汽车覆盖件模具钢高速切削数据库的研究

山东大学学报(工学版) ›› 2011, Vol. 41 ›› Issue (5): 9-12.

汽车覆盖件模具钢高速切削数据库的研究

黄传真^1,2,庄新强^1,2,邹斌^1,2,刘子夜^1,2

1. 山东大学机械工程学院先进射流工程技术研究中心, 山东济南 250061;
2. 高效洁净机械制造教育部重点实验室(山东大学), 山东济南 250061

收稿日期:2011-05-06 出版日期:2011-10-16 发布日期:2011-05-06
基金资助:
高档数控机床与基础制造装备科技重大专项(2009ZX04012031);山东省博士后创新项目专项资金资助项目(200803061)

A study on high speed cutting database of die steel for automobile covering panels

HUANG Chuan-zhen^1,2, ZHUANG Xin-qiang^1,2, ZOU Bin^1,2, LIU Zi-ye^1,2

1. Centre for Advanced Jet Engineering Technologies (CaJET), School of Mechanical Engineering,
Shandong University, Jinan 250061, China; 2. Key Laboratory of Highefficiency and Clean Mechanical Manufacture
(Shandong University), Ministry of Education, Jinan 250061, China

Received:2011-05-06 Online:2011-10-16 Published:2011-05-06

摘要/Abstract

摘要：

建立了基于B／S(浏览器／服务器模式)结构的汽车覆盖件模具钢高速切削数据库系统,该系统包括实例库、刀具数据库、工艺参数库、材料库、智能优化库5个功能模块。用户可根据实际需求,选择功能模块,对刀具、切削工艺、工件材料、加工实例等信息进行检索查询。该数据库通过对基于MATLAB神经网络的刀具磨损模型的调用,实现了精加工模具钢时对刀具磨损的在线预报。

关键词: 高速切削, 数据库, 模具钢, 神经网络

Abstract:

A B／S(browser／server) structurebased high speed cutting database system of die steel for automobile covering panel has been established, which contains five functional modules such as case library, tool library, processing technology library, material library and intelligent optimization library. The customers can select the function modules to query detailed information of the tools, cutting processes, workpiece materials and processing cases. The tool wear in finish machining of die steel can be predicted online by means of the MATLAB neural network model.

Key words: high speed cutting, database, die steel, neural network

黄传真1,2,庄新强1,2,邹斌1,2,刘子夜1,2. 汽车覆盖件模具钢高速切削数据库的研究[J]. 山东大学学报(工学版), 2011, 41(5): 9-12.

HUANG Chuan-zhen1,2, ZHUANG Xin-qiang1,2, ZOU Bin1,2, LIU Zi-ye1,2. A study on high speed cutting database of die steel for automobile covering panels[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2011, 41(5): 9-12.

参考文献

相关文章 15

[1]	沈冬冬,周风余,栗梦媛,王淑倩,郭仁和. 基于集成深度神经网络的室内无线定位[J]. 山东大学学报(工学版), 2018, 48(5): 95-102.
[2]	张璞,刘畅,王永. 基于特征融合和集成学习的建议语句分类模型[J]. 山东大学学报(工学版), 2018, 48(5): 47-54.
[3]	梁蒙蒙,周涛,夏勇,张飞飞,杨健. 基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别[J]. 山东大学学报(工学版), 2018, 48(5): 77-84.
[4]	张宪红,张春蕊. 基于六维前馈神经网络模型的图像增强算法[J]. 山东大学学报(工学版), 2018, 48(4): 10-19.
[5]	赵彦霞, 王熙照. 基于SVD和DCNN的彩色图像多功能零水印算法[J]. 山东大学学报(工学版), 2018, 48(3): 25-33.
[6]	曹雅,邓赵红,王士同. 基于单调约束的径向基函数神经网络模型[J]. 山东大学学报(工学版), 2018, 48(3): 127-133.
[7]	谢志峰,吴佳萍,马利庄. 基于卷积神经网络的中文财经新闻分类方法[J]. 山东大学学报(工学版), 2018, 48(3): 34-39.
[8]	何正义,曾宪华,郭姜. 一种集成卷积神经网络和深信网的步态识别与模拟方法[J]. 山东大学学报(工学版), 2018, 48(3): 88-95.
[9]	唐乐爽,田国会,黄彬. 一种基于DSmT推理的物品融合识别算法[J]. 山东大学学报(工学版), 2018, 48(1): 50-56.
[10]	王秀青,曾慧,解飞,吕峰. 基于Spiking神经网络的机械臂故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 15-21.
[11]	邱路,叶银忠,姜春娣. 基于小波奇异熵和SOM神经网络的微电网系统故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 118-122.
[12]	吴建萍,姜斌,刘剑慰. 基于小波包信息熵和小波神经网络的异步电机故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 223-228.
[13]	刘帆,陈泽华,柴晶. 一种基于深度神经网络模型的多聚焦图像融合方法[J]. 山东大学学报(工学版), 2016, 46(3): 7-13.
[14]	刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM_2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[15]	周风余, 赵文斐, 田天, 陈宏兴, 陈竹敏. 陪护机器人云存储系统设计及实现[J]. 山东大学学报(工学版), 2014, 44(5): 1-6.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed