外圆纵向智能磨削研究
|
摘要
现代先进制造技术正朝着柔性制造 (FMS)、计算机集成制造 (CIMS)和智能制造系
统 (IMS)等方向发展。用户要求产品的性能完美、可靠 ，并要求尽可能一次制造合格 ，
因此，要求制造系统不仅有更高的生产效率 、更低的原材料和能源消耗，还要求零件有
更高的精度、表面粗糙度、表面完整性和严格的制造一致性。由于磨削加工往往是机械
加工产品的终极加工工序，其加工效果的好坏直接影响到产品的最终质量和性能。但由
于磨削过程复杂，影响因素众多，磨削过程的非线性、随机性和不确定性等原因，用传
统的方法无法对其建立精确数学模型，致使传统的控制方法难以解决磨削系统的控制问
题。目前在磨削加工中，许多方面仍依赖于操作者的经验和技术熟练程度，对加工过程
的实际调整是靠试凑法。磨削的现状已成为制约某些先进制造技术发展的关键技术之一。
智能化是磨削技术发展的趋势。
本文对于机械生产厂家应用最普遍的一种精加工手段——外圆纵向磨削进行了深入
的理论研究，建立了外圆纵向磨削中磨削力、工件弹性变形、砂轮磨损及工件尺寸的数
学模型。并把智能理论引入磨削加工过程中，实现了对外圆纵向磨削加工中工件变形、
尺寸及表面粗糙度的智能建模与智能控制。
一、外圆纵向磨削过程中工件变形的变速自适应控制
在外圆纵向磨削过程中，特别是磨削加工细长轴时，在磨削力的作用下，工件会发
生变形，而且，随着砂轮和工件接触位置的不同，变形量也不同。纵向磨削的关键问题
之一是如何尽量减少工件的变形。通常采用刚度最薄弱处的工件转速 Vw和纵向进给速度
Vf 以及尽可能小的磨削深度进行磨削。因此，Vw、Vf 对那些刚度较大处将不是最优。而
且，为了减少由于砂轮磨损而造成的尺寸和形状误差，还要经常对砂轮进行修整，造成
时间和费用的浪费。一些学者研究了用支撑架补偿变形的方法，它可以极大地减少形状
误差，但是有时需要用多个支撑架，调整过程相对复杂。
为此，本文在建立了外圆纵向磨削加工中磨削力模型、工件弹性变形数学模型的基
础上，打破了传统磨削的方法，提出了一种控制工件变形的变速优化自适应控制策略。
由于工件变形和磨削力以及磨削力和工件转速 Vw 和纵向进给速度 Vf 存在定量关系，故
可通过改变 Vw 和 Vf来控制工件变形。以磨削时间为优化函数，可由优化程序求出工件
轴向任一确定位置相应的最优的 Vw 和 Vf 。因此，在纵向磨削过程中，可随着砂轮磨削
位置的移动，不断变化 Vw 和 Vf ，使 Vw 和 Vf 取最优值，以控制工件的变形。由于在
磨削过程中存在许多不确定因素，故本文采用了一个自适应控制系统来控制工件的弹性
i
摘 要
变形。
二、外圆纵向磨削过程中工件尺寸的智能预测与智能控制
为了实现对工件尺寸的控制，本文首先深入地研究了纵向磨削过程中尺寸的形成机
理，引进了砂轮接触变形的概念，建立了外圆纵向磨削中砂轮磨损的数学模型，建立了
纵向磨削过程中工件尺寸的数学模型，为后面尺寸预测与控制的仿真提供了理论依据。
目前，在磨削加工中，在线检测工件尺寸的测量点总是滞后于砂轮的补偿点位置，
因此在系统辨识、建模时间及控制响应速度等方面均产生障碍，常造成补偿滞后与失控，
难以达到工件尺寸加工精度在线监控的要求。
本文在此建立了加工尺寸智能预测模型与控制模型，对加工尺寸进行预测与控制，
以及时对误差进行补偿。此智能预测控制模型由三部分组成：纵向磨削尺寸预测神经网
络、工件变形变速自适应控制系统、模糊控制器。在加工尺寸预测中，本文采用了具有
记忆能力的动态递归神经网络 Elman 网络，建立了尺寸预测智能基本模型。此模型的输
入为控制进给量 u、纵向进给速度 vf 以及系统在上一时刻输出变量—砂轮实际进给量
S(n-1)。模型的输出为工件实际切除量，亦即砂轮实际进给量。在基本预测模型的基础上，
本文又提出了一种改进的预测模型，即将系统实际输出值的一阶、二阶导数同时也作为
神经网络输入，这样就把系统的实际输出值的变化趋势也输给了网络。在获得磨削加工
预测尺寸后，再利用模糊控制器对磨削加工尺寸进行模糊控制。本模糊控制器是在典型
模糊控制器的基础上，引入了论域伸缩因子，构造了具有自适应能力的磨削尺寸模糊控
制器。本文作了大量的仿真和实验，结果表明所提出来的具有自适应能力的外圆纵向磨
削尺寸预测控制模型可以获得满意的尺寸控制精度。
三、外圆纵向磨削过程中工件表面粗糙度的智能预测与智能控制
基于目前表面粗糙度在线检测存在的实际问题，本文提出了在线智能预测辨识表面
粗糙度的方法，即通过建立粗糙度与磨削过程状态参数，如工件转速、砂轮转速、工件
进给速度和磨削深度之间关系的模型逼近器，在线测量上述磨削过程状态参数，在线获
得加工表面粗糙度。由于人工神经网络具有网络学习联想、并行处理能力和一定的容错
性，模糊逻辑系统也具有高度容错性，因此，本文把二者引入到表面粗糙度模型在线辨
识中，建立了表面粗糙度在线预测辨识神经网络模型和模糊神经网络模型。为
Dissertation Subject: Study of Intelligent Cylindrical Traverse Grinding
Specialty: Mechanical Engineering and Automation
Supervisor: Prof. Wang Longshan
Modern advanced manufacturing technique is developing towards to Flexible
Manufacturing System (FMS), Computer Integration Manufacture System (CIMS)
and Intelligent Manufacture System (IMS). The customer demands that the
production performance be perfect, reliable, and possibly a one-time surface finish
machining. So not only is the manufacturing system required to be with high
efficiency and low cost of raw material and energy, but also the finished production
is with high size accuracy, low surface roughness and surface integrality. The
grinding result directly affects the final quality and performance of product because
the grinding is usually the ultimate machining procedure. But the grinding process
is non-linearity and randomcity with too many influence factors; the accuracy
mathematical model cannot be built, and the traditional control method cannot
resolve the control problem during the grinding. At present, adjusting the grinding
process is strongly relied on the operator’s experience and skill. The grinding is one
of the key technologies that constraints some elements of advanced technology
development. Hence, intelligent grinding is the development tendency.
In this dissertation, the cylindrical traverse grinding, which is the universal
manner in the factory, is deeply studied. The grinding force model, workpiece
deflection model, the wheel wear model and workpiece size model are built.
Especially, the intelligent theory is introduced to grinding process. And the
intelligent model of workpiece surface roughness and size and the control of the
deflection, the roughness and the size can be realized.
1. Variable Parameter Optimization Adapt Control of Workpiece Deformation
for Cylindrical Traverse Grinding
In the cylindrical traverse grinding, especially for the slender cylindrical workpiece, the
workpiece will be deformed under the grinding force. Furthermore, the deformation changes
with the wheel position. One of the problems of traverse grinding is how to reduce the
deformation as more as possible. In the conventional traverse grinding process, the workpiece
velocity (Vw) and table feed velocity (Vf) are selected the values that can keep the workpiece
deflection of the smallest stiffness position within the error limit, and the cut depth (?) is also
1
摘 要
made as small as possible. But the selected Vw and Vf are not optimal to the others bigger
stiffness positions. Additionally, minimizing the shape and size error caused by the wheel wear
will require dressing to be performed frequently and this will result in waste of time and money.
Studies on workpiece steady-based control system showed that controlling the steadies to
compensate for the workpiece deformation could greatly reduce the shape error. However, this
would require more workpiece steadies to be present sometimes and the process was relatively
complex.
Therefore, basing on the grinding force model and workpiece deflection model,
breaking the traditional constant velocity control method, this dissertation proposes
a variable parameter optimization adapt control strategy. We can change Vw and Vf
to control workpiece deflection with the wheel grinding position moving along the
workpiece axis because there exists the fix quantify relation between force,
workpiece deflection, Vw and Vf. The grinding time is adopted to be an
optimization function and the optimal values of Vw and Vf to certain wheel reaction
point can be obtained by optimize program. Actually, there exist many uncertain factors
during the grinding process, So an optimization self-adaptive control system is used in
this dissertation.
2. Workpiece Size Intelligent Prediction And Control For Cylindrical
Traverse Grinding
In order to control workpiece size, the size form mechanism is deeply studie
统 (IMS)等方向发展。用户要求产品的性能完美、可靠 ，并要求尽可能一次制造合格 ，
因此，要求制造系统不仅有更高的生产效率 、更低的原材料和能源消耗，还要求零件有
更高的精度、表面粗糙度、表面完整性和严格的制造一致性。由于磨削加工往往是机械
加工产品的终极加工工序，其加工效果的好坏直接影响到产品的最终质量和性能。但由
于磨削过程复杂，影响因素众多，磨削过程的非线性、随机性和不确定性等原因，用传
统的方法无法对其建立精确数学模型，致使传统的控制方法难以解决磨削系统的控制问
题。目前在磨削加工中，许多方面仍依赖于操作者的经验和技术熟练程度，对加工过程
的实际调整是靠试凑法。磨削的现状已成为制约某些先进制造技术发展的关键技术之一。
智能化是磨削技术发展的趋势。
本文对于机械生产厂家应用最普遍的一种精加工手段——外圆纵向磨削进行了深入
的理论研究，建立了外圆纵向磨削中磨削力、工件弹性变形、砂轮磨损及工件尺寸的数
学模型。并把智能理论引入磨削加工过程中，实现了对外圆纵向磨削加工中工件变形、
尺寸及表面粗糙度的智能建模与智能控制。
一、外圆纵向磨削过程中工件变形的变速自适应控制
在外圆纵向磨削过程中，特别是磨削加工细长轴时，在磨削力的作用下，工件会发
生变形，而且，随着砂轮和工件接触位置的不同，变形量也不同。纵向磨削的关键问题
之一是如何尽量减少工件的变形。通常采用刚度最薄弱处的工件转速 Vw和纵向进给速度
Vf 以及尽可能小的磨削深度进行磨削。因此，Vw、Vf 对那些刚度较大处将不是最优。而
且，为了减少由于砂轮磨损而造成的尺寸和形状误差，还要经常对砂轮进行修整，造成
时间和费用的浪费。一些学者研究了用支撑架补偿变形的方法，它可以极大地减少形状
误差，但是有时需要用多个支撑架，调整过程相对复杂。
为此，本文在建立了外圆纵向磨削加工中磨削力模型、工件弹性变形数学模型的基
础上，打破了传统磨削的方法，提出了一种控制工件变形的变速优化自适应控制策略。
由于工件变形和磨削力以及磨削力和工件转速 Vw 和纵向进给速度 Vf 存在定量关系，故
可通过改变 Vw 和 Vf来控制工件变形。以磨削时间为优化函数，可由优化程序求出工件
轴向任一确定位置相应的最优的 Vw 和 Vf 。因此，在纵向磨削过程中，可随着砂轮磨削
位置的移动，不断变化 Vw 和 Vf ，使 Vw 和 Vf 取最优值，以控制工件的变形。由于在
磨削过程中存在许多不确定因素，故本文采用了一个自适应控制系统来控制工件的弹性
i
摘 要
变形。
二、外圆纵向磨削过程中工件尺寸的智能预测与智能控制
为了实现对工件尺寸的控制，本文首先深入地研究了纵向磨削过程中尺寸的形成机
理，引进了砂轮接触变形的概念，建立了外圆纵向磨削中砂轮磨损的数学模型，建立了
纵向磨削过程中工件尺寸的数学模型，为后面尺寸预测与控制的仿真提供了理论依据。
目前，在磨削加工中，在线检测工件尺寸的测量点总是滞后于砂轮的补偿点位置，
因此在系统辨识、建模时间及控制响应速度等方面均产生障碍，常造成补偿滞后与失控，
难以达到工件尺寸加工精度在线监控的要求。
本文在此建立了加工尺寸智能预测模型与控制模型，对加工尺寸进行预测与控制，
以及时对误差进行补偿。此智能预测控制模型由三部分组成：纵向磨削尺寸预测神经网
络、工件变形变速自适应控制系统、模糊控制器。在加工尺寸预测中，本文采用了具有
记忆能力的动态递归神经网络 Elman 网络，建立了尺寸预测智能基本模型。此模型的输
入为控制进给量 u、纵向进给速度 vf 以及系统在上一时刻输出变量—砂轮实际进给量
S(n-1)。模型的输出为工件实际切除量，亦即砂轮实际进给量。在基本预测模型的基础上，
本文又提出了一种改进的预测模型，即将系统实际输出值的一阶、二阶导数同时也作为
神经网络输入，这样就把系统的实际输出值的变化趋势也输给了网络。在获得磨削加工
预测尺寸后，再利用模糊控制器对磨削加工尺寸进行模糊控制。本模糊控制器是在典型
模糊控制器的基础上，引入了论域伸缩因子，构造了具有自适应能力的磨削尺寸模糊控
制器。本文作了大量的仿真和实验，结果表明所提出来的具有自适应能力的外圆纵向磨
削尺寸预测控制模型可以获得满意的尺寸控制精度。
三、外圆纵向磨削过程中工件表面粗糙度的智能预测与智能控制
基于目前表面粗糙度在线检测存在的实际问题，本文提出了在线智能预测辨识表面
粗糙度的方法，即通过建立粗糙度与磨削过程状态参数，如工件转速、砂轮转速、工件
进给速度和磨削深度之间关系的模型逼近器，在线测量上述磨削过程状态参数，在线获
得加工表面粗糙度。由于人工神经网络具有网络学习联想、并行处理能力和一定的容错
性，模糊逻辑系统也具有高度容错性，因此，本文把二者引入到表面粗糙度模型在线辨
识中，建立了表面粗糙度在线预测辨识神经网络模型和模糊神经网络模型。为
Dissertation Subject: Study of Intelligent Cylindrical Traverse Grinding
Specialty: Mechanical Engineering and Automation
Supervisor: Prof. Wang Longshan
Modern advanced manufacturing technique is developing towards to Flexible
Manufacturing System (FMS), Computer Integration Manufacture System (CIMS)
and Intelligent Manufacture System (IMS). The customer demands that the
production performance be perfect, reliable, and possibly a one-time surface finish
machining. So not only is the manufacturing system required to be with high
efficiency and low cost of raw material and energy, but also the finished production
is with high size accuracy, low surface roughness and surface integrality. The
grinding result directly affects the final quality and performance of product because
the grinding is usually the ultimate machining procedure. But the grinding process
is non-linearity and randomcity with too many influence factors; the accuracy
mathematical model cannot be built, and the traditional control method cannot
resolve the control problem during the grinding. At present, adjusting the grinding
process is strongly relied on the operator’s experience and skill. The grinding is one
of the key technologies that constraints some elements of advanced technology
development. Hence, intelligent grinding is the development tendency.
In this dissertation, the cylindrical traverse grinding, which is the universal
manner in the factory, is deeply studied. The grinding force model, workpiece
deflection model, the wheel wear model and workpiece size model are built.
Especially, the intelligent theory is introduced to grinding process. And the
intelligent model of workpiece surface roughness and size and the control of the
deflection, the roughness and the size can be realized.
1. Variable Parameter Optimization Adapt Control of Workpiece Deformation
for Cylindrical Traverse Grinding
In the cylindrical traverse grinding, especially for the slender cylindrical workpiece, the
workpiece will be deformed under the grinding force. Furthermore, the deformation changes
with the wheel position. One of the problems of traverse grinding is how to reduce the
deformation as more as possible. In the conventional traverse grinding process, the workpiece
velocity (Vw) and table feed velocity (Vf) are selected the values that can keep the workpiece
deflection of the smallest stiffness position within the error limit, and the cut depth (?) is also
1
摘 要
made as small as possible. But the selected Vw and Vf are not optimal to the others bigger
stiffness positions. Additionally, minimizing the shape and size error caused by the wheel wear
will require dressing to be performed frequently and this will result in waste of time and money.
Studies on workpiece steady-based control system showed that controlling the steadies to
compensate for the workpiece deformation could greatly reduce the shape error. However, this
would require more workpiece steadies to be present sometimes and the process was relatively
complex.
Therefore, basing on the grinding force model and workpiece deflection model,
breaking the traditional constant velocity control method, this dissertation proposes
a variable parameter optimization adapt control strategy. We can change Vw and Vf
to control workpiece deflection with the wheel grinding position moving along the
workpiece axis because there exists the fix quantify relation between force,
workpiece deflection, Vw and Vf. The grinding time is adopted to be an
optimization function and the optimal values of Vw and Vf to certain wheel reaction
point can be obtained by optimize program. Actually, there exist many uncertain factors
during the grinding process, So an optimization self-adaptive control system is used in
this dissertation.
2. Workpiece Size Intelligent Prediction And Control For Cylindrical
Traverse Grinding
In order to control workpiece size, the size form mechanism is deeply studie
引文
[1] H.K.Tonshoff, B.Karpuschewski,etl.. Grinding Process Achievements and their
Consequences on Machine Tools Challenges and Opportunities. Annals of CIRP
Vol.47/2/1998: pp651-665
[2] S.马尔金[著],蔡光起,巩亚东,宋贵亮[译],磨削技术理论与应用.东北大学出版
社.2002.8:pp1
[3] 诸兴华.磨削原理.机械工业出版社.1988,6:pp3-4
[4] Van der Wal A J.Application of logic control in industry. Fuzzy Set and
Systems.1995,74:pp33-41
[5] Yngishita O, Itch O, Sugeno M.Application of fuzzy reasoning to water purificaion
process. Industrial Applications of Control, North-Holland. 1985:pp19-40
[6] Yasunobu S, Miyamoto S. Automatic train operation by predictive fuzzy control.
Industrial Application of Fuzzy control, North-Holland. 1985:pp1-18
[7] Fujitec F. FLEX-800 series elevator group control system. Fujitec Co.,Ltd, Osaka,
Japan.1988
[8] J.G.Kuschewski, s.Hui,S.H.Zak. Application of feedforward Neural Networks to dynamic
system identification and control. IEEE Trans. on Control sys. Tech.Vol,1.1993:pp37-49.
[9] Chen S,et al. Recursive Hybrid algrithm for non-linear system identification using radial
basis function networks.Int J control.Vol.55,No.5.1992:pp1051-1070
[10] K.S.Narandre and K.Parthasarathy. identification and control dynamic system
using Neural Networks . IEEE Trans. on Neural Networks.Vol 1.1990:pp4-27
[11] Y.Lechu,B.Boser.J.S.DenKer,etc. Backpropagation applied to handwritten zip
code recognition. Neural Computation. Vol.1.1989:pp541-551
[12] Nagai M,Ueda E and Moran A.Nonlinear Design Approach to Four Wheel
Steering system Using Neural Networks.24(1995):pp329-342
[13] Charles C Macadam and Gergory E Johnson. Application of Elementary Neural
Networks and Preview Sensors for Representing Driver Steering Control
Behaviour.Vehicle System Dynamics.25(1996):pp3-30
[14] Hiroshi Ohno,et al.Neural Network Control for Automatic Braking Control
System. Neural Networks.Vol.7 No8. 1994:pp1303-1312
[15] F.c.chen and H.K.Khalil. Adaptive Control of a Class of Nonlinear Discrete-time
System Using Neural Networks.IEEE Trans. on Auto Control. Vol,40.1995:pp791-801
[16] K.S.Narandre and K.Parthasarathy. Neural Networks and dynamic system.Int.J.of
Approximate Reasoning.Vol 6.1992:pp109-131
[17] K.S.Narandre and Mukhopadhyay. Intelligent Control Using Neural Networks.
200
吉林大学博士学位论文
IEEE Trans. on Control sys. Mag.,Vol.12 .1992:pp11-18.
[18] G.A.Rovithakis and M.A.Christodoulou, Adaptive Control of Unknown Plants
Using Dynamical Neural Networks. Neural Networks on Sys.,Man,and
Cybern.Vol.24.1994:pp400-412.
[19] J.Moody and C.Darken. Fast Learning in Network of Locally-tuned Processing
Units. Neural Computation. Vol.1.1989:pp281-294
[20] Mori,Kazuo;Kasashima, et al. Intelligent Vibration Diagnostic System for
Cylindrical Grinding.Proceedings of the 1992 Japan-USA Symposium on Flexible
Automation. Part2(of 2).1992:pp1097-1100
[21] G,J.Trmal,C.B.Zhu and P.S.Midha. An expert system for grinding process
optimization .Journal of Materials Processing Technology,33(1992):pp507-517
[22] Unno,et al. Intelligent machining system.United States Patent 5,473,532.
Dewcember 5,1995
[23] Okino.et al. Control apparatus and control method for machine tools using fuzzy
reasoning. United States Patent 5,402,354. March 28,1995
[24] 刘利 译.磨削加工的智能化.机电一体化.1998,5:pp12-14
[25] Vishnupad,P:Shin,Y.C. Intelligent optimization of Grinding Processes Using
Fuzzy Logic. Proceedingds of the institution of Mechanical Engineers,Part B: Journal of
Engineering Manufacture.V 212,n B8,1998:pp647-660
[26] Shi,J.F.;Hong,Z.C. On-Line Intelligent Identification In Grinding Process Based
On Rough Sets Theory. Key Engineering Materials.V 202-203.2001:pp189-192
[27] Wang.J.B. the Application of Intelligent Fuzzy Control Technique to Grinding
Long-thin Shaft. Key Engineering Materials.V 202-203,2001:pp445-458
[28] Lezanski,Pawel,et. al. An intelligent System for Grinding Process Control and
Optimization. Modern Trends in Manufacturing CAMT Conference.2003:pp231-238
[29] Kwak,J.et al. Intelligent Diagnostic Technique of Machining State for Grinding.
International Journal of Advanced manufacturing Technology,v23,n5-6,2004:pp436-443
[30] T.Warren Liao and L.J.Chen. A neural network approach for grinding
processes:modeling and optimization. Int.J.Mach.Tools Mannufact.Vol.34. No.7,1994:
pp919-937
[31] Zhen Wang,Peter Willet,Paulo R.DeAguiar,John Webster.Neural network detect of
grinding burn from acoustic emission.International Journal of Machine Tools &
Mannufacture.2001,41:pp283-309
[32] Jae-Seob Kwak, et al. Trouble Diagnosis of the Grinding Process by Using
Acoustic Emission Signals. Machine Tools & Manufacture. 41(2001):pp899-913
[33] 梁滨,赵陪炎,徐容葆.磨削过程的模糊控制.磨料磨具与磨削.1994,3:pp37-40
[34] 刘贵杰,宋贵亮,张玮,王宛山.基于多传感器融合的智能磨削加工系统研究.机
械工程师.1999,11:pp43-44
201
参考文献
[35] 董秀林,周福章,史维祥.智能控制型径向切处磨削系统.制造出自动
化.2003,3:pp5-9
[36] 周福章,董秀林.磨削质量智能控制的实现.轴承.2000,12:pp12-40
[37] 严涛,董秀林,周福章,李蕾.基于 FNN 智能型磨削参数决策系统.机床与液
压.1999,4:pp27-29
[38] 严涛. 智能磨削控制系统及其可视化研究. 洛阳工学院硕士学位论
文.1999.2:pp7-18
[39] 董涛,李迎,侯丽雅.磨削温度在线监测与预报系统的建模研究.南京理工大学学
报.2000,10:pp398-401
[40] 董涛,侯丽雅,李迎. 基于人工神经网络的磨削弧区温度在线监测与预报系统.
机电一体化.2000,5:pp36-38
[41] 任敬心,刘红星,李雅卿,屈梁生.用神经网络预测 300M 超高强度钢磨削烧伤.航
空工艺技术.1996,5:pp3-5
[42] 田新诚,徐青,宏敏.一种磨削加工尺寸误差的智能自学习补偿算法及仿真.山东
工业大学学报.2001,4:pp160-164
[43] 贾春玉,李艳文,王茜慧.基于模糊神经网络进行磨削加工尺寸精度智能控制的
研究.燕山大学学报.2001,1:pp80-83
[44] 朱庆保.应用神经网络实现外圆磨削在线无损测控的研究.计量技
术.2000,2:pp3-6
[45] 朱名铨,党志斌.智能制造系统质量控制的神经网络方法研究.航空学
报.1997,9:pp603-606
[46] 杨湃.基于自校正模糊控制器的磨削加工控制系统.计算技术与自动
化.1999,9:pp22-25
[47] 韩春霞.模糊神经网络在磨削表面粗糙度中应用.山东工业大学硕士论
文.1999.1
[48] 赵振宇,徐用懋.模糊理论和神经网络的基础与应用.清华大学出版社,广西科学
技术出版社.1995:pp160~162
[49] Zadeh L.A. Fuzzy sets. Information and Control.1965,8:p338-353
[50] 李土勇.模糊控制·神经控制和智能控制论.哈尔滨工业大学出版社.1998
[51] 王立新.自适应模糊系统与控制.国防科技大学出版社.1995
[52] 刘增良,刘勇才.模糊逻辑与神经网络.北京航空航天大学出版社.1996
[53] 倪春木.一种新型的模糊推理系统及状态预测逆控制.厦门大学硕士论
文.2001,6
[54] 王永骥,涂健.神经元网络控制.机械工业出版社.1998,2
[55] 焦李成.神经网络系统理论.西安电子科技大学出版社.1996,9
[56] 黄显明.糊神经网络技术及其在过程控制中的应用.北京工业大学硕士论
文.2001.5: p11
[57] 张道秧.神经网络智能控制在直流调速系统中的应用.广西师范大学硕士论文.
2002.4 :pp6
[58] 王文成.神经网络及其在汽车工程中的应用研究.北京理工大学出版
社.1998:pp21-27
[59] Mamdani E.H. Application of fuzzy algorithms for control of simple dynamic
plant, Proc IEE-Control and Science.1974,121(12):pp1585-1588
[60] 赵振宇,徐用懋.模糊理论和神经网络的基础与应用.清华大学出版社,广西科学
202
吉林大学博士学位论文
技术出版社.1995:pp170~172
[61] 张道秧.神经网络智能控制在直流调速系统中的应用.广西师范大学硕士论文.
2002.4: pp7
[62] 王文成.神经网络及其在汽车工程中的应用研究.北京理工大学出版
社.1998:pp61-67
[63] 神经模糊网络及其应用. 硕士论文:pp10-11
[64] 赵振宇,徐用懋.模糊理论和神经网络的基础与应用.清华大学出版社,广西科学
技术出版社.1995.
[65] 李国发.外圆磨削过程优化及其控制. 吉林大学博士论文.2002,3:pp11-16
[66] 臼井英治.《切削磨削加工学》.机械工业出出版社. 1982,12:pp466-471
[67] 刘鸿文. 材料力学(上册).高等教育出版社.1985:pp238
[68] 刘鸿文. 材料力学(下册).高等教育出版社.1985:pp74-78
[69] Y.Gao and B.Jones: Control of the Traverse Grinding Process Using Dynamic
active Workpiece Steadies. Int.J.Mach.Tools Manufact. Vol.33(1993):pp231-244
[70] Yongsheng Gao.Experimental Validation of a Dynamic Workpiece Steady Control
Method for Traverse Grinding. Transaction of the ASME.Vol.120,May 1998
[71] 何秀寿.闭环控制力磨削试验研究
[72] 于敏健.外圆磨削模糊控制系统研究.南京理工大学硕士学位论文.1993,3
[73] 冈村健二郎等.纵向磨削工艺研究.精密机械.1983,4
[74] 小野浩二等.理论切削学.现代工学社.1979
[75] Hashimoto.F.,Kanai.A.,and Miyashita,M. Growing mechanism of chatter
viberations in grinding process and chatter stabilization index of grinding wheel. Annals
of CIRP. Vol.33/1.1984:pp259-263
[76] Snoeys.R.Analysis of the static and dynamic stiffness of the grinding wheel
surface.Pro. 9th .MTDR Conf.1968
[77] 王彬等.振动分析基础.吉林工业大学.1990
[78] 崔岸.磨削颤振的非线性及变速抑振的计算机模拟.吉林工业大学硕士学位论
文.1995,2.
[79] 李伯民,赵波.实用磨削技术.机械工业出版社.1996:pp31-32
[80] 盛骤,谢式千,潘承毅等.概率论与数理统计.高等教育出版社.1995.4 PP:261-284
[81] S.M.潘迪特,吴宪民著.李昌琪,荣国俊译.时间序列及系统分析与应用.机械工
业出版社.1990
[82] 陈卓宁等.离散勒让德多项式序列预报控制原理与算法.机械工程学
报.1990,NO.6
[83] 毛宁.小批量零件加工质量数据的动态建模.机械科学与技术.1996,NO.4
[84] 张强.机械加工尺寸预报建模的研究.西北农林科技大学硕士论文.2002,6
[85] 向文江.镗孔尺寸误差建模方法的研究.湖南大学邵阳分校学报,1991,No.1
[86] 向文江.动态线性预报模型的研究.邵阳高等专科学校学报.2000, NO.2
203
参考文献
[87] 赵仲生等.神经网络用干数控系统误差预报补偿技术的研究.西安工业学院学
报.1996,NO.3
[88] 张 强 . 机 械 加 工 尺 寸 预 报 建 模 的 研 究 . 西 北 农 林 科 技 大 学 硕 士 论
文.2002,6 :PP13-24
[89] Azouzi R.On-line prediction of surface finish and deviation in turning using
geneural nerwork base sensor fusion. Int.Mach.Tools Manufact .1997.37(9)
[90] 罗振莹等.制造过程加工误差流及其模型的研究.机械工程学报.1994,NO.l
[91] 王波.机械加工误差的神经网络预测方法.华东船舶工业学院学报.1997,NO.4
[92] 阎平凡等.人工神经网络与模拟进化计算.清华大学出版社.2000
[93] 张吉礼.模糊神经网络控制及其在建筑热工过程中的应用.哈尔滨建筑大学博
士学位论文.1998,12:pp58-60
[94] 李洪兴.从模糊控制的数学本质看模糊逻辑的成功. 模糊系统与数
学.Vol.9,NO.4,1-14
[95] 张吉礼. 模糊神经网络控制及其在建筑热工过程中的应用. 哈尔滨建筑大学
博士学位论文.1998,12:pp43-46
[96] 孙增圻.智能控制理论与技术.清华大学出版社.1997:pp58
[97] 韩春霞.模糊神经网络在磨削表面粗糙度中应用.山东工业大学硕士论
文.1999.1
[98] Nakayama, K. and Shaw, M.C., Study of the Finished Produced in Surface
Grinding. Part2-Analytical. Proc. Instrn Mech.Engrs,182,pt.3K.1966~1967:pp179
[99] Bhateja,C.P.,An Enveloping Profile Approach for the Generation of Ground
Surface Texture. Annals of the CIRP,25/1.1977:pp333
[100] Fletcher,N.P., A Simple Model for Predicting the Possible Surface Roughness of a
Cylindrically Traverse Ground Workpiece when Using Wheels Dressed with Single Point
Diamond Tools.Proceedings of the Twenty-first International Machine Tool Design and
Research Conference.1980:pp329
[101] S.马尔金(著). 蔡光起，巩亚东，宋贵亮(译).磨削技术理论与应用:pp138
[102] 臼井英治.《切削磨削加工学》. 机械工业出出版社. 1982,12:pp489
[103] Snoeys,R.,Peters,J.and Decneut,A. The Significance of Chip Thickness in Grinding.
Annals of the CIRP,23/2.1974:pp227
[104] Kedrov,S.M.,Investigation of Surface Finished in Cylindrical Grinding Operations.
Machines and Tooling,51.1980:pp40
[105] Banerjee,J.K.and Hillier,M.J.,Some Observations on the Effects of Wheel Wearland
on Workpiece Surface Finish during Flat Surface Grinding with Cross-Feed. First World
Conference on Industrial Tribology, New Delhi.1972:pp5
[106] Vicherstaff,T.J. Wheel Wear and Surface Roughness in Cross Feed Surface Grinding .
Int. J.Mach.Tool Des.Res,13.1973:pp183
[107] Y.C.Shin,S.J.Oh and S.A.Coker.Surface Roughness Measurement by Ultrasonic
Sensing for In-Process Monitoring.Journal of Engineering for industry. Vol.177: pp
439-447
[108] Scotta.Coder et al.In-Process Contron of Sureace Roughness Due to Tool Wear Using
a New Ultrasonic System.Int.J.Mach.Manufact. Vol.36. 1996: pp411-422
[109] A Penttinen et al.The impulse response and pressure nearfield of a curved
ULTRASONIC radiator J.Phys.D.Vol.9,1976:pp1547-1557
204
吉林大学博士学位论文
[110] ShiHongbao.Neural Networks and its Applications. Xi'an: Xi'an Jiaotong University
Press.1993(Ch)
[111] HuRuimin,XuZhengquan,YaoTianren. Intelligent neuron models for artificial neural
networks.ACTAElectronicaSinica.1996,24(4):pp86～90(Ch)
[112] YangXiaofan,ChenTinghuai.Inherent meritsand demertitsofartificial neural
networks.ComputerScience.1994,21(2):pp23～26(Ch)
[113] 荣辉 张济世 马信山.前馈网络的一种线性化快速学习算法.清华大学学报(自然
科学版).1998,38(9):pp17-20
[114] K. arnin E D.IEEE Tran. Neural Networks.1990,1:pp239
[115] FuKumi M. Omatu S.IEEE Tran.Neural Networks,1991,2:pp535
[116] 王凌,郑大钟.前向网络的两种混合学习策略.清华大学学报(自然科学
版).1998,38(9):pp95-97
[117] 刘岚.bp 算法样本集的选取和优化.现代计算机.1999,5:pp20-23
[118] 董光平,方敏,王经维.一种优化权初值的综合全局寻优快速 BP 算法. 合肥工业大
学学报(自然科学版).2000,12:pp992-995
[119] 胡耀垓,李凯扬,钟毓宁.一种改进的神经网络 bp 算法. 武汉大学学报(自然科学
版).1999,2:pp25-29
[120] 裴浩东,苏宏业,褚健. bp 算法的改进及其在焊接过程控制中的应用. 浙江大学学
报(工学版).2002,1:pp32-35
[121] 吴小培,费勤云. 一种提高 Bp 算法学习速度的有效途径. 安徽大学学报(自然科
学版).1998,9:pp64-67
[122] 向国全,董道珍.Bp 模型中的激励函数和改进的网络训练法.计算机研究与发
展.Vol.34,No.2.1997:pp113～117
[123] 袁曾任,沈晓峰.加快基于 Bp 算法神经网络学习的新方法.清华大学学报(自然科
学报).Vol.35, No.3.1995:pp1～6
[124] 吴小培,柴晓冬,张德龙.多层前馈网络在图象分割中的应用.电子科学学
刊.Vol.17,No.3. 1995:pp225～231
[125] 王成文. 神经网络及其在汽车工程中的应用研究.北京理工大学出版社.1998
[126] Wang L X. Fuzzy systems are universal approximators.Proc[J]. IEEE Int. Conf.on
Fuzzy Systems, San Diego.1992:pp1163-1170
[127] 刘增良,刘有才.模糊逻辑与神经网络——理论研究与探索.北京航空航天大学出
版社.1996:pp213
[128] 杜文莉.改进的模糊神经网络及其在化工过程中的建模与控制.大连理工大学
硕士学位论文.2000,6
[129] 盛骤,谢式千,潘承毅.概率论与数理统计.高等教育出版社.1995,4:pp264-286
[130] 唐五湘,程桂枝.Excel 在辨识中的应用.电子工业出版社.2001,10
[131] MATLAB 辅助模糊系统设计.pp130
[132] 孟繁禹.外圆纵向智能磨削表面粗糙度的在线检测研究.吉林大学硕士论
205
参考文献
文.2004:pp43-53
[133] 李国发.外圆磨削过程优化及其控制. 吉林大学博士论文.2002,3:pp82-83
[134] 李洪兴.变论域自适应模糊控制器.中国科学(E).1999,1:pp32-42
[135] 李洪兴.fuzzy 控制的本质与一类高精度 fuzzy 控制器的设计. 控制理论与应
用.1997,6:pp868-872
Consequences on Machine Tools Challenges and Opportunities. Annals of CIRP
Vol.47/2/1998: pp651-665
[2] S.马尔金[著],蔡光起,巩亚东,宋贵亮[译],磨削技术理论与应用.东北大学出版
社.2002.8:pp1
[3] 诸兴华.磨削原理.机械工业出版社.1988,6:pp3-4
[4] Van der Wal A J.Application of logic control in industry. Fuzzy Set and
Systems.1995,74:pp33-41
[5] Yngishita O, Itch O, Sugeno M.Application of fuzzy reasoning to water purificaion
process. Industrial Applications of Control, North-Holland. 1985:pp19-40
[6] Yasunobu S, Miyamoto S. Automatic train operation by predictive fuzzy control.
Industrial Application of Fuzzy control, North-Holland. 1985:pp1-18
[7] Fujitec F. FLEX-800 series elevator group control system. Fujitec Co.,Ltd, Osaka,
Japan.1988
[8] J.G.Kuschewski, s.Hui,S.H.Zak. Application of feedforward Neural Networks to dynamic
system identification and control. IEEE Trans. on Control sys. Tech.Vol,1.1993:pp37-49.
[9] Chen S,et al. Recursive Hybrid algrithm for non-linear system identification using radial
basis function networks.Int J control.Vol.55,No.5.1992:pp1051-1070
[10] K.S.Narandre and K.Parthasarathy. identification and control dynamic system
using Neural Networks . IEEE Trans. on Neural Networks.Vol 1.1990:pp4-27
[11] Y.Lechu,B.Boser.J.S.DenKer,etc. Backpropagation applied to handwritten zip
code recognition. Neural Computation. Vol.1.1989:pp541-551
[12] Nagai M,Ueda E and Moran A.Nonlinear Design Approach to Four Wheel
Steering system Using Neural Networks.24(1995):pp329-342
[13] Charles C Macadam and Gergory E Johnson. Application of Elementary Neural
Networks and Preview Sensors for Representing Driver Steering Control
Behaviour.Vehicle System Dynamics.25(1996):pp3-30
[14] Hiroshi Ohno,et al.Neural Network Control for Automatic Braking Control
System. Neural Networks.Vol.7 No8. 1994:pp1303-1312
[15] F.c.chen and H.K.Khalil. Adaptive Control of a Class of Nonlinear Discrete-time
System Using Neural Networks.IEEE Trans. on Auto Control. Vol,40.1995:pp791-801
[16] K.S.Narandre and K.Parthasarathy. Neural Networks and dynamic system.Int.J.of
Approximate Reasoning.Vol 6.1992:pp109-131
[17] K.S.Narandre and Mukhopadhyay. Intelligent Control Using Neural Networks.
200
吉林大学博士学位论文
IEEE Trans. on Control sys. Mag.,Vol.12 .1992:pp11-18.
[18] G.A.Rovithakis and M.A.Christodoulou, Adaptive Control of Unknown Plants
Using Dynamical Neural Networks. Neural Networks on Sys.,Man,and
Cybern.Vol.24.1994:pp400-412.
[19] J.Moody and C.Darken. Fast Learning in Network of Locally-tuned Processing
Units. Neural Computation. Vol.1.1989:pp281-294
[20] Mori,Kazuo;Kasashima, et al. Intelligent Vibration Diagnostic System for
Cylindrical Grinding.Proceedings of the 1992 Japan-USA Symposium on Flexible
Automation. Part2(of 2).1992:pp1097-1100
[21] G,J.Trmal,C.B.Zhu and P.S.Midha. An expert system for grinding process
optimization .Journal of Materials Processing Technology,33(1992):pp507-517
[22] Unno,et al. Intelligent machining system.United States Patent 5,473,532.
Dewcember 5,1995
[23] Okino.et al. Control apparatus and control method for machine tools using fuzzy
reasoning. United States Patent 5,402,354. March 28,1995
[24] 刘利 译.磨削加工的智能化.机电一体化.1998,5:pp12-14
[25] Vishnupad,P:Shin,Y.C. Intelligent optimization of Grinding Processes Using
Fuzzy Logic. Proceedingds of the institution of Mechanical Engineers,Part B: Journal of
Engineering Manufacture.V 212,n B8,1998:pp647-660
[26] Shi,J.F.;Hong,Z.C. On-Line Intelligent Identification In Grinding Process Based
On Rough Sets Theory. Key Engineering Materials.V 202-203.2001:pp189-192
[27] Wang.J.B. the Application of Intelligent Fuzzy Control Technique to Grinding
Long-thin Shaft. Key Engineering Materials.V 202-203,2001:pp445-458
[28] Lezanski,Pawel,et. al. An intelligent System for Grinding Process Control and
Optimization. Modern Trends in Manufacturing CAMT Conference.2003:pp231-238
[29] Kwak,J.et al. Intelligent Diagnostic Technique of Machining State for Grinding.
International Journal of Advanced manufacturing Technology,v23,n5-6,2004:pp436-443
[30] T.Warren Liao and L.J.Chen. A neural network approach for grinding
processes:modeling and optimization. Int.J.Mach.Tools Mannufact.Vol.34. No.7,1994:
pp919-937
[31] Zhen Wang,Peter Willet,Paulo R.DeAguiar,John Webster.Neural network detect of
grinding burn from acoustic emission.International Journal of Machine Tools &
Mannufacture.2001,41:pp283-309
[32] Jae-Seob Kwak, et al. Trouble Diagnosis of the Grinding Process by Using
Acoustic Emission Signals. Machine Tools & Manufacture. 41(2001):pp899-913
[33] 梁滨,赵陪炎,徐容葆.磨削过程的模糊控制.磨料磨具与磨削.1994,3:pp37-40
[34] 刘贵杰,宋贵亮,张玮,王宛山.基于多传感器融合的智能磨削加工系统研究.机
械工程师.1999,11:pp43-44
201
参考文献
[35] 董秀林,周福章,史维祥.智能控制型径向切处磨削系统.制造出自动
化.2003,3:pp5-9
[36] 周福章,董秀林.磨削质量智能控制的实现.轴承.2000,12:pp12-40
[37] 严涛,董秀林,周福章,李蕾.基于 FNN 智能型磨削参数决策系统.机床与液
压.1999,4:pp27-29
[38] 严涛. 智能磨削控制系统及其可视化研究. 洛阳工学院硕士学位论
文.1999.2:pp7-18
[39] 董涛,李迎,侯丽雅.磨削温度在线监测与预报系统的建模研究.南京理工大学学
报.2000,10:pp398-401
[40] 董涛,侯丽雅,李迎. 基于人工神经网络的磨削弧区温度在线监测与预报系统.
机电一体化.2000,5:pp36-38
[41] 任敬心,刘红星,李雅卿,屈梁生.用神经网络预测 300M 超高强度钢磨削烧伤.航
空工艺技术.1996,5:pp3-5
[42] 田新诚,徐青,宏敏.一种磨削加工尺寸误差的智能自学习补偿算法及仿真.山东
工业大学学报.2001,4:pp160-164
[43] 贾春玉,李艳文,王茜慧.基于模糊神经网络进行磨削加工尺寸精度智能控制的
研究.燕山大学学报.2001,1:pp80-83
[44] 朱庆保.应用神经网络实现外圆磨削在线无损测控的研究.计量技
术.2000,2:pp3-6
[45] 朱名铨,党志斌.智能制造系统质量控制的神经网络方法研究.航空学
报.1997,9:pp603-606
[46] 杨湃.基于自校正模糊控制器的磨削加工控制系统.计算技术与自动
化.1999,9:pp22-25
[47] 韩春霞.模糊神经网络在磨削表面粗糙度中应用.山东工业大学硕士论
文.1999.1
[48] 赵振宇,徐用懋.模糊理论和神经网络的基础与应用.清华大学出版社,广西科学
技术出版社.1995:pp160~162
[49] Zadeh L.A. Fuzzy sets. Information and Control.1965,8:p338-353
[50] 李土勇.模糊控制·神经控制和智能控制论.哈尔滨工业大学出版社.1998
[51] 王立新.自适应模糊系统与控制.国防科技大学出版社.1995
[52] 刘增良,刘勇才.模糊逻辑与神经网络.北京航空航天大学出版社.1996
[53] 倪春木.一种新型的模糊推理系统及状态预测逆控制.厦门大学硕士论
文.2001,6
[54] 王永骥,涂健.神经元网络控制.机械工业出版社.1998,2
[55] 焦李成.神经网络系统理论.西安电子科技大学出版社.1996,9
[56] 黄显明.糊神经网络技术及其在过程控制中的应用.北京工业大学硕士论
文.2001.5: p11
[57] 张道秧.神经网络智能控制在直流调速系统中的应用.广西师范大学硕士论文.
2002.4 :pp6
[58] 王文成.神经网络及其在汽车工程中的应用研究.北京理工大学出版
社.1998:pp21-27
[59] Mamdani E.H. Application of fuzzy algorithms for control of simple dynamic
plant, Proc IEE-Control and Science.1974,121(12):pp1585-1588
[60] 赵振宇,徐用懋.模糊理论和神经网络的基础与应用.清华大学出版社,广西科学
202
吉林大学博士学位论文
技术出版社.1995:pp170~172
[61] 张道秧.神经网络智能控制在直流调速系统中的应用.广西师范大学硕士论文.
2002.4: pp7
[62] 王文成.神经网络及其在汽车工程中的应用研究.北京理工大学出版
社.1998:pp61-67
[63] 神经模糊网络及其应用. 硕士论文:pp10-11
[64] 赵振宇,徐用懋.模糊理论和神经网络的基础与应用.清华大学出版社,广西科学
技术出版社.1995.
[65] 李国发.外圆磨削过程优化及其控制. 吉林大学博士论文.2002,3:pp11-16
[66] 臼井英治.《切削磨削加工学》.机械工业出出版社. 1982,12:pp466-471
[67] 刘鸿文. 材料力学(上册).高等教育出版社.1985:pp238
[68] 刘鸿文. 材料力学(下册).高等教育出版社.1985:pp74-78
[69] Y.Gao and B.Jones: Control of the Traverse Grinding Process Using Dynamic
active Workpiece Steadies. Int.J.Mach.Tools Manufact. Vol.33(1993):pp231-244
[70] Yongsheng Gao.Experimental Validation of a Dynamic Workpiece Steady Control
Method for Traverse Grinding. Transaction of the ASME.Vol.120,May 1998
[71] 何秀寿.闭环控制力磨削试验研究
[72] 于敏健.外圆磨削模糊控制系统研究.南京理工大学硕士学位论文.1993,3
[73] 冈村健二郎等.纵向磨削工艺研究.精密机械.1983,4
[74] 小野浩二等.理论切削学.现代工学社.1979
[75] Hashimoto.F.,Kanai.A.,and Miyashita,M. Growing mechanism of chatter
viberations in grinding process and chatter stabilization index of grinding wheel. Annals
of CIRP. Vol.33/1.1984:pp259-263
[76] Snoeys.R.Analysis of the static and dynamic stiffness of the grinding wheel
surface.Pro. 9th .MTDR Conf.1968
[77] 王彬等.振动分析基础.吉林工业大学.1990
[78] 崔岸.磨削颤振的非线性及变速抑振的计算机模拟.吉林工业大学硕士学位论
文.1995,2.
[79] 李伯民,赵波.实用磨削技术.机械工业出版社.1996:pp31-32
[80] 盛骤,谢式千,潘承毅等.概率论与数理统计.高等教育出版社.1995.4 PP:261-284
[81] S.M.潘迪特,吴宪民著.李昌琪,荣国俊译.时间序列及系统分析与应用.机械工
业出版社.1990
[82] 陈卓宁等.离散勒让德多项式序列预报控制原理与算法.机械工程学
报.1990,NO.6
[83] 毛宁.小批量零件加工质量数据的动态建模.机械科学与技术.1996,NO.4
[84] 张强.机械加工尺寸预报建模的研究.西北农林科技大学硕士论文.2002,6
[85] 向文江.镗孔尺寸误差建模方法的研究.湖南大学邵阳分校学报,1991,No.1
[86] 向文江.动态线性预报模型的研究.邵阳高等专科学校学报.2000, NO.2
203
参考文献
[87] 赵仲生等.神经网络用干数控系统误差预报补偿技术的研究.西安工业学院学
报.1996,NO.3
[88] 张 强 . 机 械 加 工 尺 寸 预 报 建 模 的 研 究 . 西 北 农 林 科 技 大 学 硕 士 论
文.2002,6 :PP13-24
[89] Azouzi R.On-line prediction of surface finish and deviation in turning using
geneural nerwork base sensor fusion. Int.Mach.Tools Manufact .1997.37(9)
[90] 罗振莹等.制造过程加工误差流及其模型的研究.机械工程学报.1994,NO.l
[91] 王波.机械加工误差的神经网络预测方法.华东船舶工业学院学报.1997,NO.4
[92] 阎平凡等.人工神经网络与模拟进化计算.清华大学出版社.2000
[93] 张吉礼.模糊神经网络控制及其在建筑热工过程中的应用.哈尔滨建筑大学博
士学位论文.1998,12:pp58-60
[94] 李洪兴.从模糊控制的数学本质看模糊逻辑的成功. 模糊系统与数
学.Vol.9,NO.4,1-14
[95] 张吉礼. 模糊神经网络控制及其在建筑热工过程中的应用. 哈尔滨建筑大学
博士学位论文.1998,12:pp43-46
[96] 孙增圻.智能控制理论与技术.清华大学出版社.1997:pp58
[97] 韩春霞.模糊神经网络在磨削表面粗糙度中应用.山东工业大学硕士论
文.1999.1
[98] Nakayama, K. and Shaw, M.C., Study of the Finished Produced in Surface
Grinding. Part2-Analytical. Proc. Instrn Mech.Engrs,182,pt.3K.1966~1967:pp179
[99] Bhateja,C.P.,An Enveloping Profile Approach for the Generation of Ground
Surface Texture. Annals of the CIRP,25/1.1977:pp333
[100] Fletcher,N.P., A Simple Model for Predicting the Possible Surface Roughness of a
Cylindrically Traverse Ground Workpiece when Using Wheels Dressed with Single Point
Diamond Tools.Proceedings of the Twenty-first International Machine Tool Design and
Research Conference.1980:pp329
[101] S.马尔金(著). 蔡光起，巩亚东，宋贵亮(译).磨削技术理论与应用:pp138
[102] 臼井英治.《切削磨削加工学》. 机械工业出出版社. 1982,12:pp489
[103] Snoeys,R.,Peters,J.and Decneut,A. The Significance of Chip Thickness in Grinding.
Annals of the CIRP,23/2.1974:pp227
[104] Kedrov,S.M.,Investigation of Surface Finished in Cylindrical Grinding Operations.
Machines and Tooling,51.1980:pp40
[105] Banerjee,J.K.and Hillier,M.J.,Some Observations on the Effects of Wheel Wearland
on Workpiece Surface Finish during Flat Surface Grinding with Cross-Feed. First World
Conference on Industrial Tribology, New Delhi.1972:pp5
[106] Vicherstaff,T.J. Wheel Wear and Surface Roughness in Cross Feed Surface Grinding .
Int. J.Mach.Tool Des.Res,13.1973:pp183
[107] Y.C.Shin,S.J.Oh and S.A.Coker.Surface Roughness Measurement by Ultrasonic
Sensing for In-Process Monitoring.Journal of Engineering for industry. Vol.177: pp
439-447
[108] Scotta.Coder et al.In-Process Contron of Sureace Roughness Due to Tool Wear Using
a New Ultrasonic System.Int.J.Mach.Manufact. Vol.36. 1996: pp411-422
[109] A Penttinen et al.The impulse response and pressure nearfield of a curved
ULTRASONIC radiator J.Phys.D.Vol.9,1976:pp1547-1557
204
吉林大学博士学位论文
[110] ShiHongbao.Neural Networks and its Applications. Xi'an: Xi'an Jiaotong University
Press.1993(Ch)
[111] HuRuimin,XuZhengquan,YaoTianren. Intelligent neuron models for artificial neural
networks.ACTAElectronicaSinica.1996,24(4):pp86～90(Ch)
[112] YangXiaofan,ChenTinghuai.Inherent meritsand demertitsofartificial neural
networks.ComputerScience.1994,21(2):pp23～26(Ch)
[113] 荣辉 张济世 马信山.前馈网络的一种线性化快速学习算法.清华大学学报(自然
科学版).1998,38(9):pp17-20
[114] K. arnin E D.IEEE Tran. Neural Networks.1990,1:pp239
[115] FuKumi M. Omatu S.IEEE Tran.Neural Networks,1991,2:pp535
[116] 王凌,郑大钟.前向网络的两种混合学习策略.清华大学学报(自然科学
版).1998,38(9):pp95-97
[117] 刘岚.bp 算法样本集的选取和优化.现代计算机.1999,5:pp20-23
[118] 董光平,方敏,王经维.一种优化权初值的综合全局寻优快速 BP 算法. 合肥工业大
学学报(自然科学版).2000,12:pp992-995
[119] 胡耀垓,李凯扬,钟毓宁.一种改进的神经网络 bp 算法. 武汉大学学报(自然科学
版).1999,2:pp25-29
[120] 裴浩东,苏宏业,褚健. bp 算法的改进及其在焊接过程控制中的应用. 浙江大学学
报(工学版).2002,1:pp32-35
[121] 吴小培,费勤云. 一种提高 Bp 算法学习速度的有效途径. 安徽大学学报(自然科
学版).1998,9:pp64-67
[122] 向国全,董道珍.Bp 模型中的激励函数和改进的网络训练法.计算机研究与发
展.Vol.34,No.2.1997:pp113～117
[123] 袁曾任,沈晓峰.加快基于 Bp 算法神经网络学习的新方法.清华大学学报(自然科
学报).Vol.35, No.3.1995:pp1～6
[124] 吴小培,柴晓冬,张德龙.多层前馈网络在图象分割中的应用.电子科学学
刊.Vol.17,No.3. 1995:pp225～231
[125] 王成文. 神经网络及其在汽车工程中的应用研究.北京理工大学出版社.1998
[126] Wang L X. Fuzzy systems are universal approximators.Proc[J]. IEEE Int. Conf.on
Fuzzy Systems, San Diego.1992:pp1163-1170
[127] 刘增良,刘有才.模糊逻辑与神经网络——理论研究与探索.北京航空航天大学出
版社.1996:pp213
[128] 杜文莉.改进的模糊神经网络及其在化工过程中的建模与控制.大连理工大学
硕士学位论文.2000,6
[129] 盛骤,谢式千,潘承毅.概率论与数理统计.高等教育出版社.1995,4:pp264-286
[130] 唐五湘,程桂枝.Excel 在辨识中的应用.电子工业出版社.2001,10
[131] MATLAB 辅助模糊系统设计.pp130
[132] 孟繁禹.外圆纵向智能磨削表面粗糙度的在线检测研究.吉林大学硕士论
205
参考文献
文.2004:pp43-53
[133] 李国发.外圆磨削过程优化及其控制. 吉林大学博士论文.2002,3:pp82-83
[134] 李洪兴.变论域自适应模糊控制器.中国科学(E).1999,1:pp32-42
[135] 李洪兴.fuzzy 控制的本质与一类高精度 fuzzy 控制器的设计. 控制理论与应
用.1997,6:pp868-872