MétaCan
Menu
Retour à la cohorte
Enregistrement W4402756108 · doi:10.3390/jmmp8050207

Feed Drive Control and Non-Linear Friction Interaction Effect on Machining Chatter Stability Prediction

2024· article· en· W4402756108 sur OpenAlexaff
Oier Franco, Xavier Beudaert, Kaan Erkorkmaz, Jokin Muñoa

Notice bibliographique

RevueJournal of Manufacturing and Materials Processing · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésMachiningControl theory (sociology)Stability (learning theory)Control (management)Computer scienceEngineeringMechanical engineeringArtificial intelligenceMachine learning

Résumé

récupéré en direct d'OpenAlex

In large-scale machine tool applications, the presence of low structural natural frequencies limits the cutting capabilities of the machine. The machine tool joints interact with the structural mode shapes, hence, the feed drive system characteristics can significantly influence the resultant dynamics at the cutting point. This paper investigates the effect of guideway non-linear friction and feed drive motion control parameters on chatter stability predictions. Field experimentation on seven machines reveals substantial differences between in-motion and idle dynamics, leading to errors in traditional process stability predictions. By using a one-degree-of-freedom model that incorporates non-linear friction and controller forces together with motion commands, the effect of axis motion on machine tool dynamics is analyzed. Later, the feed and force non-linearities are studied in a large-scale machine tool using traditional and alternative dynamic characterization techniques. The findings demonstrate that both feed and force non-linearities influence the frequency response functions at the cutting points, ultimately affecting the accuracy of process stability predictions. Proper selection of feed drive control parameters reduces the cutting point compliance, improving machine tool productivity by up to 50%.

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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,510
Score d'incertitude au seuil0,508

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 Opus0,006
Tête enseignante GPT0,237
Écart entre enseignants0,230 · 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'étudeExpérimental (laboratoire)
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Manufacturing and Materials ProcessingMême sujetAdvanced machining processes and optimizationTravaux en français237 207