利用TensorFlow机器学习框架建立了前馈神经网络模型,以三个切削参数作为输入变量,分别是刀具切削深度ap、切削速度vc和进给量f,输出变量是表征工件表面粗糙度的三个指标,即轮廓算数平均偏差Ra、轮廓最大高度Ry或微观不平度十点高度Rz。利用数控车床加工数据对神经网络进行训练,训练好的网络可以用来预测工件的表面粗糙度。预测结果表明基于TensorFlow框架的表面粗糙度预测方法具有建模方便和精度高的特点,因此提出的方法对车削工艺的智能化编制有一定的参考价值。

运动副的效率可以用功或力的方法来进行描述,渐开线齿轮副的啮合效率计算同样如此。首先,以节点和齿廓接触点间的距离为变量,分别从功和力的角度推导出了齿廓啮合的瞬时效率;然后,将瞬时效率在实际啮合线上进行平均,得到两种方法下的齿轮副啮合效率的表达式;最后,结合数值算例对两种方法进行了对比研究,分析了传动比、小齿轮齿数及齿面摩擦因数对齿轮副啮合效率的影响。结果表明,基于力的齿轮副啮合效率计算方法更为合理。