本站小編為你精心準備了難加工金屬材料論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1切削過程極具難度

首先，考慮到難加工金屬材料特殊的硬度和強度，需要更大的切削力，相比于普通材料力度要提高3～4倍，這無疑增加了切削的難度。其次，考慮到難加工金屬材料的低導熱率，其具有著較高的切削溫度，很容易使材料表面形成燒傷、劃痕等嚴重的質量問題。最后，考慮到在進行切削時道具很容易發生磨損，進而降低了刀具的使用壽命，并且在高溫環境下，難加工金屬材料的化學活性很高，在熱力的作用下很容易形成有關鈦的氧化物，這些氧化物反作用于工件，使其韌性降低，切削難度進一步加大。以上因素說明對難加工金屬材料進行切削具有一定的難度。

2基于RBF神經網絡的數控加工控制方法

2．1RBF神經網絡及相關算法概述下頁如圖1所示，RFB的每一個神經元同輸入層連接的向量W1i與輸入的矢量Xq的距離設為b1，輸入y＝radbas［dis（W，x）×b］，并且輸出層的神經元對相應的輸出函數采用線形的加權組合。對于基函數大齒常采用高斯函數：對于RBF的初始化及相關的學習可以參照圖2。在進行訓練前，先輸入矢量X，與之對應的是目標矢量T以及徑向基函數的一個拓展常數C。具體的訓練目的是，求W1，W2以及b1和b2。當系統完成所有輸入值的聚類以后，會自動求得每個隱層節點RBF的中心ci，進而確定相應的W1。在改進方法上，主要是針對第0個神經元進行初始的訓練，排查出錯誤后自動的增加神經元［2］。

2．2難加工金屬材料的RBF監控系統難加工金屬材料的RBF監控系統構造如圖3所示。整個系統采用的是M317069的速度傳感器進行測速，SZMB－9的磁電轉速傳感器進行轉速的測定，HK－NS－WY04的位移變送器進行對吃刀量的檢測。一旦檢測到加工過程存在問題，系統就會實行自主的參數控制。該系統的工作原理如圖4所示，神經網絡所采用的最基本單元是神經元結構的模型。它的輸入模式具有線性不可分性，考慮到這些實行的是多層化的感知器網絡，以實現多層次的網絡輸出，若最終的輸出結果不是想要的，可以通過修改各個感知器的權值來達到目的。

3結語

綜上所述，難加工金屬材料的具體數控加工的過程是非線性的，不確定的，強干擾的，并且建模也相對困難。而運用人工神經網絡則可以實現對加工過程的實時監測。引入RBF神經網絡，可以幫助建立起完整的難加工金屬材料監控系統，能夠更好的完成對難加工金屬材料的加工過程的參數控制。根據實際生產，充分的表明了這種方法的實用性與高效性，不僅可以減小材料生產的誤差，還可以改善材料的表面粗糙度，進而大大提高了材料的品質。

作者：張衛東單位：江蘇省淮安技師學院