تصحیح انحرافات هندسی ماشین ابزارهای CNC
ترجمه شده

تصحیح انحرافات هندسی ماشین ابزارهای CNC

عنوان فارسی مقاله: تصحیح انحرافات هندسی ماشین ابزارهای CNC: رویکردی با شبکه های عصبی مصنوعی
عنوان انگلیسی مقاله: Correcting geometric deviations of CNC Machine-Tools: An approach with Artificial Neural Networks
مجله/کنفرانس: محاسبات نرم کاربردی - Applied Soft Computing
رشته های تحصیلی مرتبط: مهندسی مکانیک
گرایش های تحصیلی مرتبط: ساخت و تولید، طراحی کاربردی و مکاترونیک
کلمات کلیدی فارسی: شبکه های عصبی مصنوعی، ماشین ابزارهای CNC، تصحیح خطا، طراحی برای ساخت، تکنولوژی دقیق
کلمات کلیدی انگلیسی: Artificial Neural Networks - CNC Machine-Tools - Error compensation - Design for Manufacturing - Precision technology
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: scopus - master journals - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.asoc.2015.07.014
دانشگاه: دانشگاه فدرال میناس گرایس، برزیل
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2015
ایمپکت فاکتور: 7.149 در سال 2019
شاخص H_index: 124 در سال 2020
شاخص SJR: 1.405 در سال 2019
شناسه ISSN: 1568-4946
شاخص Quartile (چارک): Q1 در سال 2019
صفحات مقاله انگلیسی: 11
صفحات ترجمه فارسی: 23
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: خیر
کد محصول: 8528
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن مقاله درج شده است
ترجمه فارسی فهرست مطالب

چکیده


1. مقدمه


2. بررسی مقالات


2.1. ماشین ابزارها


2.2 خطاهای هندسی یا انحرافات ضربه (runouts) در ماشین ابزارها


2.3 طراحی برای تولید


2.4 ANN و فرآیند ماشین کاری


3. روش ها


3.1. مدل های ANN چند لایه


4. آزمایش


4.1. تجهیزات و ابزارهای محاسباتی مورد استفاده


4.2. کار آزمایشی


5. مدلسازی ریاضی انحراف صافی


5.1. تحلیل داده ها


5.2. مدل های بررسی شده و نتایج


5.3. تحلیل و بحث


5.4. پیاده سازی محاسباتی


6. توسعه آزمایش عملی


7. نتایج

فهرست انگلیسی مطالب

abstract


1. Introduction


2. Literature review


2.1. Machine-tools


2.2. Geometric errors or beat deviations (runouts) in machine-tools


2.3. Design for Manufacture


2.4. ANN and machining processes


3. Methods


3.1. Multi-layers ANN models


4. Experimentation


4.1. Computational equipment and tools used


4.2. Experimental work


5. Mathematical modeling of flatness deviation


5.1. Data analysis


5.2. Studied models and results


5.3. Analysis and discussion


5.4. Computational implementation


6. Development of the applied experiment


7. Conclusions

نمونه ترجمه فارسی مقاله

چکیده


این مقاله، روش تجربی طراحی برای ساخت (DFM) را ارائه می دهد که برای بررسی و تحلیل انحرافات هندسی ماشین ابزارهای CNC تا تولید نهایی آن ها مورد استفاده قرار می گیرد. این انحراف ها سبب ایجاد هزینه های مستقیمی می شوند که با استفاده از سیستم های تولید هوشمند (IMS) و با به کارگیری شبکه های عصبی مصنوعی (ANN ها) برای پیش بینی پارامترهای تولید، می توان از آن ها جلوگیری نمود. در نهایت، پس از آزمایشات، امکان ارزیابی روش تجربی به کار رفته، معادلات و متغیرهای تعدیل داده فراهم شده و در نتیجه، امکان تأیید روش مورد استفاده به عنوان ابزاری برای DFM با بازده احتمالی بالا در کیفیت محصول، زمان توسعه و قابلیت اطمینان فرآیند با کاربرد گسترده در ماشین های CNC مختلف فراهم می گردد.


1. مقدمه


همراه با تکامل ماشین ابزارها (MT)، پیشرفت های عظیمی در فرآیندهای ماشینی صورت گرفته است. اما کسب سطوح پیچیده با خطایی در گستره میکرومتری به شدت دشوار شده است. در عین حال، کنترل فرآیند تولید ماشینی تکامل یافته است تا چالش های فنی تحمیل شده از سوی الزامات پیچیده فرم، محدودیت های ویژه دقیق و عرضه مکرر مواد، ابزارها و متغیرهای عملیاتی جدیدی که تعاملات جدیدی را در فرآیندهای دارای مشخصه غیر خطی و غیر استاندارد ایجاد می کنند، مورد بررسی قرار دهد [1-4]. در محیط تولید فعلی، عملیات های تولید غیر مستقیم، هزینه های مستقیمی را ایجاد می کنند که با استفاده از سیستم های کنترل می توان از آن ها جلوگیری نمود [5,6]. استفاده از سیستم های تولید هوشمند (IMS) از طریق به کارگیری شبکه های عصبی مصنوعی (ANN ها) از سال 1980 مورد بررسی و پژوهش قرار گرفته است [7]. در این زمینه، یکی از روش های مهم مهندسی پیشگویانه، طراحی برای ساخت (DFM) می باشد. این روش در فرآیندهای پروژه، اطلاعات مربوط به تولید را یکپارچه کرده و امکان تغییر پروژه در هر مرحله از تولید را نیز فراهم می کند [8]. این مقاله به ارائه پژوهشی می پردازد که در وهله اول، انحرافات هندسی ماشین ابزارها را از آغاز تا انتهای محصول فرزکاری نشده را مورد تحلیل قرار می دهد. سپس، برای توسعه مدل هایی جهت کاهش دقت خطای سطح فرزکاری شده از ANN ها استفاده می شود. پیشنهاد می شود قبل از تولید محصولات، عملیات تصحیح/کنترل ملایم پارامتر تصحیح انحراف های هندسی توسط روش DFM در نرم افزار طراحی به کمک کامپیوتر (CAD) و از طریق رابط برنامه نویسی کاربردی (APN) پیاده سازی شود. در نهایت برای ارزیابی روش پیشنهادی به بررسی تعدادی آزمایش عملی خواهیم پرداخت.

نمونه متن انگلیسی مقاله

abstract


This paper presents an experimental methodology of Design for Manufacturing (DFM) used for survey and analysis of geometric deviations of CNC Machine-Tools, through their final product. These deviations generate direct costs that can be avoided through the use of Intelligent Manufacturing Systems (IMS), by the application of Artificial Neural Networks (ANNs) to predict the fabrication parameters. Finally, after the experiments, it was possible to evaluate the experimental methodology used, the equations, the variables of data adjustment and thus enable the validation of the methodology used as a tool for DFM with high potential return on product quality, development time and reliability of the process with wide application in various CNC Machines.


1. Introduction


Along with machine-tools (MT) evolution, there have been great advances in machining processes. However, obtaining complex surfaces with tolerance in the micrometric range has become extremely difficult.Atthe same time,the machining manufacturing process control has been evolving to attend the technical challenges imposed by complex requirements of form, by narrow specification limits and by the frequent introduction of new materials, tools and operational variables that originate new interactions in the processes with non-linear and non-standardized characteristics [1–4]. In the current manufacturing environment, indirect manufacturing operations generate direct costs that can be avoided or reduced by using control systems [5,6]. The use ofIntelligent Manufacture Systems (IMS) has been researched through the application of Artificial Neural Networks (ANNs) since 1980 [7]. In this context, an important methodology of predictive engineering is the Design for Manufacturing (DFM). It incorporates, in the project processes, information referring to the manufacture, also allowing for the project to be adapted during each stage of production [8]. This paper presents a study where, at first the geometric deviations of a machine-tool are analyzed through the unfinished product. Afterwards, ANNs are used to develop models to minimize error prediction of the milled surface. A DFM approach is proposed to implement in the Computer-aided design (CAD) software, through the existing Application Programming Interface (API), the parameter soft correction/control of the geometric deviations compensation, before the manufacturing of the products. Finally, some practical experiments are discussed to evaluate the proposed approach.

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۲۰,۹۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

تصحیح انحرافات هندسی ماشین ابزارهای CNC
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها