MétaCan
Menu
Retour à la cohorte
Enregistrement W2792608712 · doi:10.1115/1.4039651

Virtual Model of Gear Shaping—Part II: Elastic Deformations and Virtual Gear Metrology

2018· article· en· W2792608712 sur OpenAlexafffund
Andrew Katz, Kaan Erkorkmaz, Fathy Ismail

Notice bibliographique

RevueJournal of Manufacturing Science and Engineering · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaOntario Centres of Excellence
Mots-clésDeflection (physics)MachiningStiffnessSpur gearEngineeringStructural engineeringNon-circular gearSpiral bevel gearMechanical engineeringOpticsPhysics

Résumé

récupéré en direct d'OpenAlex

Elastic deflection of cutting tools relative to the workpiece is one of the major factors contributing to dimensional part inaccuracies in machining. This paper examines the effect of tool deflection in gear shaping and its effect on the gear's profile form error, which can cause transmission error and noise during gear operation. To simulate elastic tool deflection in gear shaping, the tool's static stiffness is estimated from impact hammer testing. Then, based on simulated cutter-workpiece engagement and predicted cutting forces, the elastic deflection of the tool is calculated at each time-step. To examine the effect of tool deflection on the profile error of the gear, a virtual gear measurement module is developed and used to predict the involute profile deviations in the virtually machined part. Simulated and measured profile deviations were compared for a one-pass external spur gear process and a two-pass external spur gear process. The simulated profile errors correlate very well with the measured profiles on the left flanks of the workpiece teeth, which are cut by the leading edges of the cutter teeth. However, additional research is needed to improve the prediction of the right flanks, which are cut by the trailing edges of the cutter teeth.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,269
Score d'incertitude au seuil0,385

Scores Codex et Gemma par catégorie

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

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 Opus0,012
Tête enseignante GPT0,219
Écart entre enseignants0,207 · 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 tête enseignante, 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

Citations9
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Manufacturing Science and EngineeringMême sujetAdvanced machining processes and optimizationTravaux en français237 207