基于神经网络的回归分析及其在磨削力预测中的应用

在磨削领域，磨削力数字模型是利用概率统计中的回归分析和方差分析进行多因素试验数据处理而建立的经验方式，该公式建立的正确与否直接影响磨削力的计算。本文介绍了基于神经网络一元回归和多元回归分析方法，并分别以正弦函数及磨削力公式为例，与传统的回归分析方法进行了比较。说明基于神经网络的回归分析在回归精度上优于优统的回归分析方法。在对磨削力进行预测时有其实用价值。

基于模糊信息粒化和优化支持向量机的氧化铝陶瓷超声磨削力趋势预测

为实现超声磨削氧化铝陶瓷中磨削力变化趋势的预测,提出了一种基于模糊信息粒化和支持向量机相结合的方法。首先进行氧化铝陶瓷超声磨削试验,然后利用模糊信息粒化方法对试验获得的磨削力进行粒化处理,并将人工免疫系统算法和粒子群算法进行并联混编构成人工免疫系统粒子群算法(AISPSO),接着建立非线性回归支持向量机预测模型并对模糊粒子进行预测,并通过AISPSO算法优化支持向量机预测模型,最后获得超声磨削氧化铝陶瓷中磨削力的变化趋势和变化范围。结果表明:该方法可以有效实现超声磨削中磨削力的变化趋势及变化范围预测,且预测未来5组数据变化范围的误差在10%以内,这为通过磨削力变化调整工艺参数以获得更好的加工表面提供了新的思路。

轴向超声振动辅助磨削的磨削力建模

以单颗磨粒为对象,分析轴向超声振动下磨粒的运动特性。在此基础上,将磨削力分为切屑变形力和摩擦力两部分,分别分析了轴向超声振动对切屑变形力和摩擦力的影响。在切屑变形力方面,轴向超声振动改变了磨粒运动方向与主切削方向间的夹角;在摩擦力方面,轴向超声振动降低了磨粒与工件间的摩擦因数。基于此建立了轴向超声振动辅助磨削的磨削力模型。通过对21Ni Cr Mo5H进行了轴向超声振动辅助磨削的磨削力试验,确定了模型中的常数,并验证了所建模型的正确性。建立的磨削力模型是轴向超声振动辅助磨削的磨削力预测的一种有效方法,对轴向超声振动辅助磨削机理的认识具有较大意义。

基于超声振动辅助加工的陶瓷材料磨削力研究

针对传统切削方式对陶瓷类硬脆材料存在加工困难、废品率高等问题,将超声振动辅助应用于氟金云母磨削加工研究。首先对砂轮侧面磨粒进行动力学特性研究,基于脆性材料断裂力学理论建立超声振动辅助加工磨削力预测模型;然后设计了超声振动辅助磨削正交实验和单因素实验方案,对磨削力预测模型进行完善以及合理性验证。研究结果表明:磨削力随着主轴转速和超声振幅的增加逐渐降低,在超声振动的作用下磨削力最多下降了25. 7%;磨削力随着进给速度和磨削深度的增加而升高。通过对磨削力预测值和实验值进行对比,可以看出磨削力预测值变化规律与实验结果基本一致,两者的平均误差在8. 8%左右。

牙科氧化锆陶瓷微尺度磨削力研究

基于带有圆弧刃角的圆锥状磨粒形状和突出高度服从瑞利分布的假设,建立单颗磨粒未变形切削厚度数学模型.根据微磨削力的三种不同来源,以单颗磨粒为研究对象,建立磨削过程中单颗磨粒的切削变形力、耕犁力和摩擦力理论模型.结合单位面积内的磨粒数目,建立微磨削力的理论模型.切向磨削力和法向磨削力预测模型的验证结果表明:切向磨削力理论值与实验值平均误差为7.32%,最大误差小于10%;法向磨削力的平均误差为8.18%,最大误差小于20%.