基于进给伺服电流的铣削力间接测量技术的研究

《基于进给伺服电流的铣削力间接测量技术的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要摘要随着数控加工技术的发展，能够实时监测加工过程中各项参数的变化并做出相应控制的自适应控制技术将成为数控加工技术发展的方向。自适应控制技术对加工相关的各项加工参数的变化进行实时监测并适时地对加工参数做出相应的调节，可以达到提高加工质量、降低成本和保护刀具的目的。铣削力作为影响加工过程质量的重要因素，对其进行实时监测并进行自适应调节可以提高加工质量和加工效率。但是由于传统的铣削力直接测量技术所用的测力仪在实际铣削加工过程中的安装问题，不能被广泛地运用到铣削系统的自适应控制中来,需要有一种替代的方法能够避免使用测力仪带来的弊端。铣削力间接测量技术的提出为解决这一问题提供了新的方

2、向。本文通过对铣削力和进给电机电流之间的关系的研究，得出了进给伺服电流和铣削力之间的一般关系公式，确定了铣削力可以通过进给伺服电流进行间接的测量；搭建了铣削力和进给伺服电流的检测平台，为神经网络建模提供了数据支持；通过基于遗传算法优化过的神经网络建立起进给伺服电流和铣削力之间的关系模型，解决了进给伺服电流和铣削力之间一般的关系公式存在非线性因素影响的问题。最后通过实验数据验证了优化后的神经网络建立铣削力间接预测模型的可行性。关键字：自适应控制铣削力间接测量技术遗传算法神经网络I摘要IABSTRACTABSTRACTWiththedevelopmentofCNCmachining

3、technology,adaptivecontroltechnologythatcapableofreal-timemonitoringchangesintheparametersoftheprocessandmakethecorrespondingcontrolwillbethedirectionofCNCmachiningtechnology.Adaptivecontroltechnologycanimproveprocessquality,reducecostsandprotectthetoolbyreal-timemonitoringandtimelyadjustmen

4、tofprocessparameters.Millingforceasanimportantfactoraffectingtoqualityoftheprocess,itsreal-timemonitoringandadaptiveadjustingcanimproveprocessingqualityandefficiency.However,asthetraditionaldirectlymeasuretechnologyofthemillingforcecannotbewidelyappliedtotheadaptivecontrolsystemformillingsys

5、tembyinstallationproblems,weneedanalternativemethodthatcanavoidtheevilsthatcamefromdynamometer.Millingforceindirectmeasurementtechniquesprovidedanewdirectiontosolvethisproblem.Thedissertationgetthegeneralrelationshipformulabetweenfeedservocurrentandmillingforcebyresearchtherelationshipbetwee

6、nmillingforceandfeedmotorcurrent,andmakesurethatmillingforcecanbedeterminedindirectlybymeasuringthefeedservocurrent.Andthenbuildamillingforceandfeedservocurrenttestingplatform,providesdatasupportforneuralnetworkmodeling.Thenestablishtherelationshipmodelforfeedservocurrentandmillingforceusing

7、theneuralnetworkwhathadbeenoptimizedbygeneticalgorithm.Solvethenonlinearfactors’influencecomesfromgeneralrelationshipformulathathappenedbetweenfeedservocurrentandmillingforce.Atlastverifythefeasibilityoftheneuralnetworkmodelthathadbeenoptimizedwith