兵工学报2024，Vol.45Issue(2) ：516-526.DOI:10.12382/bgxb.2022.0673

基于Cotes求积法和神经网络的稳定域判断及铣削参数优化新方法

A Novel Method of Stability Judgment and Milling Parameter Optimization Based on Cotes Integration Method and Neural Network

秦国华 娄维达 林锋 徐勇
兵工学报2024，Vol.45Issue(2) ：516-526.DOI:10.12382/bgxb.2022.0673
✕
  • 维普
  • 万方数据

基于Cotes求积法和神经网络的稳定域判断及铣削参数优化新方法

A Novel Method of Stability Judgment and Milling Parameter Optimization Based on Cotes Integration Method and Neural Network

秦国华 1娄维达 2林锋 3徐勇3
扫码查看

作者信息

  • 1. 南昌航空大学 航空制造工程学院, 江西 南昌330063;西北工业大学 机电学院,陕西 西安710072
  • 2. 西北工业大学 机电学院,陕西 西安710072
  • 3. 南昌航空大学 航空制造工程学院, 江西 南昌330063
  • 折叠

摘要

再生效应引起的铣削颤振,是制约加工效率和工件质量的主要因素之一.准确高效地识别铣削颤振的稳定域,是抑制颤振、提高生产效率的关键步骤.为此,根据铣削振动微分方程,利用柯特斯积分法(Cotes Integration Method,CIM)提出一种新的铣削稳定域预测方法.利用CIM获得主轴转速-轴向切深平面二维稳定性叶瓣图(Stabi1ity Lobe Diagram,SLD),与半离散法(Semi-discretization Method,SDM)和全离散法(Fu11-discretization Method,FDM)等方法进行比较,结果表明CIM的收敛性更优.考虑径向切深的影响,建立三维SLD的迭代计算方法,通过等效地离散三维SLD曲面为节点集合,随机以90％的节点作为训练集,构建轴向切深与主轴转速、径向切深之间的神经网络预测模型.10％验证集的预测结果表明神经网络的预测误差不超过6％.以材料去除率为效率目标,刀具寿命为成本目标,建立稳定铣削多目标优化模型并应用基于分解的多目标进化算法(Mu1tiobjective Evo1utionary A1gorithm Based on Decomposition,MOEA/D)求解,为获得高效率、低成本的最优铣削参数提供基础理论和技术支撑.

关键词

铣削/颤振/Cotes积分/神经网络/遗传算法

Key words

milling operation/chatter/cotes integration/neural network/genetic algorithm

引用本文复制引用

基金项目

国家自然科学基金(51765047)

江西省自然科学基金重点项目(20232ACB204019)

江西省主要学科学术和技术带头人培养计划(20172BCB22013)

江西省重点研发计划(20203BBE53049)

出版年

2024
兵工学报
中国兵工学会

兵工学报

CSTPCD北大核心
影响因子：0.735
ISSN：1000-1093
参考文献量23
段落导航相关论文