基于人工智能算法的最优加工表面粗糙度预测研究

发布时间：2018-01-10 09:00

  本文关键词：基于人工智能算法的最优加工表面粗糙度预测研究　出处：《机床与液压》2017年19期 　论文类型：期刊论文

  更多相关文章： 表面粗糙度 田口方法 人工智能 神经网络 遗传算法 预测 参数优化

【摘要】：以切削速度、进给量、切削深度、刀尖圆弧半径为设计变量,采用正交试验法进行了立方氮化硼(CBN)刀具干式车削冷作模具钢Cr12MoV的试验研究。利用神经网络的非线性拟合能力和遗传算法的全局寻优能力,建立了加工表面粗糙度预测模型并获得了使表面粗糙度达到最优的切削用量与刀尖圆弧半径组合。利用遗传算法获得的最优表面粗糙度值比田口方法和切削试验所获得的最佳表面粗糙度值分别降低了7.1%和17.2%。文中所采用的方法也为切削加工中刀具磨损、切削力和残余应力等问题的建模与参数优化提供理论参考。
[Abstract]:The design variables are cutting speed, feed rate, cutting depth and radius of cutter tip arc. Cubic boron nitride (CBN) was carried out by orthogonal test. Experimental study on dry turning cold die steel Cr12MoV. The nonlinear fitting ability of neural network and the global optimization ability of genetic algorithm are used. The prediction model of machining surface roughness is established and the combination of cutting parameters and radius of cutter tip arc is obtained. The optimum surface roughness value obtained by genetic algorithm is better than that obtained by Taguchi method and cutting test. The optimum surface roughness values are reduced by 7.1% and 17.2 respectively. The method used in this paper is tool wear in cutting. Theoretical reference is provided for modeling and parameter optimization of cutting force and residual stress.
【作者单位】： 华北理工大学机械工程学院;
【基金】：河北省引进海外高层次人才“百人计划”资助项目(E2012100005)
【分类号】：TG506;TP18
【正文快照】： 0前言表面粗糙度影响着机械零件的疲劳强度、接触强度、耐腐蚀性、配合精度和质量等,是评定切削加工表面质量的一个重要指标[1],表面粗糙度值越低,零件的表面质量越好。在切削加工中,影响表面粗糙度的主要因素是切削参数,包括切削用量和刀具几何参数。因此,可通过优化这两方面

【相似文献】

相关期刊论文 前10条

1 王芳;;浅谈实操车削加工表面粗糙度的控制方法[J];职业;2014年06期

2 张绍平;降低磨削加工表面粗糙度的方法[J];精密制造与自动化;2001年01期

3 孙振华;;减小球体加工表面粗糙度的方法之探讨[J];莱阳农学院学报;1988年03期

4 李登万;陈洪涛;许明恒;韩俊峰;钟成明;;钛合金车削加工表面粗糙度试验研究[J];制造业自动化;2010年05期

5 林峰;;切削参数对不锈钢加工表面粗糙度的影响[J];工具技术;2007年07期

6 尹韶辉;陈越;王宇;朱科军;胡天;范玉峰;朱勇建;;磁流变抛光头形状对加工表面粗糙度的影响[J];湖南大学学报(自然科学版);2010年01期

7 汤勇,陈澄洲,张发英;磨料流加工压力特性对加工表面粗糙度的影响[J];华南理工大学学报(自然科学版);1997年05期

8 章伟,陈澄洲,张发英,罗干英,明冬兰;电解、磨粒、超声复合加工技术及其加工表面粗糙度的预测方法[J];工具技术;1998年12期

9 Yogendra Chadda,Mchammad Haque,齐让孝;精车加工表面粗糙度的预测研究[J];工具技术;1994年09期

10 方沂;李凤泉;;基于人工神经网络的高速加工表面粗糙度预测模型[J];工具技术;2006年11期

相关会议论文 前2条

1 范胜波;王太勇;汪文津;冷永刚;;遗传算法在切削力公式参数辨识中的应用[A];2005年中国机械工程学会年会论文集[C];2005年

2 张娜;张文志;焦时光;;基于遗传算法的棒材孔型多目标优化设计[A];2006中国金属学会青年学术年会论文集[C];2006年

相关博士学位论文 前1条

1 廖平;基于遗传算法的形状误差计算研究[D];中南大学;2002年

相关硕士学位论文 前10条

1 史龙飞;硬质合金激光超声辅助切削过程的参数影响特性研究[D];河南理工大学;2016年

2 许贺利;基于知识进化与实例推理的机械产品三维建模技术[D];沈阳理工大学;2015年

3 杨阳;基于遗传算法和有限单元法的夹具布局优化[D];大连理工大学;2015年

4 万琪;基于遗传算法的涡流热成像检测系统中激励参数优化[D];华东交通大学;2016年

5 刘志磊;遗传算法和实例推理在数控机床设计中的应用研究[D];沈阳理工大学;2016年

6 杨猛;基于遗传算法与人工神经网络的加热炉建模方法研究[D];中国科学技术大学;2017年

7 冯锦春;基于遗传算法的最大生产率的车削用量优化[D];西南交通大学;2006年

8 葛治亮;基于遗传算法的精密校直机电液伺服系统的研究[D];合肥工业大学;2010年

9 张君;KDP晶体各向异性对加工表面粗糙度影响的研究[D];哈尔滨工业大学;2006年

10 胡威;基于遗传算法的数控压齿机支撑体的优化设计[D];哈尔滨工程大学;2009年

，

本文编号：1404623