CN113065630B - 用于砂带磨削加工的工艺参数优化方法 - Google Patents
用于砂带磨削加工的工艺参数优化方法 Download PDFInfo
- Publication number
- CN113065630B CN113065630B CN202110310343.8A CN202110310343A CN113065630B CN 113065630 B CN113065630 B CN 113065630B CN 202110310343 A CN202110310343 A CN 202110310343A CN 113065630 B CN113065630 B CN 113065630B
- Authority
- CN
- China
- Prior art keywords
- grinding
- model
- fitness
- abrasive belt
- iterations
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000000227 grinding Methods 0.000 title claims abstract description 72
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 230000000739 chaotic effect Effects 0.000 claims abstract description 18
- 241000287127 Passeridae Species 0.000 claims abstract description 15
- 238000003754 machining Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000010845 search algorithm Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 14
- 239000010410 layer Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 239000002356 single layer Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract 1
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 230000002457 bidirectional effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 229910000851 Alloy steel Inorganic materials 0.000 description 1
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 229910000760 Hardened steel Inorganic materials 0.000 description 1
- 208000016063 arterial thoracic outlet syndrome Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005255 carburizing Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- -1 ferrous metals Chemical class 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007779 soft material Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本申请一种用于砂带磨削加工的工艺参数优化方法，所述方法包括如下步骤：S1：使用混沌映射进行群初始化；S2：确定群适应度并根据适应度值从大到小进行排序，在确定群适应度中将预测模型作为混沌麻雀搜索算法的适应度函数；S3：采用混沌麻雀搜索算法更新发现者、追随者和警戒者位置，令I＝1，其中，I表示迭代次数的变量，I为正整数；S4：I＝I+1，其中，I表示迭代次数的变量，判断I是否大于预设的迭代次数，若是，进入下一步，若否，进入步骤S2；S5：输出最佳位置和适应度，即输出在满足预设加工精度条件下，磨削效率最优的磨削工艺参数。本申请在加工精度要求的范围内最大限度地提高磨削效率，实现对磨削工艺参数的智能优化。
Description
技术领域
本发明涉及磨削加工技术领域，尤其涉及一种用于砂带磨削加工的工艺参数优化方法。
背景技术
磨削加工是应用较为广泛的切削加工方法之一。与其他切削加工方式，如车削、铣削、刨削等比较，具有以下特点：1、磨削速度很高，每秒可达30m～50m；磨削温度较高，可达1000”C～1500℃；磨削过程历时很短，只有万分之一秒左右。2、磨削加工可以获得较高的加工精度和很小的表面粗糙度值。3、磨削不但可以加工软材料，如未淬火钢、铸铁和有色金属等，而且还可以加工淬火钢及其他刀具不能加工的硬质材料，如瓷件、硬质合金等。4、磨削时的切削深度很小，在一次行程中所能切除的金属层很薄。传统的磨削工艺必须考虑很多因素，如生产条件、传统工艺习惯、生产成本和行业标准等；目前，这些主要依靠工程师的经验和知识。随着计算机技术和人工智能的迅速发展和普及，磨削技术的智能化已成为一个重要的研究课题。特别是随着行业数据的爆炸式增长，磨削工艺数据已成为智能制造的核心要素。但是，因为磨削过程机理复杂，磨削过程相互耦合，难以建立精确的数学模型系统地解释加工过程特征，以此来对磨削工艺参数进行优化。
因此，亟需一种新的对磨削工艺参数进行优化的方法。
发明内容
有鉴于此，本发明提供一种用于砂带磨削加工的工艺参数优化方法，其特征在于：所述方法包括如下步骤：
S1：使用混沌映射进行群初始化；
S2：确定群适应度并根据适应度值从大到小进行排序，在确定群适应度中将预测模型作为混沌麻雀搜索算法的适应度函数；
其中，所述预测模型采用如下方法确定：
S21：确定神经网络的训练集和测试集；
S22：构建基于双向长短时记忆网络的磨削加工的工艺参数和评价参数的模型；
S23：通过步骤S21中的训练集对所述模型进行训练，直至所述模型通过测试集的测试，通过测试后的模型为预测模型；
S3：采用混沌麻雀搜索算法更新发现者、追随者和警戒者位置，令I＝1，其中，I表示迭代次数的变量，I为正整数；
S4：I＝I+1，其中，I表示迭代次数的变量，判断I是否大于预设的迭代次数，若是，进入下一步，若否，进入步骤S2；
S5：输出最佳位置和适应度，即输出在满足预设加工精度条件下，磨削效率最优的磨削工艺参数。
进一步，所述步骤S21包括如下步骤：
确定预设数量的数据集，所述数据集中的每一个子集均包括磨削速度、下压力、进给速度、加工精度和磨削效率；
对数据集中的数据进行归一化处理，所述归一化处理采用如下方法：
其中，x表示归一化值，Xi表示当前值，lb表示当前数值的取值范围的最小值，ub表示当前数值的取值范围的最大值；
将归一化处理后的数据集按照预设比例分为训练集和测试集。
进一步，所述工艺参数包括磨削速度、下压力和进给速度，所述评价参数包括加工精度和磨削效率。
进一步，所述工艺参数和评价参数的模型包括单层双向LSTM层和单层全连接网络，所述单层全连接网络的维度由两层LSTM的输出维度拼接而成，在该模型中以工艺参数为输入，以评价参数为模型的输出。
进一步，所述优化方法的目标为在加工精度要求的范围内最大限度地提高磨削效率：
其中，max imize表示使最大化，η表示磨削效率；vs表示砂带线速度即磨削速度；μ表示下压力；vm表示进给速度；
表示约束，h表示磨削深度。
进一步，所述预设迭代次数根据如下方法确定：迭代次数由混沌麻雀搜索算法的优化结果决定，当混沌麻雀搜索算法的输出结果趋于稳定时的迭代次数设定为算法的预设迭代次数。
本发明的有益技术效果：本发明提供的用于砂带磨削加工的工艺参数优化方法，降低了磨削加工工艺参数优化对人工经验和专业知识的依赖，通过双向长短时记忆神经网络磨削加工工艺参数和评价参数之间的预测模型，通过混沌麻雀搜索算法在搜索空间中确定最优工艺组合，在加工精度要求的范围内最大限度地提高磨削效率，实现对磨削工艺参数的智能优化。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本申请的优化方法的流程图。
图2为本申请的双向长短时记忆神经网络的结构示意图。
图3为本申请的实验加工示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明：
本发明提供一种用于砂带磨削加工的工艺参数优化方法，其特征在于：所述方法包括如下步骤：如图1所示，
S1：使用混沌映射进行群初始化；
S2：确定群适应度并根据适应度值从大到小进行排序，在确定群适应度中将预测模型作为混沌麻雀搜索算法的适应度函数；
其中，所述预测模型采用如下方法确定：
S21：确定神经网络的训练集和测试集；
S22：构建基于双向长短时记忆网络的磨削加工的工艺参数和评价参数的模型；
S23：通过步骤S21中的训练集对所述模型进行训练，直至所述模型通过测试集的测试，通过测试后的模型为预测模型；
S3：采用混沌麻雀搜索算法更新发现者、追随者和警戒者位置，令I＝1，其中，I表示迭代次数的变量，I为正整数；
S4：I＝I+1，其中，I表示迭代次数的变量，判断I是否大于预设的迭代次数，若是，进入下一步，若否，进入步骤S2；
S5：输出最佳位置和适应度，即输出在满足预设加工精度条件下，磨削效率最优的磨削工艺参数。迭代结束后，对得到的结果进行反归一化处理，可以得到最优的工艺参数。
其中，确定神经网络的训练集和测试集采用如下方法确定：
确定预设数量的数据集，所述数据集中的每一个子集均包括磨削速度、下压力、进给速度、加工精度和磨削效率；
对数据集中的数据进行归一化处理，所述归一化处理采用如下方法：
其中，x表示归一化值，Xi表示当前值，lb表示当前数值的取值范围的最小值，ub表示当前数值的取值范围的最大值；
将归一化处理后的数据集按照预设比例分为训练集和测试集。本领域技术人员可根据实际需求来设定比例，在本实施例中，预设比例为8：2，即将整个数据集等分为10份，其中8份为训练集，2份为测试集。
在本实施例中，所述工艺参数包括磨削速度、下压力和进给速度，所述评价参数包括加工精度和磨削效率。
在本实施例中，如图2所示，所述工艺参数和评价参数的模型包括单层双向LSTM层和单层全连接网络，所述单层全连接网络的维度由两层LSTM的输出维度拼接而成，在该模型中以工艺参数为输入，以评价参数为模型的输出。预测模型主要由双向LSTM单元和全连接网络组成。具体包括：①单层双向LSTM层，即两层方向相反的LSTM层，可根据工序的数量选择相应的timestep，本案例为单工序工艺数据，暂且将timestep设定为1；②单层全连接网络，维度由两层LSTM的输出维度拼接而成，多次测试后设定为128，此时模型拟合效果最佳。在预测模型中，以磨削速度、下压力和进给速度三个工艺参数作为模型的输入，以加工精度和磨削效率两个评价参数作为模型的输出。
在本实施例中，所述优化方法的目标为在加工精度要求的范围内最大限度地提高磨削效率：
其中，max imize表示使最大化，η表示磨削效率；vs表示砂带线速度即磨削速度；μ表示下压力；vm表示进给速度；
表示约束，h表示磨削深度。
在本实施例中，所述预设迭代次数根据如下方法确定：迭代次数由混沌麻雀搜索算法的优化结果决定，当混沌麻雀搜索算法的输出结果趋于稳定时的迭代次数设定为算法的预设迭代次数。
本发明提供一种案例：20CrMnTi渗碳合金钢的外圆磨削试验。
在七轴联动高精度数控砂带磨床上对20CrMnTi圆柱型钢材进行了315组不同工艺参数的磨削试验。
如图3所示，圆杆直径为24mm，长度为300mm。其精度为±0.01mm。在本实验中，每种合金圆棒都可以在几个不同的工艺参数下进行加工。具体来说，在每组工艺参数下，加工宽度为10mm，间隔为2mm，然后切换到下一组进行加工。每个工件可加工20次。加工后，我们使用ATOS蓝光三维扫描仪，该扫描仪的测量精度可以达到±0.002mm。
如表1所示，为案例实验的部分数据。
表1部分实验数据
针对约束和优化目标，该模型得到的最优工艺参数组合为[8.410,20.000,1200.000]。相应的预测结果为[0.265,5.214]。选取符合约束条件的实验数据，并与表2中的结果值进行比较。在实验数据中，符合工件加工直径精度的工艺组合共有74种，其中列出了一些磨削效率大于4.8(mm3/s)的工艺组合。结果表明，模型计算结果优于所有实验数据。
Table 2优化结果与实验数据的对比
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种用于砂带磨削加工的工艺参数优化方法，其特征在于：所述方法包括如下步骤：
S1：使用混沌映射进行群初始化；
S2：确定群适应度并根据适应度值从大到小进行排序，在确定群适应度中将预测模型作为混沌麻雀搜索算法的适应度函数；
其中，所述预测模型采用如下方法确定：
S21：确定神经网络的训练集和测试集；
S22：构建基于双向长短时记忆网络的磨削加工的工艺参数和评价参数的模型；
S23：通过步骤S21中的训练集对所述模型进行训练，直至所述模型通过测试集的测试，通过测试后的模型为预测模型；
S3：采用混沌麻雀搜索算法更新发现者、追随者和警戒者位置，令I＝1，其中，I表示迭代次数的变量，I为正整数；
S4：I＝I+1，其中，I表示迭代次数的变量，判断I是否大于预设的迭代次数，若是，进入下一步，若否，进入步骤S2；
S5：输出最佳位置和适应度，即输出在满足预设加工精度条件下，磨削效率最优的磨削工艺参数。
2.根据权利要求1所述用于砂带磨削加工的工艺参数优化方法，其特征在于：所述步骤S21包括如下步骤：
确定预设数量的数据集，所述数据集中的每一个子集均包括磨削速度、下压力、进给速度、加工精度和磨削效率；
对数据集中的数据进行归一化处理，所述归一化处理采用如下方法：
其中，x表示归一化值，Xi表示当前值，lb表示当前数值的取值范围的最小值，ub表示当前数值的取值范围的最大值；
将归一化处理后的数据集按照预设比例分为训练集和测试集。
3.根据权利要求1所述用于砂带磨削加工的工艺参数优化方法，其特征在于：所述工艺参数包括磨削速度、下压力和进给速度，所述评价参数包括加工精度和磨削效率。
4.根据权利要求3所述用于砂带磨削加工的工艺参数优化方法，其特征在于：所述工艺参数和评价参数的模型包括单层双向LSTM层和单层全连接网络，所述单层全连接网络的维度由两层LSTM的输出维度拼接而成，在该模型中以工艺参数为输入，以评价参数为模型的输出。
5.根据权利要求4所述用于砂带磨削加工的工艺参数优化方法，其特征在于：所述优化方法的目标为在加工精度要求的范围内最大限度地提高磨削效率：
其中，max imize表示使最大化，η表示磨削效率；vs表示砂带线速度即磨削速度；μ表示下压力；vm表示进给速度；s.t.表示约束，h表示磨削深度。
6.根据权利要求4所述用于砂带磨削加工的工艺参数优化方法，其特征在于：所述预设迭代次数根据如下方法确定：迭代次数由混沌麻雀搜索算法的优化结果决定，当混沌麻雀搜索算法的输出结果趋于稳定时的迭代次数设定为算法的预设迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110310343.8A CN113065630B (zh) | 2021-03-23 | 2021-03-23 | 用于砂带磨削加工的工艺参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110310343.8A CN113065630B (zh) | 2021-03-23 | 2021-03-23 | 用于砂带磨削加工的工艺参数优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113065630A CN113065630A (zh) | 2021-07-02 |
| CN113065630B true CN113065630B (zh) | 2023-04-07 |
Family
ID=76561616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110310343.8A Active CN113065630B (zh) | 2021-03-23 | 2021-03-23 | 用于砂带磨削加工的工艺参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065630B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114065649B (zh) * | 2021-11-25 | 2024-11-26 | 国网湖南省电力有限公司 | 一种配电变压器顶层油温短期预测方法及预测系统 |
| CN114925596B (zh) * | 2022-04-20 | 2023-10-20 | 永得利科技（无锡）有限公司 | 基于晶圆测试设备的铸件平台精铣加工参数的优化方法 |
| CN115452842B (zh) * | 2022-10-20 | 2025-02-25 | 颖态智能技术(上海)有限公司 | 一种面向阀口袋包装机的褶皱检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388702A (zh) * | 2018-01-30 | 2018-08-10 | 河南工程学院 | 基于pso神经网络的工程陶瓷电火花加工效果预测方法 |
| CN110232212A (zh) * | 2019-05-08 | 2019-09-13 | 上海交通大学 | 基于蝙蝠算法的天线设计优化方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472057B (zh) * | 2018-10-16 | 2023-05-23 | 浙江大学 | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 |
| CN109410208A (zh) * | 2018-11-14 | 2019-03-01 | 成都极致智造科技有限公司 | 砂带磨损的机器学习识别与工艺参数优化方法 |
| JP6898371B2 (ja) * | 2019-02-28 | 2021-07-07 | ファナック株式会社 | 加工条件調整装置及び加工条件調整システム |
| CN110442099B (zh) * | 2019-08-05 | 2021-05-11 | 湘潭大学 | 一种基于长短期记忆的数控加工工艺参数优化方法 |
| CN110576336A (zh) * | 2019-09-11 | 2019-12-17 | 大连理工大学 | 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 |
| JP7424777B2 (ja) * | 2019-09-13 | 2024-01-30 | ファナック株式会社 | 機械学習装置、制御装置、生成方法および制御方法 |
| CN112418406B (zh) * | 2020-12-09 | 2022-06-07 | 甘肃靖远航天风力发电有限公司 | 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 |
-
2021
- 2021-03-23 CN CN202110310343.8A patent/CN113065630B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388702A (zh) * | 2018-01-30 | 2018-08-10 | 河南工程学院 | 基于pso神经网络的工程陶瓷电火花加工效果预测方法 |
| CN110232212A (zh) * | 2019-05-08 | 2019-09-13 | 上海交通大学 | 基于蝙蝠算法的天线设计优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113065630A (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113065630B (zh) | 用于砂带磨削加工的工艺参数优化方法 | |
| CN103235556B (zh) | 基于特征的复杂零件数控加工制造方法 | |
| 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 | |
| CN111563301A (zh) | 一种薄壁件铣削加工参数优化方法 | |
| Nain et al. | Performance evaluation of the WEDM process of aeronautics super alloy | |
| CN109615113A (zh) | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 | |
| CN108388702A (zh) | 基于pso神经网络的工程陶瓷电火花加工效果预测方法 | |
| CN102609591A (zh) | 一种重型机床切削参数的优化方法 | |
| CN114492198B (zh) | 一种基于改进pso算法辅助svm算法的切削力预测方法 | |
| CN104267671A (zh) | 一种数控加工刀具智能选择方法及其系统 | |
| Rao | Optimizing machining parameters of wire-EDM process to cut Al7075/SiCp composites using an integrated statistical approach | |
| CN110221580A (zh) | 一种基于主轴数据仿真的进给速度优化方法 | |
| Krimpenis et al. | CNC micromilling properties and optimization using genetic algorithms | |
| CN113408195A (zh) | 一种过程中刀具磨损状态预测方法 | |
| CN105676776B (zh) | 基于粒子群算法的轮廓曲线数控代码生成方法及数控机床 | |
| Kumar et al. | Multi-objective optimization in WEDM of Inconel 750 alloy: application of TOPSIS embedded grey wolf optimizer | |
| CN104331020B (zh) | 基于特征的蒙皮镜像铣削工艺决策方法 | |
| CN117669084A (zh) | 基于改进的鲸鱼算法优化bp神经网络的铣削力预测方法 | |
| Ghasempour-Mouziraji et al. | Machine learning-based optimization of geometrical accuracy in wire cut drilling | |
| Xue et al. | Data-driven analysis in magnetic field-assisted electrical discharge machining of high-volume SiCp/Al | |
| CN106897503B (zh) | Rv减速器主轴承多目标优化中设计变量范围的确定方法 | |
| Gjelaj et al. | Intelligent optimal tool selections for CNC programming of machine tools | |
| CN114415595A (zh) | 一种车削优化方法、系统、计算机设备和存储介质 | |
| Datta et al. | Optimization of turning process parameters using multi-objective evolutionary algorithm | |
| Hossain et al. | Development of an artificial neural network algorithm for predicting the surface roughness in end milling of Inconel 718 alloy |
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 |