Virtual Five-Axis Flank Milling of Jet Engine Impellers: Part 2 — Feed Rate Optimization of Five-Axis Flank Milling
Notice bibliographique
Résumé
This paper presents optimization schemes for the five-axis flank milling of jet engine impellers based on the mechanics model explained in Part I. The process is optimized by varying the feed automatically as the tool-workpiece engagements, i.e. the process, varies along the tool path. The feed is adjusted by limiting feed-dependent peak outputs to a set of user-defined constraints. These outputs are tool shank bending stress, tool deflection, maximum chip load (to avoid edge chipping) and the torque limit of the machine. The linear and angular feeds of the machine are optimized by two different methods — a multi-constraint based virtual adaptive control of the process and a non-linear root finding algorithm. The five-axis milling process is simulated in a virtual environment, and the resulting process outputs are stored at each position along the tool path. The process is recursively fitted to a first order process with a time varying gain and a fixed time constant, and a simple Proportional Integral controller is adaptively tuned to operate the machine at threshold levels by manipulating the feedrate. As an alternative to virtual adaptive process control, the feedrate is optimized by a non-linear root-finding algorithm. The optimum feed is solved for iteratively, respecting tool stress, tool deflection, torque and chip load constraints, using a non-linear root finding algorithm. Both methods are shown to produce almost identical optimized feed rate profiles for the roughing tool path discussed in Part I of the paper. The new feed rate profiles are shown to considerably reduce the cycle time of the impeller while avoiding process faults that may damage the part or the machine.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».