本文關(guān)鍵詞：數(shù)控加工切削參數(shù)優(yōu)化匹配專家系統(tǒng)的研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：現(xiàn)代制造業(yè)發(fā)展的一個重要特征是由單品種多批量生產(chǎn)轉(zhuǎn)向多品種少批量生產(chǎn),這對制造系統(tǒng)的柔性化提出了越來越高的要求,對于數(shù)控加工企業(yè)來說,則面對著設(shè)備投資大,加工成本高的挑戰(zhàn),實現(xiàn)加工設(shè)備切削參數(shù)的優(yōu)化是應(yīng)對這一挑戰(zhàn)的一條有效途徑。本文的研究融合了群體進(jìn)化優(yōu)化方法、人工智能、數(shù)據(jù)庫等先進(jìn)的計算機(jī)技術(shù),建立了金屬切削參數(shù)多目標(biāo)優(yōu)化專家系統(tǒng),為實現(xiàn)金屬切削參數(shù)的優(yōu)化探求一條途徑,主要研究內(nèi)容如下: 1.在分析傳統(tǒng)金屬加工參數(shù)優(yōu)化方法弊端的基礎(chǔ)上,通過引入模糊方法,綜合金屬切削加工中可能出現(xiàn)的不確定因素,以端面銑削為例,研究建立了金屬切削加工參數(shù)多目標(biāo)模糊優(yōu)化模型。 2.研究引入了模擬退火遺傳算法作為優(yōu)化引擎,實現(xiàn)該模糊優(yōu)化模型的求解,并通過算例驗證,表明求解方法的優(yōu)越性。 3.研究建立了基于人工智能神經(jīng)網(wǎng)絡(luò)的金屬切削參數(shù)知識獲取模型,該模型通過對優(yōu)化后的參數(shù)實例進(jìn)行學(xué)習(xí),從而獲取到對應(yīng)條件下的加工參數(shù)匹配知識,在加工條件發(fā)生變更的情況下,無需再通過耗費大量機(jī)時的運(yùn)算,就可以獲得滿意的優(yōu)化結(jié)果。該模型的建立為切削用量優(yōu)化匹配知識庫的建立奠定基礎(chǔ)。 4.開發(fā)實現(xiàn)了金屬切削參數(shù)最優(yōu)匹配專家系統(tǒng)的原型系統(tǒng)。該專家系統(tǒng)軟件以金屬切削參數(shù)多目標(biāo)模糊優(yōu)化模型為知識源,采用規(guī)則知識庫和神經(jīng)網(wǎng)絡(luò)庫相結(jié)合的策略用于表示知識。系統(tǒng)提供了方便快捷的人機(jī)界面,實現(xiàn)多目標(biāo)和單目標(biāo)條件下切削參數(shù)的優(yōu)化,為金屬切削加工提供適用、匹配的刀具參數(shù)和加工參數(shù),從而實現(xiàn)充分利用金屬切削領(lǐng)域內(nèi)的經(jīng)驗知識來指導(dǎo)實際生產(chǎn),提高加工設(shè)備的利用率,縮短生產(chǎn)周期,提高生產(chǎn)率的目的。
【關(guān)鍵詞】：切削參數(shù) 專家系統(tǒng) 多目標(biāo)優(yōu)化 模糊優(yōu)化 遺傳算法 人工神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：同濟(jì)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2006
【分類號】：TG659
【目錄】：

• 第1章 緒論11-18
• 1.1 課題來源11
• 1.2 問題的提出11-12
• 1.3 相關(guān)技術(shù)及研究現(xiàn)狀12-16
• 1.3.1 金屬切削參數(shù)問題及優(yōu)化方法12-13
• 1.3.2 遺傳算法13-14
• 1.3.3 專家系統(tǒng)14-16
• 1.4 論文研究的主要內(nèi)容16-18
• 第2章 金屬切削參數(shù)多目標(biāo)模糊優(yōu)化模型18-27
• 2.1 傳統(tǒng)金屬切削參數(shù)多目標(biāo)優(yōu)化模型18-19
• 2.2 多變量模糊模型19-24
• 2.3 模糊模型的求解方法24
• 2.4 金屬切削參數(shù)多目標(biāo)模糊優(yōu)化模型24-26
• 2.5 本章小結(jié)26-27
• 第3章 模型求解: 遺傳算法27-43
• 3.1 遺傳算法的基本思想27-28
• 3.2 遺傳算法的適應(yīng)性28-31
• 3.2.1 結(jié)構(gòu)適應(yīng)性29-30
• 3.2.2 參數(shù)適應(yīng)性30-31
• 3.3 遺傳算法的約束優(yōu)化求解31-37
• 3.3.1 非線性規(guī)劃問題31-32
• 3.3.2 罰方法32-37
• 3.4 求解多目標(biāo)模糊優(yōu)化模型37-42
• 3.4.1 算法流程37-38
• 3.4.2 模型求解38-40
• 3.4.3 實例驗證和分析40-42
• 3.5 本章小結(jié)42-43
• 第4章 專家系統(tǒng)知識表示方法43-56
• 4.1 專家系統(tǒng)神經(jīng)網(wǎng)絡(luò)知識表示43-47
• 4.1.1 專家系統(tǒng)知識表示43-44
• 4.1.2 知識表示方法44
• 4.1.3 神經(jīng)網(wǎng)絡(luò)方法44-47
• 4.1.4 金屬切削知識的神經(jīng)網(wǎng)絡(luò)表示47
• 4.2 BP神經(jīng)網(wǎng)絡(luò)知識獲取方法47-53
• 4.2.1 傳統(tǒng)知識獲取方法48-49
• 4.2.2 BP算法49-51
• 4.2.3 BP網(wǎng)絡(luò)參數(shù)選取原則51
• 4.2.4 基于BP算法的知識獲取步驟51-52
• 4.2.5 運(yùn)算實例52-53
• 4.3 知識庫的構(gòu)造53-55
• 4.3.1 金屬切削參數(shù)庫54
• 4.3.2 專家系統(tǒng)知識庫54-55
• 4.4 本章小結(jié)55-56
• 第5章 專家系統(tǒng)結(jié)構(gòu)設(shè)計和系統(tǒng)實現(xiàn)56-65
• 5.1 系統(tǒng)總體設(shè)計56-58
• 5.1.1 專家系統(tǒng)的需求分析56
• 5.1.2 系統(tǒng)模型設(shè)計56-57
• 5.1.3 系統(tǒng)結(jié)構(gòu)設(shè)計57-58
• 5.2 專家系統(tǒng)推理機(jī)設(shè)計58-61
• 5.2.1 推理方法58-59
• 5.2.2 推理方向59-60
• 5.2.3 控制策略60
• 5.2.4 專家系統(tǒng)推理算法60-61
• 5.3 系統(tǒng)運(yùn)行實例61-63
• 5.4 本章小結(jié)63-65
• 第6章 結(jié)論和展望65-66
• 致謝66-67
• 參考文獻(xiàn)67-70
• 個人簡歷 在讀期間發(fā)表的學(xué)術(shù)論文與研究成果70

【引證文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 孔政偉;數(shù)控銑削物理仿真及優(yōu)化系統(tǒng)研究[D];哈爾濱理工大學(xué);2010年

2 張峗;切削用量選擇與優(yōu)化專家系統(tǒng)的研究與設(shè)計[D];太原理工大學(xué);2011年

3 蔣濟(jì)武;數(shù)控銑削加工振動建模及仿真系統(tǒng)研究[D];哈爾濱理工大學(xué);2011年

4 黃李沖;基于SE300的車削專家系統(tǒng)關(guān)鍵技術(shù)研究[D];華東理工大學(xué);2012年

5 潘小權(quán);基于退火遺傳算法的起落架切削參數(shù)優(yōu)化研究[D];西北工業(yè)大學(xué);2007年

6 李小忠;高速切削有限元仿真及加工參數(shù)優(yōu)化的研究[D];南京理工大學(xué);2007年

7 張立濤;基于神經(jīng)網(wǎng)絡(luò)的金屬車削參數(shù)智能優(yōu)化系統(tǒng)的研究與開發(fā)[D];太原理工大學(xué);2008年

8 張中華;數(shù)控車削加工切削參數(shù)優(yōu)選專家系統(tǒng)的研究[D];太原理工大學(xué);2012年

9 楊飛;工藝信息管理系統(tǒng)與NC代碼校驗的研究[D];哈爾濱工程大學(xué);2012年

10 馬超;基于加工動力學(xué)模型的工藝參數(shù)優(yōu)化研究[D];華中科技大學(xué);2012年

  本文關(guān)鍵詞：數(shù)控加工切削參數(shù)優(yōu)化匹配專家系統(tǒng)的研究，由筆耕文化傳播整理發(fā)布。

本文編號：442477