MétaCan
Menu
Retour à la cohorte
Enregistrement W1984533098 · doi:10.1115/1.3123335

Modeling and Control of Contouring Errors for Five-Axis Machine Tools—Part I: Modeling

2009· article· en· W1984533098 sur OpenAlexaff
Burak Sencer, Yusuf Altıntaş, Elizabeth A. Croft

Notice bibliographique

RevueJournal of Manufacturing Science and Engineering · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueIterative Learning Control Systems
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésContouringKinematicsTranslation (biology)Machine toolOrientation (vector space)Computer scienceNumerical controlTrajectorySimulationEngineeringGeometryMathematicsMechanical engineeringPhysicsComputer graphics (images)

Résumé

récupéré en direct d'OpenAlex

Abstract Aerospace, die, and mold industries utilize parts with sculptured surfaces, which are machined on five-axis computer numerical controlled machine tools. Accurate path tracking for contouring is not always possible along the desired space curves due to the loss of joint coordination during the five-axis motion. This two-part paper presents modeling and robust control of contouring errors for five-axis machines. In Part I, two types of contouring errors are defined by considering the normal deviation of tool tip from the reference path, and by the normal deviation of the tool axis orientation from the reference orientation trajectory defined in the spherical coordinates. Overall contouring errors are modeled during five-axis motion that has simultaneous translation and rotary motions. The coupled kinematic configuration and the rigid body dynamics of all five drives are considered. The contouring error model is experimentally validated on a five-axis machine tool. The error model developed in this paper is then used for simultaneous, real-time robust control of all five drives in Part II.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,011
Tête enseignante GPT0,215
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations104
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Manufacturing Science and EngineeringMême sujetIterative Learning Control SystemsTravaux en français237 207