CN111123857B - 整体叶轮铣削加工工艺参数自学习智能决策模型 - Google Patents
整体叶轮铣削加工工艺参数自学习智能决策模型 Download PDFInfo
- Publication number
- CN111123857B CN111123857B CN201911252475.9A CN201911252475A CN111123857B CN 111123857 B CN111123857 B CN 111123857B CN 201911252475 A CN201911252475 A CN 201911252475A CN 111123857 B CN111123857 B CN 111123857B
- Authority
- CN
- China
- Prior art keywords
- model
- intelligent
- process parameter
- learning
- intelligent decision
- 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.)
- Active
Links
- 238000003801 milling Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000009123 feedback regulation Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000003754 machining Methods 0.000 claims description 9
- 230000026676 system process Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种整体叶轮铣削加工工艺参数自学习智能决策模型，所述整体叶轮铣削加工工艺参数自学习智能决策模型包括：基于加工工艺输入输出参数的智能预测模型、基于多目标函数的工艺参数优化智能决策模型和基于单因素影响规律的工艺参数智能反馈调节模型。根据本发明的整体叶轮铣削加工工艺参数自学习智能决策模型可以智能决策出有效可靠的核心工艺参数组合，提供给CAM，有利于降低整体叶轮铣削加工的生产周期，提高加工效率，降低生产成本。
Description
技术领域
本发明涉及智能制造技术领域，尤其是涉及一种整体叶轮铣削加工工艺参数自学习智能决策模型。
背景技术
在相关技术中，整体叶轮铣削加工的过程存在CAM(Computer AidedManufacturing计算机辅助制造)所需工艺参数组合依旧根据工艺人员经验来进行选择、产品最终加工误差大、成品次品率高等问题，进而导致生产周期过长，生产成本过高。因此，上述技术存在改进空间。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种整体叶轮铣削加工工艺参数自学习智能决策模型，所述整体叶轮铣削加工工艺参数自学习智能决策模型有利于提高整体叶轮铣削加工的效率，降低生产成本。
根据本发明实施例的整体叶轮铣削加工工艺参数自学习智能决策模型包括：基于加工工艺输入输出参数的智能预测模型、基于多目标函数的工艺参数优化智能决策模型和基于单因素影响规律的工艺参数智能反馈调节模型。
根据本发明的整体叶轮铣削加工工艺参数自学习智能决策模型有利于提高整体叶轮铣削加工的效率，降低生产成本。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型，所述基于加工工艺输入输出参数的智能预测模型包括输入参数和输出参数。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型，所述输入参数包括第一主轴转速、切削速度、第一轴向切深量和第一径向切深量，所述输出参数包括第一加工变形量和第一振动值。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型，所述基于多目标函数的工艺参数优化智能决策模型包括约束条件和目标函数。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型，所述约束条件包括系统工艺参数约束和预测工艺参数约束，所述目标函数包括加工时间和加工成本。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型，所述系统工艺参数约束包括第二主轴转速、第二轴向切深量、第二径向切深量、第二进给速度和切削功率，所述预测工艺参数约束包括第二加工变形量和第二振动值。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型，通过对所述约束条件和所述目标函数的处理，得到第三主轴转速和第三进给速度。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型，所述基于加工工艺输入输出参数的智能预测模型由单模型和集成学习模型构成，所述集成学习模型部分包含所述单模型。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型，所述单模型的算法包括多元线性回归算法、支持向量机、决策树、随机森林和人工神经网络。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型，所述基于单因素影响规律的工艺参数智能反馈调节模型通过对所述第三主轴转速和所述第三进给速度的反馈调节处理，输出核心工艺参数组合，提供给CAM。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明实施例的整体叶轮铣削加工工艺参数自学习智能决策模型的逻辑示意图；
图2是根据本发明实施例的基于加工工艺输入输出参数的智能预测模型的第一组成示意图；
图3是根据本发明实施例的输入参数的组成示意图；
图4是根据本发明实施例的基于加工工艺输入输出参数的智能预测模型的第二组成示意图；
图5是根据本发明实施例的约束条件的组成示意图；
图6是根据本发明实施例的目标函数的组成示意图；
图7是根据本发明实施例的系统工艺参数约束的组成示意图；
图8是根据本发明实施例的预测工艺参数约束的组成示意图；
图9是根据本发明实施例的获取第三主轴转速和第三进给速度的示意图；
图10是根据本发明实施例的基于加工工艺输入输出参数的智能预测模型的第三组成示意图；
图11是根据本发明实施例的单模型的组成示意图。
附图标记：
100-整体叶轮铣削加工工艺参数自学习智能决策模型，1-基于加工工艺输入输出参数的智能预测模型，11-输入参数，112-第一主轴转速，113-切削速度，114-第一轴向切深量，115-第一径向切深量，12-输出参数，121-第一加工变形量，122-第一振动值，2-基于多目标函数的工艺参数优化智能决策模型，3-基于单因素影响规律的工艺参数反馈调节模型，4-约束条件，41-系统工艺参数约束，411-第二主轴转速，412-第二轴向切深量，413-第二径向切深量，414-第二进给速度，415-切削功率，42-预测工艺参数约束，421-第二加工变形量，422-第二振动值，5-目标函数，51-加工时间，52-加工成本，6-第三主轴转速，7-第三进给速度，8-单模型，81-多元线性回归算法，82-支持向量机，83-决策树，84-随机森林，85-人工神经网络，9-集成学习模型。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其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。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
下面参考图1-图11描述根据本发明实施例的整体叶轮铣削加工工艺参数自学习智能决策模型100。如图1所示，根据本发明实施例的整体叶轮铣削加工工艺参数自学习智能决策模型100包括：基于加工工艺输入输出参数的智能预测模型1、基于多目标函数的工艺参数优化智能决策模型2和基于单因素影响规律的工艺参数智能反馈调节模型3。具体地，基于加工工艺输入输出参数的智能预测模型1主要是为了建立起不同相关工艺输入参数与最终输出目标参数之间的精准预测模型，这样可以对参数智能优化决策模块输出工艺参数做一个相对精准的加工约束预估，同时为后续进行反馈智能调节做好基础。进一步地，基于多目标函数的工艺参数优化智能决策模型2主要是为了建立起较为准确的多个约束条件4、多个目标函数5的优化决策模型，这样能够方便选择出基于多目标函数5要求下的多参数较优组合，实现工艺输入参数选择的智能决策。进一步地，基于单因素影响规律的工艺参数智能反馈调节模型3主要是通过单因素法建立起不同输入工艺参数对最终输出目标的具体影响规律和变化趋势，这样便可为后续进行参数反馈调节提供具体的调节机制，最终使得整体的智能决策系统更加地全面、可靠和先进。在本发明的描述中，“多个”的含义是两个或两个以上。
根据本发明的整体叶轮铣削加工工艺参数自学习智能决策模型100有利于提高整体叶轮铣削加工的效率，降低生产成本。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型100，如图2所示，基于加工工艺输入输出参数的智能预测模型1包括输入参数11和输出参数12。具体地，如图3所示，输入参数11包括第一主轴转速112、切削速度113、第一轴向切深量114和第一径向切深量115，进一步地，输出参数12包括第一加工变形量121和第一振动值122。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型100，如图4所示，基于加工工艺输入输出参数的智能预测模型1包括约束条件4和目标函数5。具体地，如图5所示，约束条件4包括系统工艺参数约束41和预测工艺参数约束42。进一步地，如图6所示，目标函数5包括加工时间51和加工成本52。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型100，如图7所示，系统工艺参数约束41包括第二主轴转速411、第二轴向切深量412、第二径向切深量413、第二进给速度414和切削功率415，具体地，系统工艺参数约束41为确切值。进一步地，如图8所述，预测工艺参数约束42包括第二加工变形量421和第二振动值422，具体地，预测工艺参数约束42为预测值。需要说明的是，第二主轴转速411、第二轴向切深量412、第二径向切深量413、第二进给速度414和切削功率415是一个范围值，不是一个定值。类似地，第二加工变形量421和第二振动值422也是一个范围值，不是一个定值。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型100，如图9所示，通过对约束条件4和目标函数5的处理，得到第三主轴转速6和第三进给速度7。具体地，对约束条件4和目标函数5采用最优化算法来处理，例如，在一个具体的实施例中，最优化算法可以采用粒子群算法。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型100，如图10所示，基于加工工艺输入输出参数的智能预测模型1由单模型8和集成学习模型9构成，其中集成学习模型9部分包含单模型8。进一步地，基于加工工艺输入输出参数的智能预测模型1可以随着工艺大数据的不断扩充进行智能预测算法的自我学习与迭代，最终寻找到基于当前数据的最佳模型，从而达到提高整体叶轮铣削加工的效率、降低生产成本的目的。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型100，如图11所示，单模型8的算法包括多元线性回归算法81、支持向量机82、决策树83、随机森林84和人工神经网络85。这样，可以根据不同的需求选择不同的算法，进而得到更加准确的第一加工变形量121和第一振动值122，从而有利于提高整体叶轮铣削加工的效率。
根据本发明一个实施例的整体叶轮铣削加工工艺参数自学习智能决策模型100，基于单因素影响规律的工艺参数智能反馈调节模型3通过对第三主轴转速6和第三进给速度7的处理，反馈至基于多目标函数的工艺参数优化智能决策模型2。这样可以使基于多目标函数的工艺参数优化智能决策模型2和基于单因素影响规律的工艺参数反馈调节模型3之间形成闭环系统，进而得到更加准确的第三主轴转速6和第三进给速度7，从而最终得到有效可靠的核心工艺参数组合，提供给CAM，这样有利于提高整体叶轮铣削加工的效率。
综上所述，根据本发明的整体叶轮铣削加工工艺参数自学习智能决策模型100可以智能决策出有效可靠的核心工艺参数组合，提供给CAM，有利于降低整体叶轮铣削加工的生产周期，提高加工效率，降低生产成本。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种整体叶轮铣削加工工艺参数自学习智能决策模型，其特征在于，包括：
基于加工工艺输入输出参数的智能预测模型；
基于多目标函数的工艺参数优化智能决策模型；
基于单因素影响规律的工艺参数智能反馈调节模型；
所述基于多目标函数的工艺参数优化智能决策模型包括约束条件和目标函数；
通过对所述约束条件和所述目标函数的处理，得到第三主轴转速和第三进给速度；其中
所述多目标函数的工艺参数优化智能决策模型和所述基于单因素影响规律的工艺参数反馈调节模型之间形成闭环系统；
所述基于单因素影响规律的工艺参数智能反馈调节模型通过对所述第三主轴转速和所述第三进给速度的反馈调节处理，输出核心工艺参数组合，提供给CAM。
2.根据权利要求1所述的整体叶轮铣削加工工艺参数自学习智能决策模型，其特征在于，所述基于加工工艺输入输出参数的智能预测模型包括输入参数和输出参数。
3.根据权利要求2所述的整体叶轮铣削加工工艺参数自学习智能决策模型，其特征在于，所述输入参数包括第一主轴转速、切削速度、第一轴向切深量和第一径向切深量，所述输出参数包括第一加工变形量和第一振动值。
4.根据权利要求1所述的整体叶轮铣削加工工艺参数自学习智能决策模型，其特征在于，所述约束条件包括系统工艺参数约束和预测工艺参数约束，所述目标函数包括加工时间和加工成本。
5.根据权利要求4所述的整体叶轮铣削加工工艺参数自学习智能决策模型，其特征在于，所述系统工艺参数约束包括第二主轴转速、第二轴向切深量、第二径向切深量、第二进给速度和切削功率，所述预测工艺参数约束包括第二加工变形量和第二振动值。
6.根据权利要求1或2所述的整体叶轮铣削加工工艺参数自学习智能决策模型，其特征在于，所述基于加工工艺输入输出参数的智能预测模型由单模型和集成学习模型构成，所述集成学习模型部分包含所述单模型。
7.根据权利要求6所述的整体叶轮铣削加工工艺参数自学习智能决策模型，其特征在于，所述单模型的算法包括多元线性回归算法、支持向量机、决策树、随机森林和人工神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911252475.9A CN111123857B (zh) | 2019-12-09 | 2019-12-09 | 整体叶轮铣削加工工艺参数自学习智能决策模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911252475.9A CN111123857B (zh) | 2019-12-09 | 2019-12-09 | 整体叶轮铣削加工工艺参数自学习智能决策模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111123857A CN111123857A (zh) | 2020-05-08 |
| CN111123857B true CN111123857B (zh) | 2021-12-24 |
Family
ID=70497970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911252475.9A Active CN111123857B (zh) | 2019-12-09 | 2019-12-09 | 整体叶轮铣削加工工艺参数自学习智能决策模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111123857B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477351A (zh) * | 2008-11-18 | 2009-07-08 | 天津大学 | 具有三级加工自优化功能的智能数控方法 |
| CN104267693A (zh) * | 2014-09-22 | 2015-01-07 | 华中科技大学 | 一种机械加工能量效率的切削参数优化方法 |
| CN105160059A (zh) * | 2015-07-11 | 2015-12-16 | 西安工业大学 | 一种基于bp和ga的叶片加工切削用量优化选择方法 |
| CN206671871U (zh) * | 2017-04-28 | 2017-11-24 | 深圳吉兰丁智能科技有限公司 | 一种智能制造控制器 |
| CN107976956A (zh) * | 2017-11-22 | 2018-05-01 | 沈阳机床股份有限公司 | 数控机床的多目标切削数据生成算法及切割参数优化方法 |
| CN110488754A (zh) * | 2019-08-09 | 2019-11-22 | 大连理工大学 | 一种基于ga-bp神经网络算法的机床自适应控制方法 |
-
2019
- 2019-12-09 CN CN201911252475.9A patent/CN111123857B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477351A (zh) * | 2008-11-18 | 2009-07-08 | 天津大学 | 具有三级加工自优化功能的智能数控方法 |
| CN104267693A (zh) * | 2014-09-22 | 2015-01-07 | 华中科技大学 | 一种机械加工能量效率的切削参数优化方法 |
| CN105160059A (zh) * | 2015-07-11 | 2015-12-16 | 西安工业大学 | 一种基于bp和ga的叶片加工切削用量优化选择方法 |
| CN206671871U (zh) * | 2017-04-28 | 2017-11-24 | 深圳吉兰丁智能科技有限公司 | 一种智能制造控制器 |
| CN107976956A (zh) * | 2017-11-22 | 2018-05-01 | 沈阳机床股份有限公司 | 数控机床的多目标切削数据生成算法及切割参数优化方法 |
| CN110488754A (zh) * | 2019-08-09 | 2019-11-22 | 大连理工大学 | 一种基于ga-bp神经网络算法的机床自适应控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钛合金整体叶轮铣削参数多目标优化;杨帆,程果,宋广三;《工艺与制造》;20190731(第7期);第116-121页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111123857A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107193258B (zh) | 面向能耗的数控加工工艺路线与切削参数集成优化方法 | |
| CN111158313B (zh) | 数控机床能耗建模与加工过程优化的方法 | |
| CN102922013B (zh) | 基于槽腔特征的飞机结构件高效粗加工方法 | |
| CN106776712A (zh) | 基于i5智能数控车床的车削工艺数据库及其应用方法 | |
| CN103198186A (zh) | 基于特征的飞机结构件切削参数优化方法 | |
| US20220379380A1 (en) | Hybrid additive and subtractive manufacturing | |
| CN111105069B (zh) | 数控加工工艺参数优化方法、装置、系统及计算机设备 | |
| CN105844356A (zh) | 基于自适应遗传算法的机床切削用量能耗优化方法 | |
| CN112051799A (zh) | 一种机械加工自适应控制方法 | |
| CN104475843A (zh) | 一种环形类机匣径向窄槽的加工方法 | |
| CN110162841A (zh) | 一种引入三维稳定性约束的铣削加工多目标优化决策方法 | |
| CN112558550B (zh) | 一种使用cam软件加工异形螺纹的方法 | |
| CN111123857B (zh) | 整体叶轮铣削加工工艺参数自学习智能决策模型 | |
| CN115755758A (zh) | 基于神经网络模型的机床加工控制方法 | |
| CN107491036B (zh) | 机床加工能耗控制方法及加工机床 | |
| CN114491839A (zh) | 数控电火花机床加工参数智能优化方法和系统 | |
| Xu et al. | An energy saving approach for rough milling tool path planning | |
| CN111708279B (zh) | 一种面向节能的数控机床进给系统设计优化方法 | |
| CN116466651A (zh) | 基于混合启发式算法的数控加工工艺参数优化方法及系统 | |
| CN116307526B (zh) | 一种基于数学模型智慧工厂产能分析系统 | |
| CN104267669A (zh) | 基于特征的机匣环形槽铣削粗加工轨迹自动生成方法 | |
| CN109598053B (zh) | 低风速风电机组传动部件布局构建、智能优化方法和装置 | |
| CN106735398B (zh) | 用于铣削内孔和外圆的数控机床及加工方法 | |
| CN115755775A (zh) | 一种基于cam云服务架构的特征刀轨动态生成系统及方法 | |
| CN116861571A (zh) | 一种金属模具制造加工岛的加工工序选择方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |