难加工金属材料论文范文

1切削过程极具难度

首先，考虑到难加工金属材料特殊的硬度和强度，需要更大的切削力，相比于普通材料力度要提高3～4倍，这无疑增加了切削的难度。其次，考虑到难加工金属材料的低导热率，其具有着较高的切削温度，很容易使材料表面形成烧伤、划痕等严重的质量问题。最后，考虑到在进行切削时道具很容易发生磨损，进而降低了刀具的使用寿命，并且在高温环境下，难加工金属材料的化学活性很高，在热力的作用下很容易形成有关钛的氧化物，这些氧化物反作用于工件，使其韧性降低，切削难度进一步加大。以上因素说明对难加工金属材料进行切削具有一定的难度。

2基于RBF神经网络的数控加工控制方法

2．1RBF神经网络及相关算法概述下页如图1所示，RFB的每一个神经元同输入层连接的向量W1i与输入的矢量Xq的距离设为b1，输入y＝radbas［dis（W，x）×b］，并且输出层的神经元对相应的输出函数采用线形的加权组合。对于基函数大齿常采用高斯函数：对于RBF的初始化及相关的学习可以参照图2。在进行训练前，先输入矢量X，与之对应的是目标矢量T以及径向基函数的一个拓展常数C。具体的训练目的是，求W1，W2以及b1和b2。当系统完成所有输入值的聚类以后，会自动求得每个隐层节点RBF的中心ci，进而确定相应的W1。在改进方法上，主要是针对第0个神经元进行初始的训练，排查出错误后自动的增加神经元［2］。

2．2难加工金属材料的RBF监控系统难加工金属材料的RBF监控系统构造如图3所示。整个系统采用的是M317069的速度传感器进行测速，SZMB－9的磁电转速传感器进行转速的测定，HK－NS－WY04的位移变送器进行对吃刀量的检测。一旦检测到加工过程存在问题，系统就会实行自主的参数控制。该系统的工作原理如图4所示，神经网络所采用的最基本单元是神经元结构的模型。它的输入模式具有线性不可分性，考虑到这些实行的是多层化的感知器网络，以实现多层次的网络输出，若最终的输出结果不是想要的，可以通过修改各个感知器的权值来达到目的。

3结语

综上所述，难加工金属材料的具体数控加工的过程是非线性的，不确定的，强干扰的，并且建模也相对困难。而运用人工神经网络则可以实现对加工过程的实时监测。引入RBF神经网络，可以帮助建立起完整的难加工金属材料监控系统，能够更好的完成对难加工金属材料的加工过程的参数控制。根据实际生产，充分的表明了这种方法的实用性与高效性，不仅可以减小材料生产的误差，还可以改善材料的表面粗糙度，进而大大提高了材料的品质。

作者：张卫东单位：江苏省淮安技师学院