Повышение эффективности обработки формообразующей модельной оснастки мелкоразмерным инструментом

• Автор: Никитенко, Александр Васильевич
• Шифр специальности: 05.02.07
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Комсомольск-на-Амуре
• Количество страниц: 145 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. ИССЛЕДОВАНИЕ ПРОЦЕССОВ ПОЛУЧЕНИЯ МЕЛКОРАЗМЕРНОЙ ФОРМООБРАЗУЮЩЕЙ ОСНАСТКИ
1.1. Методы получения мелкоразмерной формообразующей оснастки..
1.2. Инструменты, используемые для обработки формообразующей модельной оснастки и методы создания трехмерных компьютерных моделей элементов формообразующей модельной оснастки
1.3. Анализ обрабатываемости пластмасс резанием и выбор модельных материалов
1.4. Анализ способов оценки и методы измерения микрогеометрических характеристик поверхностей
1.5. Анализ требований к качеству микрогеометрии поверхностей формообразующей модельной оснастки
1.6. Методы автоматизации процессов принятия технологических решений на этапе разработки управляющих программ для станков с ЧПУ
1.7. Методы разработки проектных процедур на основе нейронных сетей
1.8. Выводы по главе
ГЛАВА 2. МЕТОДОЛОГИЯ, МЕТОДИКА И МАТЕРИАЛЫ ИССЛЕДОВАНИЙ
2.1. Методология достижения цели исследования
2.2. Выбор материалов для обработки
2.3. Описание оборудования, использованного для проведения экспериментов
2.4. Разработка устройства для измерения сил резания при гравировании
2.5. Выводы по главе
ГЛАВА 3. ПОСТРОЕНИЕ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ПРОЦЕССА ФОРМООБРАЗОВАНИЯ СЛОЖНОПРОФИЛЬНЫХ ПОВЕРХНОСТЕЙ МЕЛКОРАЗМЕРНЫМ ИНСТРУМЕНТОМ

3.1. Анализ влияния геометрических и технологических параметров процесса мелкоразмерной обработки на шероховатость обрабатываемых поверхностей
3.2. Анализ кинематики процесса гравирования
3.3. Методы снижения неравномерности сил резания, возникающих при гравировании на основе коррекции подачи при подготовке управляющих программ для станков с ЧПУ
3.4. Выводы по главе
ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
4.1. Анализ результатов экспериментов по исследованию влияния геометрических и технологических параметров гравирования на шероховатость обрабатываемых поверхностей
4.2. Исследование влияния коррекции подачи на величину сил, возникающих при обработке
4.3. Выводы по главе
ГЛАВА 5. ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ОБРАБОТКИ ФОРМООБРАЗУЮЩЕЙ МОДЕЛЬНОЙ ОСНАСТКИ НА ОСНОВЕ АВТОМАТИЗАЦИИ ПОДДЕРЖКИ ПРИНЯТИЯ ТЕХНОЛОГИЧЕСКИХ РЕШЕНИЙ ПРИ ОБРАБОТКЕ МЕЛКОРАЗМЕРНЫМ ИНСТРУМЕНТОМ
5.1. Разработка алгоритмов функционирования мультиагентиой системы для автоматизации поддержки принятия технологических решений при обработке мелкоразмерным инструментом
5.2. Концептуальная модель построения технологического процесса мелкоразмерной обработки в условиях автоматизированной производства
5.3. Разработка алгоритма выбора геометрии инструмента с использованием нейронных сетей

5.4. Разработка алгоритмов расчета параметров микрорельефа при обработке мелкоразмерным инструментом и коррекции подачи на основе анализа управляющей программы
5.5. Выводы по главе
ОБЩИЕ ВЫВОДЫ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК ИСПОЛЬЗОВАНОЙ
ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ
ПРИЛОЖЕНИЕ
ПРИЛОЖЕНИЕ

Полученный вектор приоритетов определяет, какой из параметров является превалирующим.
Целесообразно конструкторско-технологические параметры представлять в реляционном виде с целью получения обобщенных показателей их функционирования.
1.7. Методы разработки проектных процедур на основе нейронных сетей
Искусственные нейронные сети (ИНС) - это математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей [8].
Рассмотрим разновидности нейронных сетей, которые могут быть использованы для задач автоматизации принятия технологических решений.
Нейросеть информации предназначена для приема, хранения и первичной обработки информации. Определим нейросеть информации как базовый вариант нейросети с прямым распространением сигнала. При использовании ее совместно с нейросетью гомеостазиса, рассмотренной ниже, возможно решение гораздо более сложных задач предварительной обработки.
Нейросеть понятий предназначена для анализа информации, зафиксированной предыдущей нейросетью. Определим нейросеть понятий как базовый вариант нейросети с прямым и обратным распространением сигнала. На множестве ее элементов определяется операция ввода. Кроме этого, дополнительно определяются операции в соответствии с задачей. В первую очередь, таковыми являются задачи статистической обработки. Собственно понятия формируются нейросетью информации, и в нейросеть анализа понятий их образы копируются. Однако структура нейросети анализа понятий не тождественна структуре нейросети информации. Во-первых, одна нейросеть анализа может обслуживать несколько нейросетей информации. Во-вторых, в зависимости от величины коэффициента убывания одна нейросеть анализа