Resumen

Para garantizar la estabilidad del proceso de mecanizado, es vital controlar las condiciones de mecanizado durante el proceso de fresado. Aunque la corriente del motor de avance está relacionada con muchas variables físicas, como la fuerza de corte y el desgaste de la herramienta, podemos indicarla como la variable clave para controlar las condiciones del proceso de fresado. En este trabajo se establece un modelo predictivo de la amplitud de la corriente del motor de avance. Se investiga la regulación del cambio de la amplitud de corriente transitoria durante el proceso de fresado, y también se estudia el efecto de la velocidad del husillo en la amplitud de corriente transitoria. Dado que la amplitud de la corriente transitoria es variable en el tiempo, el modelo predictivo es un tipo típico de datos de panel. En este caso, se aplica el modelo de coeficiente variable (VCM), un método potencial de soft computing, para resolver este modelo predictivo. A continuación, se realizan varios experimentos para evaluar el rendimiento del método VCM. Los resultados muestran que los valores predichos se ajustan bien al valor experimental, y también se valida la corrección del modelo predictivo para la amplitud de corriente transitoria.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:estabilidad, proceso de mecanizado, control, proceso de fresado, corriente del motor de avance, variables físicas, fuerza de corte, desgaste de la herramienta, variables clave, monitorización, modelo predictivo, amplitud, regulación del cambio, corriente transitoria, velocidad del husillo, variable en el tiempo, tipo de datos del panel, modelo de coeficiente variable, método de soft computing, experimentos, rendimiento, valores predichos, valor experimental, corrección
• Keywords:stability, machining process, control, milling process, feed-motor current, physical variables, cutting force, tool wear, key variables, monitoring, predictive model, amplitude, change regulation, transient current, spindle speed, time-varying, panel data type, varying-coefficient model, soft computing method, experiments, performance, predicted values, experimental value, correctness