应对复杂当预测铣削过程中表面粗糙度:混合动力增量模型的最优参数化

文摘

加工过程的复杂度依赖于内在物理机制管理这些过程包括非线性、涌现,时变行为。表面粗糙度的测量是一个关键的步骤完成离线昂贵的质量控制程序。表面粗糙度预测使用在线高效计算方法是一个艰巨的任务由于加工过程的复杂性。混合动力增量建模的范式可以解决加工过程的复杂性和非线性行为。参数化的模型,然而,全面部署解决方案的一个瓶颈,模型参数的最佳设置成为一个至关重要的任务。本文提出一种基于模拟退火的方法为最优参数优化的混合动力增量式模型。混合动力增量建模+模拟退火是申请预测铣削过程中的表面粗糙度。两个比较研究来评估的准确性和整体质量提出的策略进行。第一个比较表明,提出的策略是比理论更准确,能源,田口方法对表面粗糙度预测模型。第二项研究还证实,混合动力增量式模型+模拟退火比贝叶斯网络和多层感知器准确预测表面粗糙度。

1。介绍

尽管科学技术的进步,生产过程仍被认为是与吵闹,几个相互作用的子系统组成的复杂系统时变、非线性行为(1,2]。新模型然后需要更好地处理制造公司的威胁创新在整个价值链3]。加工过程,特别是铣削过程,制造业价值链的关键要素4]。加工的复杂性的根源依赖管理过程本身固有的物理机制。不同的建模技术已经探索了几何描述和理解和切削过程的物理特性5,6]。

质量监测仍然是基石和许多工业流程的瓶颈7]。对于一些制造企业集中在航空和汽车行业零部件质量维(应当履行严格的要求8,9和表面质量10]。不恰当的表面质量会导致删除从生产线和有缺陷的零件再制造的组件(11]。这意味着更多的能源消耗的机床和加工过程产生的残渣。进程内的解决方案预测质量变量在许多公司的议程,和许多解决方案正在探索减少加工过程中对环境的影响由于零件表面质量差(12]。

表面粗糙度预测研究端铣操作通常是基于三个主要参数由切削速度、进给速率和深度削减(13]。表面粗糙度和具体削减能源消耗在铣槽非常相关14]。最近的研究表明,净切削比能是一个有效的过程签名表面完整性(15]。

审查生产流程的传统和新兴的建模策略出了本文的范围。然而,重要的是要备注,人工神经网络(ANN)和模糊系统代表了最广泛应用人工智能技术的建模、控制和监督(16,17]。全面修订的计算智能技术超出了本文的范围。人工神经网络的潜力通常是结合模糊系统代表了人类思维的能力和鲁棒性的噪声和过程的不确定性18]。模糊系统也可以结合经典建模技术以更好地捕捉过程的最重要的特征(19]。

另一方面,在模范自由方法在文献中报道,增量模型提出了(20.]。增量,原理可充分利用从模型的一种简单而通用的形式。进一步精炼过程可以反复使用更多的本地化技术应用于代表输入空间的特定区域。这项工作重点是这一原则开发混合动力增量式模型启发(21),然后提出了一个案例研究在铣削表面粗糙度的预测过程。表面粗糙度是影响刀具磨损,喋喋不休,不适当的切削条件,等等,因此它主要用于监控生产组件的质量(22]。

在这项工作中,回归技术申请合适的全球特征而模糊最近邻居算法(23)选择后续改进的全球模型。模糊的主要优势最近邻居算法已经在各种研究[24,25]。明显,没有先前的工作评估的能力基于实例的学习方法在表面粗糙度的预测。

然而,混合动力增量模型的设置参数(他)不是一项容易的任务,因为它强烈依赖于案例研究。优化调优参数需要一个优化策略在所有非常技术(26]。模拟退火(SA)是一种概率登山技术,模拟金属的物理退火和冷却过程,基于一个简单的准则,搜索问题空间的分段扰动估计参数的优化(27]。股价已经广泛应用,优化技术在许多领域从制造系统的最优任务分配车辆路由系统(28]。

从最好的作者的知识,这项工作的主要贡献是双重的。首先,基于模型的过程实现基于混合的表面粗糙度预测增量建模策略。其次,一个著名的优化方法与证明收敛特性应用于实现他的最优参数化方法。该方法的性能评估的两个比较研究。首先,预测能力在理论方面,分析了能源,田口方法模型。其次,四个偏差标准应用于执行与贝叶斯网络和多层感知器预测表面粗糙度。该方法是否适合减少零件的数量是再生由于表面粗糙度差然后演示。剩下的纸是组织如下。部分2提出了一种混合动力增量建模的描述。实验平台,并给出了比较研究3。结论部分所示4。

2。混合动力增量建模基于最优设置

局部非线性系统的行为(21)可以被混合增量建模一个全局模型代表了一般系统的行为和当地的模型显示当地的行为。黑盒方法是一个适当的策略在没有先验知识的系统是可用的。为了简单性和清晰性,线性回归选定为代表的全球系统的行为。因此,选择最小二乘法来适应一个多项式的学位用下面的输出: 在哪里是输入数据,是它的输出值。

因此,全球模型由计算拟合函数的参数(即。,度多项式)。

当地的发展模型需要一个简单的、更容易解释的技术从工业的角度信息。数据归一化(29日),因为不同的变量进行算法的性能造成不利影响。另一方面,模糊最近的邻居(F-kNN)方法具有所需的特点为其选择(30.]。之间的相似性的点是由 在哪里是邻居查询的点和是模糊强度参数。

查询的目标价值点现在计算的目标值的均值点的设置 ,加权的相似性 :

增量模型集成了上述全球和当地的模型。因此,让的功能是输出的基本模型。然后基本模型的预测误差

是很重要的话,F-kNN只使用错误造成全球建模策略。因此,完善的全球模型输出地区是由F-kNN局部非线性行为。

增量模型评估样本的数据输入 ,通过增加基本模型的输出补偿项计算由当地模型根据(4):

混合动力增量模型的优化参数,即多项式的次数(),附近的大小()和模糊强度(),扮演着重要的角色在设置预测模型。这些参数影响模型的性能,他们需要正确计算生产最好的输出估计使用新的输入数据。

模拟退火(SA)被选中的阿森纳非常技术来寻找一组最优的模型参数。主要的理由选择依赖于它易于实现概率算法能够产生很好的解决各种各样的问题。深入研究算法的快速收敛性和相对较低的复杂度超出了本文的范围,但最近报道(31日]。SA算法从初始建模参数 日军性能指标和评估。

当前的建模参数摄动生成另一个吗和平均绝对百分比误差(日军)性能指标评估。大都市算法的地下室是接受和拒绝标准。SA模拟退火过程的搜索解决方案。生成一个随机扰动设计变量 , , 这生成一个目标函数的变化(即。日军性能指标)。这些扰动取决于温度指数, ,和速度降低( )。更多的细节在这提出了模拟退火的温度控制参数(32]。

图1代表温度指数减少每个迭代的算法。每一组模型参数通过这种方法被替换到混合动力增量模型(全球+本地模型)和最终解决方案的性能评估通过整个系统的仿真。更多细节可以在[33]。

最后,日军性能指标评估通过比较模拟计算日军反应所需的响应和性能指标。如果性能指标低于之前的最佳性能指标,然后新的参数取代以前的参数。否则,新的模型参数不会立即丢弃。

的概率, ,新的参数的成本()相对于前面的最佳成本(使用玻耳兹曼方程计算):

然后温度指数降低退火计划减少使用一个常数。重复整个过程,直到日军性能指标已经达到一个可接受的最低水平或温度价值变得太小,扰乱参数。的主要目标是获得最优的建模参数,产生快速、精确的模型通过最小化日军性能指标。图2显示了使用目标数据训练模型的过程。图3描述如何生成的模型估计或预测使用的输入对应的输出数据。

3所示。实验研究

Kondia HS1000西门子840 d开放式的数控加工中心配备了用于实验(见图4)。在所有的病例中,有170×100×25铝AL7075-T6 (UNS A97075)使用工件硬度从65到152布氏硬度。这种材料是常用的在汽车和航空应用中。

图5说明了两种几何形式:口袋(b)和(d)岛选择实验。为了更好的理解,不断循环的策略是选择口袋细化和变形螺旋岛战略形式。图5也显示了仿真和切削轨迹的口袋(a)和(c),以及最后的工件(b)的口袋和(d)岛后铣削过程。在所有情况下,策略,补偿工具,削减方案,设计和加工时间和模拟在计算机辅助设计和计算机辅助制造(CAD / CAM)软件,最后,出口到数控机床中心。

表1展示了六个变量在实验中选择设置。一方面,饲料率(),工具直径()、径向切深度(ae)和主轴转速(rpm)选择对生产率的影响,直接关系与关键切割变量如切削速度、切削进给速率,和材料去除率。另一方面,几何曲率(几何学)和材料硬度(乙肝)更相关的适当工具的选择和相应的策略。出于这个原因,这六个参数被选为关键过程指标模型的铣削过程。此外,不同几何形状的加工时间包括在表中1。

最常用指数特征粗糙度平均表面粗糙度,类风湿性关节炎,代表了绝对的纵坐标值的算术平均值在取样长度()如下:

一个有趣的表面粗糙度相关指标是具体削减能源消耗(SCEC)引入了刘et al。14]。SCEC分析计算基于切削参数和tool-workpiece夫妇。SCEC被定义为降低能源消耗的工具提示删除1毫米³的材料。定义后,开槽铣削过程的方程使用平头机可以估计如下: 在哪里平均旋转力量;Kte和Ktc是切向特定的切割和边缘力系数;螺旋角;长笛的平头机的数量;和是无穷小的最低和最高的位置在轴向切削刃参与切削吗分别th长笛。

为了匹配模型输出与实际工业要求和标准,粗糙度标签也被分配根据表面粗糙度的平均值(μ米)中定义的ISO: 1302 (2002) (34]。表2显示变量和相应的分配间隔从镜子光滑的表面粗糙度。

此外,下面的切削参数也被视为输入:主轴转速(rpm)、进给速率(),以及由此产生的力量应用到所有方向的剖切面()。切削力测量9257 b使用基斯特勒公司测力计。表面粗糙度类风湿性关节炎测量与卡尔蔡司Surfcom 130笔表面光度仪。总的来说,使用了992个训练样本,以构建模型,而72958个测试样本用于验证研究。表面粗糙度的平均值,类风湿性关节炎,被选为输出变量的模型,它是唯一的变量离线测量。

图6代表合力的影响、进给速率、硬度和表面粗糙度对每个工具直径认为在这项研究中。根据描述结果,丰富的培训数据保证四个粗糙度水平考虑解决建模任务。

4所示。实验结果

4.1。优化模型配置

混合动力增量式模型+模拟退火过程(他+ SA)实现如下。SA算法参数减少常数 和初始温度 。此外,提出随机扰动的数量在每个温度是100和接受的解决方案,提出了随机扰动的数量是30。探索空间 , , 在哪里 和 。

为了实现一个公正的比较算法的执行时间,所有算法运行一台个人电脑有英特尔酷睿i5 - 3317 u CPU 1.70 GHz 4 GB RAM。运行一百次执行。CPU优化过程持续14秒。最优参数 的基础上得到部分中描述的过程吗2通过模拟退火优化过程(见图3)。

这意味着一个二阶多项式(线性),两个邻居小区的大小,为模糊强度参数值为1.92。培训后获得的全球模型。在训练阶段获得的错误(残差)被记录,然后使用它们在评估通过(4)。模型的输出是通过应用(5)。日军的最低性能指标是0.88%。温度(的行为)关于评价数量(ξ)获得最佳的解决方案是如图7。显然表明10000年之后评估算法收敛于一个稳定的地区。

另一个有趣的指标是集群行为的中心位置(Pos)关于评价如图8。主要有两个区域,一个接近于0值,另一个接近0.19。此外,在一些迭代,集群中心位于0.08或接近于0。

4.2。讨论表面粗糙度预测问题

比较三个预测模型在文献中报道执行评估该模型的准确性。据王,张35),理论类风湿性关节炎估计有槽的表面使用平头机可以作为计算 在哪里是凹度角( 通过测量)。

第二个模型从实证中提取表征表面粗糙度取决于具体削减能源消耗(SCEC)指数提出的刘et al。14),由 在哪里和经验系数估计的函数吗美联社。

最后,田口方法是一种广泛使用的方法来优化参数获取最低表面粗糙度,和下面的表示也从刘et al。14]: 在哪里是预测 比率为预测切削条件。

为了一致性与上述作品,性能指标和品质因数用来进行第一次比较预测相对误差。表3显示了使用模型预测相对误差(见(10)- (12+ SA)和他。

第一个比较研究的目的是评估的准确性的四个模型考虑的比较。列标签类风湿性关节炎代表名义值测量工件和下标(κSCEC,η,他表示使用模型的预测值(见(10)- (12))。SCEC模型,理论模型和评估使用的田口模型切割条件已经报道在14,35)与 , , 。本报告在工作相同的材料(al - 7075)和相同的工具(2-flute整体硬质合金平头铣刀的直径达10毫米)也用于实验。然而,削减的深度、切削速度、进给速率在我们实验(见表1在()高于切削条件报告14,35]。为了评估精度的四个模型在各自的切削条件下,表面粗糙度的预测和测量值进行了比较。他+ SA产量预测和测量值之间的最佳拟合最好的表面粗糙度预测错误。

图9描述了测量与预测Ra的图示模型认为在这个比较。他+ SA)显示了最适合在所有的情况下,虽然是很重要的强调SCEC模型还显示了很好的行为。从这些结果我们可以得出一个明确的表示可以获得铣削过程的方法,是一个强大的工具来预测进程内基于切削表面粗糙度参数。

在文献中,有许多人工智能技术应用于表面粗糙度检测和预测。为了清晰,两种建模策略基于贝叶斯网络(BN)和多层感知器(MLP)也与他相比+ SA。为了进行彻底的评估模型,四个偏差的性能指标和两个分类标准被认为是在这个研究。因此,在第二个比较研究中,总共有六个性能指标应用于评估实际行为的基础上,实验运行如下:正确数量的零件制造(NPM),零件的数量是再生(NPR),平均绝对误差(MAE)、根均方误差(RMSE),相对绝对误差(RAE)和根相对平方误差(RRSE)。

表4显示了三种方法的主要特征被认为是在第二个比较研究。多层感知器(MLP)是一种应用最广泛的神经网络在工业水平。然而,主要缺点是相关的设置和优化网络参数,如数量的隐藏层,隐层节点的数量,和形式的激活函数。相反,bn轻松和快速施工程序没有调优参数。bn的好可解释性的理由确实是推理基于现实世界的模型。

然而,内存需求可能会限制知识的转移和实时应用程序。进一步的细节发表在[设计问题36]。他+ SA有一些有趣的特性,如结构简单、容易训练启用了一些调优参数的最佳设置程序(模拟退火)。他+ SA也优于BN和延时的计算时间。12.69 BN CPU需要0.08秒,延时需要CPU +股价需要0.01秒,他CPU秒。

表5显示了第二个比较研究的结果。BN的应用和安了雷的10.41%和13.05%,分别。相反,他+ SA取得一个优秀的准确性,例如,2.68%在雷,几乎误差小于5倍BN。优秀的行为也支持最好的正确数量的零件生产的98.88%。总的来说,他+ SA显著优于BN和安对所有数据的优点被认为是在第二个研究中;具体的数量部分再生是最小值。

5。结论

适当的建模的发展策略来处理复杂的加工过程是必须的。表面质量的预测却并非易事。是需要减少部分重新由于表面质量差是出于对经济和环境的直接影响。本文提出一种混合动力增量建模策略和最优设置过程铣削过程中质量检测。设计和实现的过程混合增量模型最优参数简单,计算效率。这项研究展示了表面粗糙度预测基本参数配置(二阶多项式,两个邻居,模糊强度参数附近两个)使用模拟退火优化方法。

(即两个比较研究与传统技术。,oretical model, energy model, and Taguchi-based model) and artificial intelligence-based techniques (i.e., a multilayer perceptron and a Bayesian network) for predicting surface roughness have demonstrated that the proposed strategy outperforms significantly the others techniques and models considered in this study. The number of parts to be remanufactured using hybrid incremental model with optimal parametrization is less than applying either, a multilayer perceptron and a Bayesian network (e.g., about one percentage). The hybrid incremental model yields also better error-based performance indices for predicting the surface roughness than above-mentioned Bayesian and neural network models.

混合动力增量建模和模拟退火优化参数化可以扩展到广泛的制造过程质量评估部分。将进行进一步的研究与模型输出电流和功耗等其他变量。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

工作报告摘要部分支持的欧洲项目“IoSENSE:灵活的FE /传感器试点线网络的一切”由欧洲领导的电子组件系统(ECSEL)合营企业根据授权协议。692480年。项目支持的工作也是部分“AM4G:先进制造业第四代。”

引用

1. r . Bucki和p . Suchanek造型决策过程的管理支持制造业物流供应链中的元素,”复杂性卷,2017篇文章ID 5286135, 2017。视图:谷歌学术搜索|MathSciNet
2. 诉Modrak和z . Soltysova”,小说的复杂性指标生产过程链和间接复杂性指标之间的关系,“复杂性卷,2017篇文章ID 9102824, 2017。视图:谷歌学术搜索|MathSciNet
3. j·l·Garcia-Alcaraz A . A . Maldonado-Macias s i Hernandez-Hernandez j·l·Hernandez-Arellano j . Blanco-Fernandez和j·c·萨恩斯Diez-Muro,“边境加工行业的新产品开发和创新:因果模型,”可持续性,8卷,不。8,货号。707年,2016年。视图:出版商的网站|谷歌学术搜索
4. r·e·哈伯r·哈伯a . Alique s Ros,“应用程序基于知识的系统监督和控制加工过程,”手册的软件工程知识和工程,2卷,第710 - 673页,2002年。视图:谷歌学术搜索
5. g . Beruvides r . Quiza r·德尔·托罗和r·e·哈伯”传感器系统和信号分析监控刀具磨损microdrilling操作烧结钨铜复合材料,”传感器和执行器:物理卷,199年,第175 - 165页,2013年。视图:出版商的网站|谷歌学术搜索
6. r·e·哈伯和j . r . Alique”,使用神经网络的非线性内模控制:申请加工过程,”神经计算和应用,13卷,不。1,47-55,2004页。视图:出版商的网站|谷歌学术搜索
7. R.-E。Precup p·安格诺夫,b·s·j·科斯塔和m . Sayed-Mouchaweh”故障诊断的概述和自然工业过程的最优控制应用程序,”计算机在工业领域卷。74年,硕士论文,2015页。视图:出版商的网站|谷歌学术搜索
8. r·卡尔沃r·D’amato e·戈麦斯和r·多明戈”一体化的坐标测量机的误差补偿特性测量:II-experimental一部分实现,”传感器,16卷,不。货号。1705年,2016年。视图:出版商的网站|谷歌学术搜索
9. r·卡尔沃r·D’amato e·戈麦斯和r·多明戈”一体化的坐标测量机的误差补偿特性测量:一部分模型发展,”传感器,16卷,不。货号。1610年,2016年。视图:出版商的网站|谷歌学术搜索
10. g . Beruvides f . Castano r . Quiza, r·e·哈伯”的钨铜合金表面粗糙度的建模和优化micro-milling流程”测量:测量期刊的国际联盟卷,86年,第252 - 246页,2016年。视图:出版商的网站|谷歌学术搜索
11. p . b .黄”,一个智能模糊模型,一个进程内表面粗糙度在端铣操作,监控系统”《智能制造,27卷,不。3、689 - 700年,2016页。视图:出版商的网站|谷歌学术搜索
12. m . Tomov m . Kuzinovski, p . Cichosz”建模和预测的表面粗糙度在纵向转动,“《生产流程,24卷,第255 - 231页,2016年。视图:出版商的网站|谷歌学术搜索
13. h . El-Mounayri z Dugla, h·邓”的表面粗糙度预测端铣利用群体智慧,”学报2003年IEEE群体智慧研讨会,姐姐2003,页220 - 227,美国,2003年4月。视图:出版商的网站|谷歌学术搜索
14. y . f . n, s . b . Wang,和w·f·鲁,”一个新颖的方法来预测基于特定的切削表面粗糙度时能耗铣槽al - 7075”国际机械科学杂志》上卷。118年,13-20,2016页。视图:出版商的网站|谷歌学术搜索
15. m·p·希利z . y . Liu y . b .郭和z .问:刘,“能源基础过程签名在硬铣削表面完整性,”材料加工技术杂志》上卷,238年,第289 - 284页,2016年。视图:出版商的网站|谷歌学术搜索
16. a . Alique r·e·哈伯r·h·哈伯s Ros和c·冈萨雷斯,”神经网络模型的预测铣削过程中切削力。进步的一项研究在实际情况下,”学报2000年IEEE智能控制国际研讨会,121 - 125页。视图:谷歌学术搜索
17. r·e·哈伯j . r . Alique a . Alique j·埃尔南德斯和r . Uribe-Etxebarria“嵌入式计算机模糊系统对加工过程:一个案例研究的结果,“计算机在工业领域,50卷,不。3、353 - 366年,2003页。视图:出版商的网站|谷歌学术搜索
18. D·m·D 'Addona a s Ullah, D . Matarazzo”刀具磨损预测和模式识别使用人工神经网络和基于dna计算,”《智能制造,28卷,不。6,1285 - 1301年,2015页。视图:出版商的网站|谷歌学术搜索
19. j . m .安杜哈尔和a·j·巴拉”杂交的模糊系统建模和控制”RIAI——航空杂志上Iberoamericana德自动化e Informatica工业,11卷,不。2、127 - 141年,2014页。视图:出版商的网站|谷歌学术搜索
20. w . Pedrycz K.-C。夸克,“增量模型的发展,”IEEE模糊系统,15卷,不。3、507 - 518年,2007页。视图:出版商的网站|谷歌学术搜索
21. S.-B。卢武铉,苏耿赋。安,w . Pedrycz”模型的改进模糊再邻居的帮助方法,”IEEE仪表和测量卷,59号3、604 - 615年,2010页。视图:出版商的网站|谷歌学术搜索
22. g . Kiswanto d l . Zariatin和t . j . Ko,“主轴转速的影响,进给速率和加工表面粗糙度和毛刺的形成铝合金1100年micro-milling操作,“《生产流程,16卷,不。4、435 - 450年,2014页。视图:出版商的网站|谷歌学术搜索
23. C.-B。程和e·s·李”,非参数模糊回归——基于事例和内核平滑技术,”计算机和数学与应用程序,38卷,不。3、239 - 251年,1999页。视图:出版商的网站|谷歌学术搜索
24. H.-L。陈,b, g . Wang et al .,“小说破产预测模型基于自适应模糊再方法,”以知识为基础的系统,24卷,不。8,1348 - 1359年,2011页。视图:出版商的网站|谷歌学术搜索
25. z z,冯,j . Zhengbiao”语音情感识别研究基于模糊K最近邻,”国际多媒体和无处不在的工程杂志》上,10卷,不。10日,57 - 66,2015页。视图:出版商的网站|谷歌学术搜索
26. a . Fiannaca g . Di Fatta r·里索a . Urso和s . Gaglio“模拟退火技术,SOM网络的快速学习,”神经计算和应用,22卷,不。5,889 - 899年,2013页。视图:出版商的网站|谷歌学术搜索
27. r . a . Rutenbar“模拟退火算法:概述,”IEEE电路和设备杂志,5卷,不。1页19-26 1989(英语)。视图:出版商的网站|谷歌学术搜索
28. 赵,y, y, d . Yu问:张先生,和h,“基于粒子群优化的混合算法和模拟退火为子整体制造系统子整体任务分配,”国际先进制造技术杂志》上,32卷,不。9 - 10,1021 - 1032年,2007页。视图:出版商的网站|谷歌学术搜索
29. f . Penedo r·e·哈伯a . Gajate和r·m·德尔·托罗”混合动力增量建模基于最小二乘法和模糊事例监测刀具磨损在转动过程中,“IEEE工业信息,8卷,不。4、811 - 818年,2012页。视图:出版商的网站|谷歌学术搜索
30. j . Derrac f . Chiclana, s·加西亚和f . Herrera”进化模糊再邻居算法使用区间值模糊集,“信息科学卷,329年,第163 - 144页,2016年。视图:出版商的网站|谷歌学术搜索
31. m . Almaraashi r·约翰·a·故事,艾哈迈迪,“学习间隔和一般二型模糊逻辑系统使用模拟退火:理论和实践,“信息科学卷。360年,21-42,2016页。视图:出版商的网站|谷歌学术搜索
32. D.-Y。太阳和下午。林”,通过模拟退火时间最优控制问题的解决方案,“日本化学工程杂志》上,39卷,不。7,753 - 766年,2006页。视图:出版商的网站|谷歌学术搜索
33. f . Castano r·e·哈伯·r·m·德尔·托罗和g . Beruvides”应用程序混合增量建模预测在微加工过程中表面粗糙度,”学报2014年IEEE研讨会上计算智能工程解决方案,培育20142014年12月,页54-59、美国、。视图:出版商的网站|谷歌学术搜索
34. 几何产品规范(GPS)指示的表面纹理技术产品文档,2002。
35. M.-Y。小王和H.-Y。常”,表面粗糙度的实验研究槽铣AL2014-T6结束,”机床和制造的国际期刊,44卷,不。1,51-57,2004页。视图:出版商的网站|谷歌学术搜索
36. m·科雷亚c Bielza, j . Pamies-Teixeira”比较质量检测的贝叶斯网络,人工神经网络在机械加工过程中,“专家系统与应用程序,36卷,不。3、7270 - 7279年,2009页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017 Gerardo Beruvides et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。