Zastosowanie sieci neuronowych do modelowania odksztalcen przedmiotu obrabianego podczas toczenia

• Autorzy: Jóźwik J. , Lipski J.

Warianty tytułu

EN

Application of neural network to modeling of workpiece deformations during turning process

• Języki publikacji: PL

Abstrakty

PL

W artykule wskazano na szerokie możliwości modelowania procesów skrawania za pomocą strategii samouczenia. Zaprezentowano model predykcji sumarycznych odkształceń przedmiotu obrabianego za pomocą sztucznych sieci neuronowych. Badania i analizy przeprowadzono na przykładzie toczenia ortogonalnego tulei cienkościennej, poddanej działaniu ciepła i sił w procesie skrawania.

EN

In this paper has been to shown wide possibility modeling of cutting process by self-teaching strategy. Hear have been presented neural network model of workpiece summary deformations. Research and analyzes have been shown based on example orthogonal turning of thin-walled sleeve to expose it on action of heat and cutting forces.

Słowa kluczowe

PL

modelowanie; sztuczne sieci neuronowe; odkształcenia przedmiotu obrabianego; proces toczenia

EN

modelling; artificial neural network; workpiece deformations; turning process

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2002
• Tom: nr 4(16)
• Strony: 30--39
• Opis fizyczny: bibliogr. 20 poz.

Twórcy

autor

Jóźwik J.

• Katedra Podstaw Inżynierii Produkcji, Wydziai Mechaniczny, Politechnika Lubelska, ul. Nadbystrzycka 36, 20-618 Lublin

autor

Lipski J.

• Katedra Podstaw Inżynierii Produkcji, Wydziai Mechaniczny, Politechnika Lubelska, ul. Nadbystrzycka 36, 20-618 Lublin

• Katedra Podstaw Inżynierii Produkcji, Wydziai Mechaniczny, Politechnika Lubelska, ul. Nadbystrzycka 36, 20-618 Lublin

Bibliografia

• [1] Oczoś. K.E.: Wybrane trendy rozwojowe ubytkowego kształtowania materiałów. Konferencja: Nowoczesne technologie w przemyśle obrabiarek i narzędzi. Mach-Tool 2002. Poznań 2002, 2-30.
• [2] Żebrowski H., (red): Trendy w ubytkowych metodach obróbki. automatyzacja produkcji .97. Innowacje w technice i zarządzaniu. Tom 2. Oficyna Wydawnicza Politechniki Wrocławskiej. Wrocław 1997. 175-212.
• [3] Bryan J.: International status of thermal error research. Annals CIRP, 39(2), pp. 645.656, 1990.
• [4] Li X.: Real-Time Prediction of Workpiece Errors for a CNC Turning Centre, Part 1. Measurement and Identification. Int. J. Adv. Manuf. Technol. 2001, 17, 649.653.
• [5] Li X.: Real -Time Prediction of Workpiece Errors for a CNC Turning Centre, Part 2. Modelling and Estimation of Thermally Induced Errors. Int. J. Adv. Manuf. Technol. (2001), 17, 654.658.
• [6] Li X.: Real -Time Prediction of Workpiece Errors for a CNC Turning Centre, Part 3. Cutting Force Estimation Using Current Sensors. Int. J. Adv. Manuf. Technol. 2001, 17, 659.664.
• [7] Li X.: Real -Time Prediction of Workpiece Errors for a CNC Turning Centre, Part 4. Cutting-Force-Induced Errors. Int. J. Adv. Manuf. Technol. 2001, 17, 665.669.
• [8] Liu Z. Q.: Finite difference calculations of the deformations of multi-diameter workpieces during turning. Journal of Materials Processing Technology. 2000, 98, 310-316.
• [9] Liu Z. Q., Venuvinod P.K.: Error compensation in CNC turning solely from dimensional measurements of previously machined parts. Annals CIRP, 48(1), pp. 429.432, 1999.
• [10] Liang J.C., Li H.F., Yuan J.X., Ni J.: A comprehensive error compensation system for correction geometric, thermal, and cutting force-induced errors. Int. J. Adv. Manuf. Tech. 13 (1997) 708-712.
• [11] Kops L., Gould M., Mizrach M.: A search for equilibrium between workpiece deflection and depth of cut: key to predictive compensation for deflection in turning, 2, Manuf. Sci. Eng., ASME PED, 68 (2) 1994, 819-825.
• [12] Moriwaki T., Zhao C.: Neural network approach to identify thermal deformation of machining center. Proceedings of 8th International IFIP WG5.3 Conference, PROLAMAT.92, Tokyo, Japan, pp. 685.697, 1992.
• [13] Orr M.J.L.: Recent advances in radial basis function net-works. Technical report, Institute for Adaptive and Neural computation, Edinburgh University, 1999.
• [14] Cheng Y.-H., Lin C.-S.: A learning algorithm for radial basis function networks: with the capability of adding and pruning neurons. Proceedings IEEE, pp. 797.801, 1994.
• [15] Lowe D.: Adaptive radial basis function nonlinearities and the problem of generalization. in 1st International Conference on Artificial Neural Networks, London, UK, pp. 171.175, 1989.
• [16] Kubat M.: Decision trees can initialize radial-basis function networks. IEEE Transaction on Neural Networks, 9 (5), pp. 813.824, 1998.
• [17] Lipski J., Szabelski K., Warmiński J., Litak G., Zaleski K.: Identification of cutting process using neural network, Technical University of Budapest, International Workshop: Nonlinear Dynamics and Control in COST Action P4, 1999.
• [18] Lipski J.: Modelowanie procesów obróbki skrawaniem z zastosowaniem sieci neuronowych. VIII Międzynarodowa Konferencja Naukowo-Techniczna, Zielona Góra 1997.
• [19] Lipski J., Lutek K., Nieszczeta W., Zaleski K.: Ocena błędów obróbkowych spowodowanych odkształceniami cieplnymi przedmiotu obrabianego. Konferencja: Forum prac badawczych . Kształtowanie części maszyn przez usuwanie materiału. Koszalin, 1994.
• [20] Józwik J.: Modelowanie zjawisk cieplnych zachodzących w strefie skrawania z zastosowaniem sieci neuronowych. Ogólnopolska Konferencja SKN i MPN. Białystok 1999.