view in publisher's site

Adaptive control optimization in end milling using neural networks

In this paper, we propose an architecture with two different kinds of neural networks for on-line determination of optimal cutting conditions. A back-propagation network with three inputs and four outputs is used to model the cutting process. A second network, which parallelizes the augmented Lagrange multiplier algorithm, determines the corresponding optimal cutting parameters by maximizing the material removal rate according to appropriate operating constraints. Due to its parallelism, this architecture can greatly reduce processing time and make real-time control possible. Numerical simulations and a series of experiments are conducted on end milling to confirm the feasibility of this architecture.

بهینه‌سازی کنترل تطبیقی در فرزکاری نهایی با استفاده از شبکه‌های عصبی

در این مقاله، ما یک معماری با دو نوع مختلف از شبکه‌های عصبی برای تعیین آنلاین شرایط برش بهینه پیشنهاد می‌کنیم. یک شبکه پس انتشار با سه ورودی و چهار خروجی برای مدل کردن فرآیند برش استفاده می‌شود. شبکه دوم، که الگوریتم ضرب لاگرانژ افزوده را موازی می‌کند، پارامترهای برش بهینه متناظر را با به حداکثر رساندن نرخ حذف مواد با توجه به محدودیت‌های عملیاتی مناسب تعیین می‌کند. این معماری، به دلیل موازی بودن، می‌تواند تا حد زیادی زمان پردازش را کاهش دهد و کنترل بلادرنگ را ممکن سازد. شبیه‌سازی‌های عددی و مجموعه‌ای از آزمایش‌ها در فرزکاری نهایی برای تایید امکان‌سنجی این معماری انجام شده‌است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Mechanical Engineering
  • ترجمه مقاله Mechanical Engineering
  • مقاله مهندسی مکانیک
  • ترجمه مقاله مهندسی مکانیک
  • مقاله Industrial and Manufacturing Engineering
  • ترجمه مقاله Industrial and Manufacturing Engineering
  • مقاله مهندسی صنایع و ساخت
  • ترجمه مقاله مهندسی صنایع و ساخت
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.