丁宁[1]2004年在《外圆纵向智能磨削研究》文中研究指明现代先进制造技术正朝着柔性制造 (FMS)、计算机集成制造 (CIMS)和智能制造系统 (IMS)等方向发展。用户要求产品的性能完美、可靠 ，并要求尽可能一次制造合格 ，因此，要求制造系统不仅有更高的生产效率 、更低的原材料和能源消耗，还要求零件有更高的精度、表面粗糙度、表面完整性和严格的制造一致性。由于磨削加工往往是机械加工产品的终极加工工序，其加工效果的好坏直接影响到产品的最终质量和性能。但由于磨削过程复杂，影响因素众多，磨削过程的非线性、随机性和不确定性等原因，用传统的方法无法对其建立精确数学模型，致使传统的控制方法难以解决磨削系统的控制问题。目前在磨削加工中，许多方面仍依赖于操作者的经验和技术熟练程度，对加工过程的实际调整是靠试凑法。磨削的现状已成为制约某些先进制造技术发展的关键技术之一。智能化是磨削技术发展的趋势。 本文对于机械生产厂家应用最普遍的一种精加工手段——外圆纵向磨削进行了深入的理论研究，建立了外圆纵向磨削中磨削力、工件弹性变形、砂轮磨损及工件尺寸的数学模型。并把智能理论引入磨削加工过程中，实现了对外圆纵向磨削加工中工件变形、尺寸及表面粗糙度的智能建模与智能控制。 一、外圆纵向磨削过程中工件变形的变速自适应控制 在外圆纵向磨削过程中，特别是磨削加工细长轴时，在磨削力的作用下，工件会发生变形，而且，随着砂轮和工件接触位置的不同，变形量也不同。纵向磨削的关键问题之一是如何尽量减少工件的变形。通常采用刚度最薄弱处的工件转速 Vw和纵向进给速度Vf 以及尽可能小的磨削深度进行磨削。因此，Vw、Vf 对那些刚度较大处将不是最优。而且，为了减少由于砂轮磨损而造成的尺寸和形状误差，还要经常对砂轮进行修整，造成时间和费用的浪费。一些学者研究了用支撑架补偿变形的方法，它可以极大地减少形状误差，但是有时需要用多个支撑架，调整过程相对复杂。 为此，本文在建立了外圆纵向磨削加工中磨削力模型、工件弹性变形数学模型的基础上，打破了传统磨削的方法，提出了一种控制工件变形的变速优化自适应控制策略。由于工件变形和磨削力以及磨削力和工件转速 Vw 和纵向进给速度 Vf 存在定量关系，故可通过改变 Vw 和 Vf来控制工件变形。以磨削时间为优化函数，可由优化程序求出工件轴向任一确定位置相应的最优的 Vw 和 Vf 。因此，在纵向磨削过程中，可随着砂轮磨削位置的移动，不断变化 Vw 和 Vf ，使 Vw 和 Vf 取最优值，以控制工件的变形。由于在磨削过程中存在许多不确定因素，故本文采用了一个自适应控制系统来控制工件的弹性 i
王家忠[2]2006年在《外圆纵向智能磨削关键技术研究》文中认为本文对外圆纵向智能磨削系统的关键技术——专家系统、智能预测系统和智能控制系统等进行了深入研究和探讨,构建了基于开放式外圆纵向智能磨削系统的基本框架结构,把专家系统、模糊逻辑、神经网络、智能控制和进化算法等应用到磨削过程中。在建立相关分析模型的基础上,首次提出将专家的启发式知识和磨削优化模型相结合建造专家系统,考虑到磨削过程中的时变特性,采用进化策略对优化模型进行优化,得到初始的磨削参数。建立了表面粗糙度的模糊基神经网络预测模型和尺寸的ELMAN动态神经网络预测模型,实现了对工件表面粗糙度和尺寸进行预测和控制。提出了外圆纵向磨削智能控制系统的控制策略:粗磨阶段采用恒功率控制策略;精磨阶段采用几何优化控制策略,通过自适应的模糊控制器实时调整工作台进给量,以达到工件的质量要求。对所提出的预测模型和智能控制模型在基于开放式的智能磨削实验系统中都进行了大量的实验考证,证明了本文提出的模型是正确的。
祝汉燕[3]2006年在《外圆纵向智能磨削专家系统的研究》文中认为鉴于磨削机理相当复杂,建立数学模型困难,而磨削参数的选取直接影响工件的加工质量,本文建立了外圆纵向智能磨削专家系统,为磨削过程提供优化的磨削参数。磨削专家系统内部含有大量的磨削加工领域的专家水平的知识与经验,能够运用磨削专家的知识和解决问题的方法进行推理和判断,模拟磨削专家的决策过程,来进行磨削参数的选取。本文在改造后的MMB 1320B型精密半自动外圆磨床的基础上,在Windows 2000 Professional的系统环境下,以Visual C++ 6.0为开发工具,采用面向对象的编程方法,实现对外圆纵向智能磨削专家系统的开发。本系统是外圆纵向智能磨削系统的一部分,为磨削过程的控制做准备,它能够在最少的有效实验数据下提供最优的磨削参数,提高了磨削系统的智能性。
亢磊[4]2007年在《外圆纵向磨削智能预测系统的研究》文中认为磨削是精加工的主要方法,是机械加工产品的终极加工工序,其机理十分复杂,很难建立较完善的数学模型,而磨削的参数直接影响工件加工的质量。本文根据模糊基神经网络(FBFN)和Elman神经网络的算法基础分别建立了工件表面粗糙度和工件尺寸的预测模型,进而完成了外圆纵向磨削智能预测系统的研究,对磨削过程中的重要质量参数(工件表面粗糙度和工件尺寸)进行了预测,以确保工件加工的质量。磨削智能预测系统含有大量的磨削加工领域的专家级的知识库,能够利用所建立的智能预测模型结合专家的知识和经验对磨削质量参数进行推理和判断,模拟磨削加工中预测的过程,以确保实际加工中质量参数的准确。本文是在改造后的MMB1320B型精密半自动外圆磨床的基础上,在Windows 2000 Professional的系统环境下,以Visual C++ 6.0,MATLAB 7.0,SQL Server 2000为开发工具,采用面向对象的编程方法,实现对外圆纵向磨削智能预测系统的开发。本系统是实现外圆纵向磨削智能预测控制的初步的探索,是为以后开发外圆纵向磨削智能预测控制系统作了一定的准备工作,它能够在加工时对实时检测较为困难的工件表面粗糙度和工件的尺寸等参数进行智能预测,提高了磨削系统的智能性。
王家忠, 王龙山, 李国发, 周桂红, 丁宁[5]2006年在《轴类零件外圆纵向磨削尺寸智能预测和控制系统》文中进行了进一步梳理针对纵向磨削非线性和非静态的特点,建立了轴类零件纵向磨削的E lman动态神经网络尺寸预测模型。为了提高尺寸预测的准确性,将实际磨削尺寸的一阶导数和二阶导数做为网络的输入。采用论域自调整策略和模糊控制理论建立了纵向磨削的控制模型,选择工件的转速vw作为控制变量。仿真和实验结果表明所建立的神经网络尺寸预测模型和模糊自适应控制模型是正确的。
杨勋[6]2011年在《外圆纵向磨削表面粗糙度预测与控制》文中研究说明外圆纵向磨削作为轴类零件的主要加工方式,在机械加工领域的地位举足轻重。为了提高生产效率、降低使用成本,现代磨削技术正朝着自动化、智能化方向发展。要实现磨削加工的自动化和智能化,如何对磨削过程的状态量进行预测和控制是一个重要的问题。作为一般机械加工的终极工序,磨削加工表面质量的好坏将直接影响零件的使用性能。外圆纵向磨削加工过程复杂,工件表面粗糙度受众多输入因素影响,用传统方法难于实现对表面粗糙度准确预测及控制。本文选择目前应用最广泛的BP网络模型,利用遗传算法对BP网络存在的缺陷进行了改进,并建立了基于进化BP(GA-BP)网络的外圆纵向磨削表面粗糙度预测模型。本文设计了表面粗糙度自适应模糊控制器,并根据表面粗糙度预测结果,对加工过程表面粗糙度进行控制。本文根据磨削实验要求,对MM1320外圆磨床进行改造。确立了外圆纵向磨削开放式控制系统的硬件构成,以Visual Basic 6.0为编程语言,编写了人机交互界面,实现了对横、纵向工作台的进给控制和砂轮以及工件的转速控制。本文以开放式外圆纵向磨削实验系统为平台,以工件表面粗糙度为目标,根据理论分析结果设计了包括磨削深度、工件转速和纵向进给速度在内的叁因素正交实验。通过极差及方差分析研究了各因素对表面粗糙度的影响程度。依据正交实验结果,设计了叁因素全组合试验,为表面粗糙度预测及控制模型的建立提供训练和检验样本。本文介绍了人工神经网络的构成及分类,重点研究了BP神经网络算法及其存在的不足。为了提高传统BP神经网络的性能,将遗传算法与BP神经网络结合。利用遗传算法的全局搜索能力对BP神经网络的初始权值和阈值进行优化。建立了基于GA-BP网络的外圆纵向磨削表面粗糙度预测模型,并同没有进行优化的传统BP网络预测模型进行了对比。预测结果表明遗传算法和BP网络的结合可以提高表面粗糙度预测模型的收敛速度和预测精度,可以满足智能磨削对表面粗糙度预测高效性、准确性的需求。本文介绍了模糊控制器的原理及组成,重点研究了自适应模糊推理系统结构和学习算法。针对表面粗糙度模糊控制器存在难于确定隶属度函数及控制规则的缺点,建立了基于自适应模糊推理系统的自适应模糊控制器模型。控制模型以纵向进给速度作为控制变量,工件的表面粗糙度值作为控制目标。通过表面粗糙度控制实验,对建立的控制模型进行验证,结果证明了自适应模糊控制模型的可行性。
李晓梅, 丁宁, 朱喜林[7]2006年在《磨削智能预测控制系统研究》文中研究说明建立了一种智能预测控制系统。该系统根据各磨削阶段的特点,在不同阶段分别采用不同的优化控制策略:粗磨阶段,采用在烧伤极限内大进给和变速磨削优化策略;精磨阶段,采用由神经网络预测、模糊逻辑控制的工件尺寸智能优化方法;光磨阶段,采用工件表面粗糙度模糊神经网络预测辨识控制方法。基于神经网络的专家系统,提供各阶段初始磨削加工参数。实验结果表明,该系统在外圆磨削加工中适应性强,可极大地提高磨削质量和效率。
黄吉东, 王龙山, 李国发, 张秀芝, 王家忠[8]2010年在《基于最小二乘支持向量机的外圆磨削表面粗糙度预测系统》文中提出为解决磨削加工中影响因素多,难以实现自动化加工的困难,对磨削系统的表面粗糙度预测系统进行了研究。在分析目前常用预测方法的基础上,建立了基于最小二乘支持向量机的外圆纵向磨削表面粗糙度预测模型。该模型采用等式约束,把原来求解一个二次规划问题转化成求解一个线性方程组,方法简单且有效。比较实验显示,该方法响应时间快、测量精度高,测量精度误差比BP神经网络预测方法小4%,比进化神经网络(BP+GA)预测方法小1.3%,所提供的预测方法可以实现对工件表面粗糙度的在线预测。将其应用于外圆纵向磨削智能系统中,实时计算预测值与给定粗糙度的差值,引导磨削专家系统修正磨削参数,实现智能控制,取得了较好的效果。
吕长飞, 李郝林[9]2011年在《外圆纵向磨削力和磨削功率模型研究》文中指出磨削力和磨削功率是磨削过程中最重要的工艺参数,利用现有磨削力和磨削功率模型,通过实验,对模型中各个参数与磨削力的关系进行了单因素验证,采用MATLAB软件进行仿真,并采用角正回归算法求解出磨削力和磨削功率与磨削加工参数间的模型参数,通过正交实验进行校验,其最大相对误差为3.2%,平均相对误差为1.54%。研究对于磨削烧伤的判别、磨削工艺技术的优化和磨削过程的在线监测及智能控制的实现有着积极的作用。
王家忠, 周桂红, 王龙山, 刘江涛[10]2008年在《外圆纵向磨削自适应控制器》文中研究说明设计了外圆纵向磨削自适应控制器,采用模糊自适应控制策略对磨削过程中的纵向进给量实时进行调整,使得粗磨阶段的磨削功率保持恒定,保证了稳定的功率响应。该控制器已经在改造后的智能磨削系统上进行了实验验证,结果表明该控制器可以对磨削条件的变化实现自适应控制,具有很好的鲁棒性和稳定性。
参考文献：
[1]. 外圆纵向智能磨削研究[D]. 丁宁. 吉林大学. 2004
[2]. 外圆纵向智能磨削关键技术研究[D]. 王家忠. 吉林大学. 2006
[3]. 外圆纵向智能磨削专家系统的研究[D]. 祝汉燕. 吉林大学. 2006
[4]. 外圆纵向磨削智能预测系统的研究[D]. 亢磊. 吉林大学. 2007
[5]. 轴类零件外圆纵向磨削尺寸智能预测和控制系统[J]. 王家忠, 王龙山, 李国发, 周桂红, 丁宁. 吉林大学学报(工学版). 2006
[6]. 外圆纵向磨削表面粗糙度预测与控制[D]. 杨勋. 吉林大学. 2011
[7]. 磨削智能预测控制系统研究[J]. 李晓梅, 丁宁, 朱喜林. 机床与液压. 2006
[8]. 基于最小二乘支持向量机的外圆磨削表面粗糙度预测系统[J]. 黄吉东, 王龙山, 李国发, 张秀芝, 王家忠. 光学精密工程. 2010
[9]. 外圆纵向磨削力和磨削功率模型研究[J]. 吕长飞, 李郝林. 现代制造工程. 2011
[10]. 外圆纵向磨削自适应控制器[J]. 王家忠, 周桂红, 王龙山, 刘江涛. 机床与液压. 2008