非回转体零件的CAPP专家系统CTU-CAPPES

本文介绍了一个非回转体零件的CAPP专家系统CTU-CAPPES的研制情况。该系统由CAD系统输入工件的几何、拓扑及工艺信息,自动完成工艺规程的编制。文中讨论了零件信息的描述、知识的表达和专家系统的推理机制等问题。该系统目前适合支托架类零件的工艺规程设计,避免了CAPP系统的数据重复输入,从而减少了输入错误,提高了工艺设计的效率和质量。     

神经网络在可装配性设计中的应用

本文介绍了作者提出的一种可装配性评价的折方法——基于神经网络的评价方法AAE(Ar-tificia1 Neural Network-based Assembly Evaluation),分析了以往可装配评价存在的问题,阐述了基于神经网络的可装配评价的原理、特点,并讨论了可装配评价的实现策略。     

基于时间序列算法的数控机床热误差建模及其实时补偿

提出了一种基于时间序列算法的机床热误差建模方法.通过时序算法综合分析软件,对实测的热误差数据进行预处理、模式识别、模型参数估计、循环定阶判别以及模型整合,建立表征机床热误差变化规律的实时补偿模型,并通过判别温度变化趋势,实时调整模型迭代系数.通过实时补偿系统,利用所建立的热误差补偿模型对数控机床的热漂移误差进行实时补偿加工.结果表明,工件的径向尺寸误差从补偿前最大的112μm降低到7μm,机床加工精度和稳定性大幅度提高.     

基于自适应分段与动态修正的机床定位误差补偿

为了提高并保持机床的加工精度,提出了自适应分段建模与动态修正相结合的误差补偿方法.根据误差曲线形状与建模精度需求,自适应地确定分段区间与函数最佳拟合阶次,以实现在线自动建模.结果表明,所建模型并非一个固定的算法,能够实时监测机床温度场、外界环境温度及冷却液工作状态的变化情况,不断更新数学补偿模型的几何调整因子与热增益系数,并动态修正补偿模型.同时,在VM850型立式加工中心进行了误差补偿实验.结果表明,在复杂工况下,基于自适应分段建模与动态修正相结合的误差建模及补偿方法能够满足数控机床的实时补偿需求,其补偿精度高、鲁棒性好.     

聚类回归分析在滚齿机热误差建模中的应用

利用聚类回归分析方法的基本原理,研究了温度传感器在滚齿机上的优化布置策略,并将温度测点从原先的11个减少到4个,完成了温度变量的优选.利用优选的温度变量,采用最小二乘法进行回归建模,得到热误差模型,并利用该模型在Y3150K型滚齿机上进行热误差补偿实验.结果表明,该建模方法不但增强了热误差建模的鲁棒性,提高了齿轮加工精度,而且节省了工作量与成本.     

基于工具化思想的动态CAPP开发模式

介绍了一种基于工具化思想的动态CAPP开发模式,对于解决传统CAPP系统专用性强,可移植性差,并且不能适应车间资源动态变化的缺点提出了新的见解.     

面向并行工程的分布式产品设计系统开发

阐述了一种面向并行工程的分布式产品设计系统一MABCAD.MABCD采用客户机/服务器结构,支持多学科产品开发团队与并行设计.MABCAD以AutoCAD为开发平台,采用ObjectABX,VisualC++,SQL Server为开发工具,实现了产品设计,BOM自动生成,产品信息管理等功能.通过使用本系统,可以大大地提高设计效率,缩短产品的开发周期.     

广义随机制造系统调度方法的研究与实现

随着市场的激烈竞争,客户需求的多样化与个性化,制造业正面临着巨大的挑战。多品种小批量以及单件定制生产正在成为制造系统的主导生产方式。广义随机制造系统（Generalized Random Manufacturing System—GRMS）是一种面向订单的制造系统模型。GRMS采用自主式生产计划与控制。介绍了基于GRMS的自主式生产调度的概念,讨论了调度准则,并讨论了系统的发展方向。     

高速进给条件下数控机床圆轨迹运动的激光非接触法误差分析

提出一种检测加工中心在高速进给条件下精度的非接触方法.以三轴加工中心为例,介绍了这种方法的数学理论基础.利用两个激光干涉仪分别测出加工空间XY、YZ和XZ平面内的坐标值和半径误差等信息,把这些数据代入已经建立的数学模型中,程序即可自动计算出机床的静态和动态误差.该方法检测时的进给速度是接触法的6倍,更适用于现代高速进给机床的精度检测,而且检测精度比接触法高,检测范围更宽.     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.