基于变转速工作模态分析的高速铣削稳定性预测方法研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    11802279
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    20.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    A0702.非线性振动及其控制
  • 结题年份:
    2021
  • 批准年份:
    2018
  • 项目状态:
    已结题
  • 起止时间:
    2019-01-01 至2021-12-31

项目摘要

Cutting stability is an important element influencing surface quality and efficiency of high speed machining. Gyroscopic effect, thermal effect and centrifugal force induced by high-speed rotation of spindle change the dynamics of cutting system, which leads to the speed-dependence of tool tip modal parameters and cutting force coefficients. The most current studies consider the dynamics of static or constant speed situation resulting in the inaccurate predication of cutting stability. Therefore, a new approach using modal parameters and cutting force coefficients based on speed-varying operational modal analysis is proposed in this project to get more accurate high speed milling stability prediction. There are three research issues as follows. (1) Time-varying operational modal analysis under non-white noise excitation are developed to identify the speed-varying tool tip modal parameters. (2) Based on the speed-varying modal parameters, compensation method of cutting force is proposed to identify the speed-varying cutting force coefficients. (3) Based on the speed-varying modal parameters and cutting force coefficients, a speed-dependent stability predication method is proposed to calculate the accurate cutting stability lobe diagram, which will be validated through experiment. This research will lay the foundation for cutting parameters optimization and processing efficiency improvement.
切削稳定性是影响高速切削加工质量和效率的重要因素。主轴高速旋转引入的陀螺效应、热效应和离心力等会改变切削系统的动力学特性,使刀尖频响函数和切削力系数产生转速依赖性。目前的研究大多考虑静态或恒定转速下的动力学特性,导致切削稳定性的预测产生较大的误差。为此,本项目以高速铣削加工为背景,提出一种基于变转速工作模态分析,准确预测切削稳定性的方法。研究内容包括:(1)建立非白噪声激励下的时变工作模态分析方法,辨识变转速切削下刀尖的模态参数;(2)基于变转速下的模态参数,建立瞬态切削力补偿方法,辨识变转速切削力系数;(3)基于变转速刀尖模态参数和切削力系数,建立变参数下的稳定域预测方法,由铣削动力学模型,实现高速铣削稳定域的精确预测及实验验证。该方法将为切削参数的优化和加工效率的提升奠定基础。

结项摘要

切削稳定性是影响切削加工质量和效率的重要因素,如何更加准确的判断切削过程的稳定性,对加工过程中的振动因素进行溯源和控制,对完成高质量表面的加工有着重要的意义。本课题旨在通过加工状态下机床结构模态更准确的辨识方法,以及在工作状态下对切削稳定性更加精确的计算,分析加工过程的切削稳定域,确定影响加工质量的核心因素。项目建立了工作状态下基于振动响应信号的非白噪声工作模态辨识方法,发展了基于振动信号的切削颤振状态辨识方法,改进了高阶全离散算法,对薄壁件切削过程的稳定性进行了分析及验证;拓展建立了基于工作振动模态分析及信号时频分析,结合加工表面形貌测量分析的加工表面振动溯源方法。项目建立了完整的分析理论和算法流程,为切削质量的提升提供了理论支持和技术基础。

项目成果

期刊论文数量(10)
专著数量(0)
科研奖励数量(0)
会议论文数量(1)
专利数量(0)
Parametric identification of time-varying systems from free vibration using intrinsic chirp component decomposition
使用固有线性调频分量分解对自由振动时变系统进行参数识别
  • DOI:
    10.1007/s10409-019-00905-7
  • 发表时间:
    2020
  • 期刊:
    Acta Mechanica Sinica
  • 影响因子:
    3.5
  • 作者:
    Wei Sha;Chen Shiqian;Dong Xingjian;Peng Zhike;Zhang Wenming
  • 通讯作者:
    Zhang Wenming
Modal identification of multi-degree-of-freedom structures based on intrinsic chirp component decomposition method
基于内征啁啾分量分解法的多自由度结构模态辨识
  • DOI:
    10.1007/s10483-019-2547-9
  • 发表时间:
    2019
  • 期刊:
    Applied Mathematics and Mechanics (English Edition )
  • 影响因子:
    --
  • 作者:
    Wei Sha;Chen Shiqian;Peng Zhike;Dong Xingjian;Zhang Wenming
  • 通讯作者:
    Zhang Wenming
基于粒子群退火优化BVMD方法的超精密加工表面空间频率分解
  • DOI:
    10.3788/aos202040.1122001
  • 发表时间:
    2020
  • 期刊:
    光学学报
  • 影响因子:
    --
  • 作者:
    高炜祥;李星占;郑华林;胡腾
  • 通讯作者:
    胡腾
State of the art in milling process of the flexible workpiece
柔性工件铣削工艺的最新技术
  • DOI:
    10.1007/s00170-020-05616-z
  • 发表时间:
    2020
  • 期刊:
    International Journal of Advanced Manufacturing Technology
  • 影响因子:
    3.4
  • 作者:
    Jixiong Fei;Feifei Xu;Bin Lin;Tian Huang
  • 通讯作者:
    Tian Huang
Relative vibration identification of cutter and workpiece based on improved bidimensional empirical mode decomposition
基于改进二维经验模态分解的刀具与工件相对振动识别
  • DOI:
    10.1007/s11465-020-0587-1
  • 发表时间:
    2020
  • 期刊:
    Frontiers of Mechanical Engineering
  • 影响因子:
    4.5
  • 作者:
    Li Jiasheng;Li Xingzhan;Wei Wei;Liu Pinkuan
  • 通讯作者:
    Liu Pinkuan

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

螺栓联接梁结构结合部非线性特性参数辨识
  • DOI:
    --
  • 发表时间:
    --
  • 期刊:
    振动工程学报
  • 影响因子:
    --
  • 作者:
    孙伟;李星占;韩清凯
  • 通讯作者:
    韩清凯

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码