未来智讯 > 科技博览纵横 > 刀具寿命技术分析
工具的正确使用寿命是对错。 在较高温度下,工具外部易于氧化,这会缩短工具寿命。 加工过程中的切削液是否也会影响刀具寿命。 在工具与工件摩擦过程中产生的切屑,由于其化学特性,有时会粘附在刀具的侧面,容易与工件外部划伤,这极大地影响了工件制造的精度 并缩短工具寿命。 通过在工具系统中加入切削液,可以在工具和工件的外侧覆盖液膜,可以减少工件与刀具之间的摩擦,降低切削温度,使切屑不易粘附 在工具外部,可以按时冲洗芯片,并可以延长工具。 时间。 加工情况的不变也会影响刀具寿命。 当刀具系统不处于恒定状态时,刀具将对工件产生非周期性冲击,这将加速刀具磨损。 如果两台CNC机床彼此靠近并同时运行,它们将很容易在频率附近产生共振图像。 振动幅度,对刀具的重要损坏,缩短刀具寿命。

(3)加工模式:切削参数的选择也会影响刀具寿命。 过高的进给速度和切削深度会导致刀具系统振动。 同时,刀尖的刀片半径太弱,这使得刀片布局易碎且易于切屑。 刀尖的半径过大会增加切削力。 这些参数的设置将加速刀具磨损并缩短刀具寿命。

(4)材料:刀具的材料和工件的材料也与刀具寿命直接相关。 当工具加工高硬度时,如钛合金。 这可能导致刀具磨损太快并且刀具寿命太短。 当工具材料是冲击韧性差且弯曲强度低的材料(例如硬质合金)时,工具寿命太短。

2刀具寿命前景的最新进展

基于影响刀具寿命的主要因素,当前刀具寿命前景可分为三类:基于物理模型,基于那里 是基于人工智能模型愿景的常识模型的愿景。

(1)物理模型的前景:刀具寿命与上述许多因素有关。 这些因素与刀具寿命直接或间接相关,并且具有混沌的非线性关系。 基于大量工资经验和实验的积累,并基于工具寿命的退化行为,建立了经验公式[2]。

(2)基于模具的常识:现有的方法,混沌推理和专家系统,现有数据库中的凭证样本,将测试数据与当前工具寿命进行预测相匹配 决定引入混沌变量,并确定刀具寿命的公允价值和功能分配规律的可能性,最后达到刀具寿命的效率。

(3)基于人工智能模型:目前现有的方法有神经网络(ANN)[3-5],支持向量机(SVM),它们使用刀具切削参数作为模具输入[6] - 7],使用刀具寿命作为模具的输出,运用现有的样品训练模具,设置模具输入结束和输出真正映射,最终达到了期待工具寿命的目的。

3困难和可能的解决方案

然而,在处理刀具寿命方面仍然存在许多问题,并且大多数问题仅限于切削前切削刀具的总数。 关于刀具在切削过程中的剩余寿命的预期寿命和异乎寻常的思考,例如实物模具的外观和常识模具的前景。

基于经验公式的前景具有易于理解的优点,但只有通过试验和专家系统才能使得局的正确性有争议。 此外,公式中的参数来自特定情况下的大量尝试并使用特定设备。 它不仅耗时且繁琐,而且对于处理不同的处理条件和不同的设备也具有不同的概括性和通用性。 学术主流是学习的关键。

基于常识模型的视觉,如混沌理论,它与经验公式相比具有参考价值,具有参考价值。 它决定在混沌变量替换测试中引入一些不确定的量,这使得局相对加倍。 正确。 但它在很大程度上依赖于数据库,并且在数据库的不完整环境中无法达到良好的透视效率。 上述两种方法仅适用于在加工起点之前查看刀具的整体寿命,加工过程是混沌和溢出不确定性的过程。 工具预期寿命与现实之间存在巨大差距。 不能很好地满足企业的需求,处理上述缺陷,人工智能的成长很好地解决了这个问题。

基于人工智能模型的愿景,如ANN,SVM,HMM。 他能够提供刀具寿命的在线视图,并且该工具可用于在操作期间实时输出刀具寿命。 但是,它也是劣等的。 人工神经网络依赖于大样本,培训速度缓慢而且容易。 针对人工神经网络的不足,SVM的引入很好地解决了上述问题。 然而,SVM基于样本匹配,并且外国考虑了工具的简并过程。 预计该局将在处理过程中轻易接收到该过程的噪音[8]。 不变性很差。 在这个基础上,HMM的引入很好地解决了这些问题[9]。

4未来增长趋势

随着战略的发展,人工智能越来越受到人们的青睐,人工智能的选择也越来越成为未来的增长点。 趋向。 因此,在未来,我们将从以下几个方面入手:(1)改进机械训练算法,提高人工神经网络等战略效果,可与遗传算法相结合,发挥遗传算法的优势,找到 ANN的最佳初始权重。 并且阈值,例如能够减少在最起始点找到最佳权重和阈值时ANN算法挥霍的时间,并且提高算法的运行效果。 (2)找到能更好地反映刀具寿命的特征量,例如,可以建立刀具磨损特性与刀具寿命之间的关系,并运用ANN和SVM等机械训练算法。 将这些反映工具寿命的特征值视为纵观模具的输入,人工智能视觉模型的建立更加正确和有效。

参考资料

[1]马春香,王光斗,李涛,王维芳。 基于混沌理论的刀具寿命可靠性[J]。 机械工程学报,2007,43(12):93-96。

[2]徐玲,杨丹,王世龙,聂建林。基于进化神经网络的刀具寿命[J] 。机械综合制造系统,2008,14(1):167-182。

[3]秦国华,谢文斌,王华民。基于神经网络和遗传算法的刀具磨损检测与掌握 [J]。光学精细工程,2015,23(5),1314-1321。

[4]余青,王金林。基于DE-BP神经网络的刀具寿命探讨[J]。机床与液压,2009,37(4):4-6。

[5]黄媛,孙树东,李伟。基于ACO-BP神经网络的刀具寿命预测[J]。机械科学与技术,2009,28(11):1517-1522。

[6],尚红艳,吴晓强,张春友。基于支持向量回归机的刀具寿命[J]。 东西方工艺品,2015(49):47-50。

[7]胡良谋,曹克强,徐浩军,董新平,易进。 支持向量机阻碍诊断和掌握技巧[M]。 北京国防工业出版社,2011。

[8]王小强。 刀具磨损监测和剩余寿命[D]。 华中科技大学,2016。

[9]张兴辉,康建设,高存明,等。 基于MoG-HMM的齿轮箱状态识别及剩余使用寿命展望[J]。振动与冲击,2013,32(15):20-25。

中国科技2018 22

其他关于中国科技的文章,海洋安全区对周边社区经济的影响以及低碳经济和森林资源开发的分析探讨了光催化净化甲醛的效率,并讨论了甲醛的操作技术。 热回收系统中的汽包。 (北)去除甲醛,讨论水利建设对生态条件的影响
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/87145/
 与本篇相关的热门内容: