دانلود ترجمه مقاله برآورد خطی ارتفاع قطعه کار به وسیله شبکه های عصبی – اسپرینگر ۲۰۰۱

مشخصات مقاله انگلیسی (PDF)
سال انتشار مقاله	۲۰۰۱
تعداد صفحات مقاله انگلیسی	۸ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی مکانیک
گرایش های مرتبط با این مقاله	ساخت و تولید، مکاترونیک و طراحی کاربردی
مجله مربوطه	مجله بین المللی تکنولوژی پیشرفته تولید  The International Journal of Advanced Manufacturing Technology
دانشگاه تهیه کننده	گروه مهندسی مکانیک، دانشگاه Huafan، تایوان
کلمات کلیدی این مقاله	کنترل تطبیقی، استراتژی کنترل فازی، شبکه های عصبی، WEDM
رفرنس	دارد
شناسه شاپا یا ISSN	ISSN ۱۴۳۳-۳۰۱۵
لینک مقاله در سایت مرجع	لینک این مقاله در سایت Springer
نشریه اسپرینگر

• فهرست مطالب:

۱٫ مقدمه

۲٫ راه اندازی سخت افزاری سیستم WEDM کنترل تطبیقی

۳٫ برآورد آنلاین ارتفاع قطعه کار با استفاده از شبکه عصبی

۴٫ کنترل تطبیقی سلسله مراتبی WEDM

۴٫۱ کنترل تطبیقی برای جلوگیری از پارگی سیم

۴٫ ۲ کنترل فرآیند تطبیقی

۴٫ ۳ بهینه سازی پارامتر تطبیقی

۵٫ نتایج تجربی

۶٫ بررسی

۷٫ نتیجه گیری

• بخشی از ترجمه:

۷٫ نتیجه گیری

یک شبکه عصبی تغذیه مستقیم با استفاده از یک الگوریتم آموزش انتشار بازگشتی برای برآورد ارتفاع قطعه کار در WEDM ارائه می شود. میانگین خطای برآورد ارتفاع قطعه کار ۱٫۶ میلی متر است و پاسخ گذرا به تغییر در ارتفاع قطعه کار به طور منطقی رضایت بخش است. سیستم کنترل تطبیقی توسعه یافته در سه سطح سلسله مراتبی با استفاده از یک استراتژی کنترل فازی اجرا می شود. فراوانی جرقه زنی در یک سطح امن برای جلوگیری از پارگی سیم کنترل می شود و نسبت غیرعادی نیز در سطح مطلوب کنترل می شود، هنگامی که یک قطعه کار با ارتفاع متغیر ماشینکاری می شود. همچنین نتایج تجربی نشان می دهد که روش شبکه عصبی و استراتژی کنترل فازی برای چنین روند نامشخص و پیچیده، مناسب است. سیستم کنترل تطبیقی سلسله مراتبی توسعه یافته، ثبات ماشینکاری را میسر می سازد و سرعت ماشینکاری تا ۱۵٪ در مقایسه با یک سیستم معمول کنترل ولتاژ شکاف استفاده شده بهبود می یابد.

• بخشی از مقاله انگلیسی:

۷٫ Conclusion

A feedforward neural network is presented using a backpropagation learning algorithm for the estimation of the workpiece height in WEDM. The average error of workpiece height estimation is 1.6 mm, and the transient response to change in workpiece height is reasonably satisfactory. The developed adaptive control system is carried out in three hierarchical levels using a fuzzy control strategy. The sparking frequency is controlled within a safe level for wire rupture suppression, and the abnormal ratio is also controlled at the optimal level when a workpiece with variable height is machined. Experimental results also show that the neural network approach and fuzzy control strategy are suitable for such an uncertain and complicated process. The developed hierarchical adaptive control system enables the machining stability and the machining speed to be improved by 15% compared with a commonly used gap voltage control system.