离散方差的标准值；Vij为粒子速度，Xij为粒子位置。
进一步的，所述改进粒子群算法优化后的BP神经网络的输入层神经元的个数为4，输出层神经元的个数为2，隐藏层神经单元的数目为12，隐藏层的层数为一层，其学习流程图如图3所示。
所述表面完整性优化子系统包括：输入模块(约束信息模块和加工信息模块)、输出模块(铣削参数优化结果模块)、存储模块(实验数据模块)和计算模块(后台模块)。
进一步的，所述表面完整性优化子系统包括单目标优化和多目标优化功能，单目标优化功能包括残余应力优化、塑性变形优化和表面粗糙度优化，多目标优化则是综合考虑以上三者，具体如下。
所述输入模块：主要功能是用户输入最大/小主轴转速、最大/小铣削深度、最大/小铣削宽度、最大/小每齿进给量、刀具编号、工材编号信息等约束信息。
进一步的，所述输入模块在使用多目标优化功能时，还需要输入残余应力、表面粗糙度、塑性变形权重系数信息。
输出模块，主要功能是根据基本信息模块输入的相应信息通过计算显示相应的优化结果并具有保存、取消功能，保存功能可将部分输入信息和结果保存在目标位置，取消功能可以删除输入模块和输出模块所有信息。
存储模块，主要功能是存储铝合金零件铣削加工信息，包括主轴转速，铣削深度、铣削宽度、每齿进给量、残余应力、塑性变形和表面粗糙度；此外，该模块具有编辑功能：添加、删除、修改和确定。
计算模块，主要功能是连接输入模块、输出模块和存储模块，主要由遗传群算法和响应曲面法构成；当点击输出模块的确定按钮后，计算模块会运用响应曲面法对存储模块所存储的数据自变量和因变量建立非线性关系并利用遗传算法求解获得最优解，接着传递到输出模块。
进一步的，所述响应曲面法采用二阶响应曲面模型，具体模型如下所示：
Figure BDA0002230076660000031
式中，y为目标值—残余应力(y1)和表面粗糙度(y2)；x为铣削参数:主轴转速(x1)、铣削深度(x2)、铣削宽度(x3)和进给速度(x4)；β＝1,2,…,βi表示xi的线性效应，βij表示xi和xj之间的线性交互作用，βii表示xi的二次效应。
进一步的，所述遗传算法选取初始种群为100，终止进化代数为100、交叉概率为0.9，变异概率为0.1
基本信息子系统包括机床信息模块。
进一步的，基本信息子系统包括机床型号、最大功率、最大/小主轴转速、最大/小每齿进给量、最大/小铣削深度、最大/小铣削宽度数据、刀具结构数据、材料数据信息；功能具体为：方便用户查询约束数据。
用户管理子系统包括用户信息模块。
进一步的，基本模块子系统包括用户名、密码和单位；功能具体为：保证该系统的安全性。
本发明所提出的一种铝合金零件表面完整性预测及优化系统，可在不加工铝合金零件的前提下预测某组铣削参数下的铝合金零件已加工表面的表面完整性，可在目标表面完整性的要求下求解最优的铣削参数；该系统的提出有效提高了铝合金零件已加工表面的表面完整性且节约了经济成本和提高了加工效率,为工艺制定提供参考。
附图说明
图1是本发明一种铝合金零件表面完整性预测及优化系统的结构图。
图2是本发明一种铝合金零件表面完整性预测及优化系统实施例的流程图。
图3是本发明一种铝合金零件表面完整性预测及优化系统的MPSO-BP学习流程图。
具体实施方式
本发明所提出的一种铝合金零件表面完整性预测及优化系统，可在不加工铝合金零件的前提下预测某组铣削参数下的铝合金零件已加工表面的表面完整性；可在目标表面完整性的要求下求解最优的铣削参数。
一种铝合金零件表面完整性预测及优化系统实施例。
步骤一：用户输入用户名和密码登录该系统，若用户名及密码和用户管理子系统中相符，用户则会进入该系统；否则，则会提示该用户不存在或者密码错误。
步骤二：进入该系统后，用户可选择目标预测或选择目标优化；为具体说明实施步骤，本实施例中分别选择目标预测中塑性变形预测和目标优化中塑性变形优化。
步骤三：在塑性变形预测子系统的输入模块中，输入铣削方式、主轴转速，铣削深度、铣削宽度、每齿进给量、刀具编号和工材编号信息。
所述塑性变形预测子系统的计算模块将用户输入的铣削参数、刀具、材料和机床信息与训练好的MPSO-BP相结合，求解出塑性变形预测值。
所述MPSO-BP的训练过程如下所示：
Step1：系统根据预先设置好的默认设置，设定改进粒子群算法初始参数值，具体包括：种群规模，迭代次数，粒子搜索范围，粒子速度范围V，学习因子c1start、c1end、c2start、c2end，惯性权重ωstart、ωend，离散度方差ε0start、ε0end，适应度函数。
Step2：产生原始种群，对粒子位置Xij和速度Vij进行初始化。
Step3：计算适应度值更新个体极值Pi和全局极值Pg。
Step4：根据目前的迭代次数t、粒子群离散度方差的实际值ε2和粒子群离散方差的标准值
Figure BDA0002230076660000051
差值，对惯性权重ω进行调整。
Step5：调整学习因子c1和c2，进而更新粒子的位置Xij和速度Vij。
Step6：计算适应度值确定个体极值Pi和全局极值Pg，判断是否达到最大迭代次数，若达到最大迭代次数，则输出结果并作为BP神经网络的权值和阈值；若没有达到最大迭代次数，则返回Step3。
所述MPSO-BP的核心算法为改进粒子群算法，其修正了基本粒子群算法存在的因为学习因子和惯性权值在局部搜索和全局搜索过程中的不合理取值导致的局部极值问题和收敛精度问题；采用改进粒子群算法优化BP神经网络模型是利用改进粒子群中的迭代代替原来BP神经网络中梯度修正，以获得最优的权值和阈值，进而降低BP神经网络的整体误差。
步骤四：点击输出模块中的确定按钮即可输出该输入信息下的铝合金薄壁件已加工表面的塑性变形预测值，点击保存按钮可将结果保存在所需要的位置；点击取消按钮可将输入信息清除。
步骤五：在塑性变形优化子系统的输入模块中，输入最大/最小主轴转速，最大/最小铣削深度、最大/最小铣削宽度、最大/最小每齿进给量、刀具编号和工材编号信息；最大/小主轴转速，最大/小铣削深度、最大/小铣削宽度、最大/小每齿进给量可根据所选机床的类型在基本信息子系统中的机床信息模块查询。
所述优化子系统的核心算法为非支配排序遗传算法(NSGA-Ⅱ)，该算法利用非支配排序保留种群中的优良个体和适应度共享函数保持种群的多样性以保证了算法的有效性。
非支配排序遗传算法流程如下所示：
Step1：产生随机父代种群Pt，种群规模为N；由父代种群Pt随机产生子代种群Qt，种群规模为N；父代和子代种群形成规模为2N的新种群Rt。
Step2：对种群Rt进行快速非支配排序形成非支配集Z，对Z中的个体进行拥挤度排序，根据非支配排序和拥挤度排序选择合适的个体组成新的父代种群Pt+1(精英策略)。
Step3：对父代种群Pt+1进行交叉和变异操作，形成新的子代种群Qt+1(Pt+1和Qt+1种群规模均为N)。
Step4：判断当前是否达到迭代终止要求。若达到要求，则输出最优结果，结束整个过程；若未达到要求，则父代种群Pt+1和子代种群Qt+1形成新的种群Rt，返回Step2。
步骤六：点击输出模块中的确定按钮即可输出该输入信息下的铝合金薄壁件最优铣削参数值，点击保存按钮可将结果保存在所需要的位置，点击取消按钮可将输入信息清除。
显然，本领域的技术人员可以对本发明的技术的实现方法进行各种改动和变型而不脱离本发明的思想和范围；这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种铝合金零件表面完整性预测及优化系统，其特征在于，包括表面完整性预测子系统、用户管理模块子系统、基本模块子系统和表面完整性优化子系统；其中，表面完整性预测子系统的功能是预测某组铣削参数下表面完整性；表面完整性优化子系统的功能求解符合表面完整性要求的铣削参数；用户管理模块子系统的功能是存储机床信息以方便用户查询；用户管理模块子系统的功能是存储有权使用者信息以保护系统的安全。
2.根据权利要求1所述的一种铝合金零件表面完整性预测及优化系统，其特征在于，所述的表面完整性预测子系统中的计算模块由改进粒子群算法优化后的BP神经网络(MPSO-BP)构成，提高了所建立的非线性关系的准确性，提高了预测精度。
3.根据权利要求1所述的一种铝合金零件表面完整性预测及优化系统，其特征在于，所述的表面完整性优化子系统中的计算模块可建立铣削参数和表面完整性评价指标的数学模型。
4.根据权利要求1所述的一种铝合金零件表面完整性预测及优化系统，其特征在于，所述的表面完整性优化子系统中的计算模块核心算法为非支配排序遗传算法(NSGA-Ⅱ)。
5.根据权利要求1所述的一种铝合金零件表面完整性预测及优化系统，其特征在于，所述的表面完整性优化子系统中的二阶响应曲面模型为
Figure FDA0002230076650000011
6.根据权利要求1所述的一种铝合金零件表面完整性预测及优化系统，其特征在于，所述的用户管理模块子系统和基本模块子系统可分别提高系统使用的便捷性和安全性。
CN201910965492.0A 2019-10-11 2019-10-11 一种铝合金零件表面完整性预测及优化系统 Pending CN110728404A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910965492.0A CN110728404A (zh) 2019-10-11 2019-10-11 一种铝合金零件表面完整性预测及优化系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910965492.0A CN110728404A (zh) 2019-10-11 2019-10-11 一种铝合金零件表面完整性预测及优化系统

Publications (1)

Publication Number Publication Date
CN110728404A true CN110728404A (zh) 2020-01-24

Family

ID=69221093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910965492.0A Pending CN110728404A (zh) 2019-10-11 2019-10-11 一种铝合金零件表面完整性预测及优化系统

Country Status (1)

Country Link
CN (1) CN110728404A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036090A (zh) * 2020-09-10 2020-12-04 浙江工业大学 一种线性液动压抛光波纹度预测优化方法
CN112179541A (zh) * 2020-09-02 2021-01-05 大连理工大学 一种基于变形反推的初始残余应力调整方法
CN112329229A (zh) * 2020-11-03 2021-02-05 四川大学 一种适用于薄壁件表面加工铣削参数优化方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103551798A (zh) * 2013-11-14 2014-02-05 北方工业大学 一种改善高体份金属基复合材料加工表面完整性的方法
CN104318022A (zh) * 2014-10-28 2015-01-28 湘潭大学 一种预测工件表面粗糙度并提高切削效率的方法
CN104615077A (zh) * 2015-01-07 2015-05-13 重庆大学 基于田口法的数控铣削加工工艺参数高效节能优化方法
CN105574586A (zh) * 2015-12-29 2016-05-11 沈阳航空航天大学 基于mpso-bp网络的通用飞机航材需求预测方法
CN105653891A (zh) * 2016-04-19 2016-06-08 哈尔滨工程大学 一种工程陶瓷旋转超声磨削加工表面完整性综合评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103551798A (zh) * 2013-11-14 2014-02-05 北方工业大学 一种改善高体份金属基复合材料加工表面完整性的方法
CN104318022A (zh) * 2014-10-28 2015-01-28 湘潭大学 一种预测工件表面粗糙度并提高切削效率的方法
CN104615077A (zh) * 2015-01-07 2015-05-13 重庆大学 基于田口法的数控铣削加工工艺参数高效节能优化方法
CN105574586A (zh) * 2015-12-29 2016-05-11 沈阳航空航天大学 基于mpso-bp网络的通用飞机航材需求预测方法
CN105653891A (zh) * 2016-04-19 2016-06-08 哈尔滨工程大学 一种工程陶瓷旋转超声磨削加工表面完整性综合评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘学: "模具钢 Cr12MoV 硬态切削表面完整性控制", 《中国硕士优秀学位论文全文数据库 工程科技Ⅰ辑》 *
王峰 等: "基于MPSO-MP对5A06铝合金薄壁件变形预测", 《组合机床与自动化加工技术》 *
陈建岭: "钛合金高速铣削加工机理及铣削参数优化研究", 《中国博士优秀学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112179541A (zh) * 2020-09-02 2021-01-05 大连理工大学 一种基于变形反推的初始残余应力调整方法
CN112036090A (zh) * 2020-09-10 2020-12-04 浙江工业大学 一种线性液动压抛光波纹度预测优化方法
CN112036090B (zh) * 2020-09-10 2024-04-02 浙江工业大学 一种线性液动压抛光波纹度预测优化方法
CN112329229A (zh) * 2020-11-03 2021-02-05 四川大学 一种适用于薄壁件表面加工铣削参数优化方法

Similar Documents

Publication Publication Date Title
CN110728404A (zh) 一种铝合金零件表面完整性预测及优化系统
Thirumalai et al. Multi-criteria decision making in the selection of machining parameters for Inconel 718
Cus et al. Approach to optimization of cutting conditions by using artificial neural networks
Li et al. Multi-objective optimization of cutting parameters in sculptured parts machining based on neural network
Jafarian et al. Experimental investigation to optimize tool life and surface roughness in Inconel 718 machining
Mukherjee et al. A review of optimization techniques in metal cutting processes
CN107451747B (zh) 基于自适应非支配遗传算法的车间调度系统及其工作方法
Srinivas et al. Optimization of multi-pass turning using particle swarm intelligence
Ganesan et al. Optimization of machining techniques in CNC turning centre using genetic algorithm
Singh et al. Application of TOPSIS in the Taguchi method for optimal machining parameter selection
Kotliar et al. Ensuring the economic efficiency of enterprises by multi-criteria selection of the optimal manufacturingprocess
CN111290283B (zh) 一种面向选择性激光熔融工艺的增材制造单机调度方法
Rai et al. Optimal selection of cutting parameters in multi-tool milling operations using a genetic algorithm
Wang et al. Performance-based optimal selection of cutting conditions and cutting tools in multipass turning operations using genetic algorithms
Roy et al. Dynamic multi-objective optimisation for machining gradient materials
Pendse et al. Modeling and optimization of machining process in discontinuously reinforced aluminium matrix composites
Krimpenis et al. Optimizing CNC wood milling operations with the use of genetic algorithms on CAM software
CN112948994B (zh) 一种滚齿工艺参数的多目标优化与决策方法
Fountas et al. Development of a software-automated intelligent sculptured surface machining optimization environment
CN111948977B (zh) 一种用于不锈钢加工的多目标优化方法和系统
Deepak Optimization of milling operation using genetic and PSO algorithm
Hsieh et al. Multi-pass progressive tool path planning in five-axis flank milling by particle swarm optimisation
Bouaziz et al. Optimization and selection of cutters for 3D pocket machining
Fountas et al. Evaluation of 3-and 5-axis sculptured surface machining in CAM environment through design of experiments
Yue et al. Milling Parameters Optimization of Al-Li Alloy Thin-Wall Workpieces Using Response Surface Methodology and Particle Swarm Optimization

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: 20200124

RJ01 Rejection of invention patent application after publication