1-切削参数优化模型的建立

切削参数优化模型的建立

1.1 优化变量确定

在数控切削加工中，切削速度c v 、进给量f 和切削深度sp a 称为切削用量三

要素[11]。这三要素是主要的优化变量，但由于切削深度对刀具耐磨度的影响较切削速度和进给量要小，而且在车削加工时，切削深度可根据工件余量和具体的加工要求来确定,本文视为已知量，不进行优化。因此，优化变量主要为切削速度v c 和进给量f 。

1.2 优化目标函数

本文主要从高效(加工时间短)、低碳(碳排放少)两大方面对加工过程进行优化，优化目标为时间和碳排放。

1.2.1 切削加工过程时间函数

一个工序加工过程的加工工时包括切削时间、换刀时间、工序辅助时间。最短加工工时的切削用量可实现最高的生产效率(高效)。加工过程时间函数的数学模型可表示为[13]

ot t T

m t ct t m t P T +?+= （1） sp

V

sp V m fa d L nfa L c 01000v t π?=?= （2） 泰勒广义刀具的耐用度计算公式为[14] z sp

T a C T y c x f v = （3） 式中，m t 是工序切削时间，ct t 是换刀一次所用时间，ot t 是除换刀外其他辅助时间，T 是刀具寿命，W L 是加工长度，Δ是加工余量，n 是主轴转速，0d 是工件直径，c v 是切削速度，f 是进给量，sp a 是切削深度，T C 是与切削条件有关的常数，x,y,z 是刀具寿命系数，则加工过程时间函数为

ot T

z sp y x c w ct sp c w P t C a f v L d t fa v L T +?+?=---10001000d 11100ππ （4）

1.2.2 切削加工过程碳排放函数

切削加工过程的碳排放主要包括加工过程消耗原材料引起的碳排放m C 、消耗电能引起的碳排放e C 、加工过程中所用辅助物料（如刀具使用产生的碳排放t C 和切削液使用产生的碳排放C C ）以及由加工过程产生切屑的后期处理引起的碳排放S C ，如图1所示，

图1 切削加工过程碳排放构成图

加工过程产生的废屑的后期处理一般是在加工完成后进行。因此，废屑处理碳排放s C 优化力度有限，因此,对于切削参数优化问题,碳排放主要应考虑切削加工过程中电能消耗引起的碳排放e C ，刀具使用引起的碳排放t C ，切削液使用引起的碳排放c C （如果是干式加工，则无），机床使用引起的碳排放J C 和原材料引起的碳排放m C ，则切削加工过程碳排放p C 可以表示为上述四部分碳排放之和，如式(5)所示

h m J C t P C C C C C C C +++++=e (5)

（一）电能引起的碳排放e C 。

在数控加工过程中，需要消耗大量电能。数控加工过程由于电能消耗而引起的碳排放计算如下

e e E F C =e (6)

式中，e F 表示电能的碳排放因子（kwh kgco 2），e E 表示加工过程电能消耗

量。

电能碳排放因子e F 与电网的构成有着密切的关系，不同的电网的碳排放因

子不同。中国发改委应对气候变化司每年都会公布中国几大电网的碳排放因子的数据,如表1 是2009 年公布的中国几大电网的排放因子[15]。本文在计算电能碳排放时采用几大电网排放因子的平均值作为电能碳排放因子。

加工过程电能消耗能量e E 的确定。在数控机床加工过程时间段p T 内，机床的状态可分为加工和空载两种状态。刘飞等[16]研究指出机床由空载状态(0=C P )变为加工状态(0≠C P )时,即系统处于负载时,会产生附加损耗功率a P 。机床总的输入功率i P 分为三部分:空载功率u P 、切削功率C P 、附加载荷损耗功a P 。机床动态运行时功率平衡方程如下

)t ()()()(i a c u P t P t P t P ++= （7） 机床在实际运行过程中，由于切削力的变化,电压的波动及其他随机因素的影响,机床的运行状态随时都处在不断变化之中。因此，机床的实际运行过程是一动态过程。根据机床动态运行时的功率平衡方程可得到机床动态运行时能量平衡方程如下

????++==m

m P P

t a t C T u T i dt t P dt t P dt P dt t P E 0000e )()()t ()( （8） 对于一台机床来说,当其主轴在某一固定的转速下稳态运行且负载一定时，其总的输入功率、空载功率、切削功率、附加载荷功率是一恒定值[17](含有微小波动,可忽略不计),则上述机床动态运行能量平衡方程可以转化为

（9）

实际加工过程中，机床空载功率与传动路线长短、润滑状况及主轴转速有着密切的关系，在传动路线及润滑状况相同的情况下，机床空载功率与主轴转速n 近似成二次函数变化关系，如下

（10）

式中，0u P 是最低空载功率，1A ,2A 是主轴转速系数，0u P 、1A 、2A 的确定方法可参考文献

[18]。由此就可以确定机床空载功率和主轴转速的函数关系。

实际加工过程中，切削功率C P 简化计算如下[11]

（11）

（12） 式中,C P 表示切削力,c V 表示切削速度，FC K ,FC C ,FC x , FC y ,FC n 表示与工件材料和切削条件有关的系数,可查阅切削用量手册得到。

对于负载时的附加载荷损耗功率a P ,其附加损耗机理十分复杂,一般无法通过理论计算准确获得其函数关系,刘飞等[14]指出其附加载荷损耗与载荷成近似的线性比例关系为

（13）

在工程实际应用中，负载载荷损耗系数m b 常常凭经验取0.15~0.25的常数。本文计算时取值为0.20。

综合上述分析,并结合式(9)~(13),可得切削速度c V 为时,加工过程能耗

（14）

（二）机床生命周期各阶段碳排放J C

（1）机床制造阶段碳排放

机床制造阶段的碳排放主要包括机床零部件原材料的碳排放和制造装备过程能源消耗发生的碳排放。从机床构成而言,机床基础部件、运动部件等铸铁或钢质部件占普通机床重量的95%左右,占数控机床的90%左右,是机床原材料碳排放的主体。其中基础部件(如床身、立柱等) 采用铸铁材料制造,主轴、丝杆等传动零部件采用钢材制造,部分零部件采用金属合金材料。机床原材料清单可以根据机床制造企业的物料清单( Bill of Material , BOM ) 进行统计, 材料

碳排放系数可以根据政府间气候变化专业委员会( Inter govenmental Panel of Climate Change ,PCC ) 及我国统计局发布的各种关于初级材料生产排放数据计算[ 2 , 10 ]

（15）

式中：i Q 为第i 种原材料的消耗量；i EF 为第i 种原材料的碳排放系数；D 为机床所消耗原材料的种类。

机床产品制造过程包括零部件机加工与整机装配:在零部件加工的过程中可能涉及铸造、挤塑、 冲压、冷/热轧、车削、铣削、磨削、表面硬化、退火和回火等制造工艺。据统计，在机械制造工艺过程中，碳排放主要来源于电能的消耗

[ 11 ]。因此本文在计算机床制造工艺过程的碳排放时, 重点考虑工艺电能消耗所导致的碳排放。对于冲压等塑性变形工艺的碳排放, 可以根据该工艺的载能耗( embodied energy ) 计算[ 12 ]；对于车削、铣削、表面硬化、退火及回火等工艺的能耗，则可根据该工艺的比能耗( specific energy )计算[ 11 ]。装配过程能耗调研一段时间内装配车间的总能耗、各种型号机床的装配工时定额和装配量后，按工时定额或装配量进行分配。在计算电能消耗的碳排放时，电能碳排放系数根据2008 年我国电力结构[ 13 ]及2050 年中国能源和碳排放研究课题组提供的火力发电排放系数[ 14 ]计算得到，取为2.41 kgCO 2-e/kWh(消耗一度电排放2.41 千克二氧化碳当量的温室气体)。因此该过程碳排放计算可以简化为式( 16 ), 其中包含了三部分碳排放, 即塑性变形等工艺的碳排放、切削等工艺的碳排放及装配碳排放。

（16）

式中：1N 为塑性变形等工艺的种类；2N 为切削等工艺的种类；ij W 为采取第

j 种塑性变形工艺第i 种材料的重量,可根据产品的BOM 表进行统计；embodied ij

E 为第i 种材料进行第j 种塑性变形工艺的能耗；ij

V 为采取第j 种工艺的第i 种材料的去除量或处理量，可根据产品的BOM 表及加工余量进行计算；specific ij E 为第i 种材料进

行第j 种工艺的比能耗；0E 为装配车间总能耗；0T 为当前计算机床的装配工时定额；k n 为第k 种机床的装配量；k T 为第k 种型号机床的装配工时定额；elec EF 为我国电力碳排放系数。

( 2 ) 机床使用阶段碳排放

机床使用阶段能源消耗主要来源于两部分，即机床运行能耗和所处车间外围设备( 如电灯、中央空调等)能耗。机床运行能耗主要由加工时间和机床运行功率决定，其中工件加工时间t 由工件装卸等辅助加工时间t1与切削时间t2两部分组成。如图1所示,机床运行能耗E 分为常值能耗、变值能耗和切削能耗三部分[ 11 , 15 ]。

,

图1 机床运行过程能耗分布

在机床运行过程中，机床冷却润滑系统、控制系统、照明系统等辅助系统电能消耗构成了机床的常值能耗，机床的驱动系统等能耗构成了变值能耗，常值能耗与变值能耗是机床运行所需的最小能耗，与切削过程无关。切削能耗主要与切削零件的材料种类、材料去除率及刀具类型有关，且由图1可知切削能耗随负载的增大而增大。如式(17)所示，变值能耗由稳态变值能耗steady V E -和过度态变值能耗trans v E -两部分组成[ 11 ]。其中，稳态变值能耗指主轴与进给轴速度达到需求值时, 即系统稳定工作时的能耗；过度态变量能耗指主轴与进给轴启停过程加速或

减速时的耗能。

（17）

用于支持机床运行的外围设备的能耗根据工厂生态足迹的方法确定，即根据机床操作需求面积占车间总面积的比例，将车间总外围设备能耗分配给机床。因此机床使用阶段的碳排放可以用简化公式( 式( 18 )) 表示，式中由于机床切削能耗随负载的增大而增大，实际计算时取其最大值估算。

（18） 式中；con E 为机床运行常值能耗；con P 为机床运行常值功率；var E 为机床运行变值能耗；var P 为机床运行变值功率；cut E 为机床切削能耗；cut P 为机床的切削功率； operation equip A 为机床的操作面积；shop A 为机床所在车间的面积；shop E 为机床所在车

间的外围设备能耗。

( 3 ) 运输阶段碳排放

在机床生命周期内，机床制造过程需要运输原材料、外购零部件等，由于材料来源地的多样性及不确定性，运输阶段的碳排放只考虑了机床产品的运输，运输距离为制造商至用户所在地之间的距离。机床的运输碳排放CE T 为

(19)

式中:CE T 为机床运输阶段碳排放；0K 为运输过程中采用的运输方式的种类，如船运、铁路、汽车等；t F 为采用第t 种运输方式运输机床的总吨公里数；t TE 为第t 种运输方式每吨公里的碳排放量。

( 4 ) 机床回收处理阶段碳排放

机床是一种回收处理价值很高的机电产品，其主要形式为再制造。通过再制造可实现80% 重量的机床零部件得到回收利用，替代新零部件的制造。此外，通过材料回收也可以实现一部分的资源回收利用。因此，该阶段由于通过再制造等回收处理方式为机床制造业提供了原材料，降低了其生命周期的碳排放量，

（20）

式中：CE R 为机床回收处理阶段的碳排放；rm D 为再制造零部件种类数；rm i RM 为再制造替代新零部件的碳排放量；i RM 为零部件再制造过程的碳排放量；rc D 为机床回收材料的种类数；rc

j RC 为回收材料的碳排放量；j RC 为材料回收过程

的碳排放量。

综合以上分析, 机床生命周期碳排放的计算公式可以表达为

CE CE CE CE CE J R T U P M C ++++= （21）

（三）刀具使用碳排放

一般来说，数控加工过程中，刀具引起的直接碳排放较小，主要是间接碳排放，即刀具制备过程的碳排放在使用过程的分摊。因此，刀具碳排放计算采用在其寿命周期内按时间标准折算到加工过程的分配方法，具体计算方法如下

（22）

式中，t F 表示刀具的碳排放因子(kgCO 2/kg)，t W 表示刀具质量。

确定刀具碳排放因子t F ，需要知道刀具制备过程的能耗情况，对于刀具制备过程能耗问题，RAJEMI 等[11]分两种情形考虑了刀具制备的能量消耗情况:情形1 是考虑刀具生产所需材料载能量与刀具生产工艺过程能耗总和情况；情形2 是只考虑刀具生产工艺过程的能耗情况,同时指出常用车刀单个刀片的平均质量为9.5 g,具体结果如表2 所示。

根据上述两种情况下的刀具制备能耗状况和单个刀片的平均质量，结合电能的碳排放因子0.674 7 kgCO 2/kWh (1kWh=3.6 MJ)，计算可得情形1和情形2下刀具的碳排放因子分别为104.6kgCO 2/kg,29.6 kgCO 2/kg 。本文在计算时采用情形2 只考虑刀具制造过程的刀具碳排放因子29.6kgCO 2/kg 。

刀具寿命Tt 是指一把新刀具到报废为止所经历的切削时间，其中可能包含多次重磨(重磨次数以N 表示)时间，所以刀具寿命等于刀具寿命和(N+1)的乘积，即

（23） 对于刀具寿命T ，可由式（3）求得。

（四）切削液使用碳排放。

切削液种类很多,主要分为水溶性(水基)液和非水溶性(油基)液两大类。本文在计算切削液引起的碳排放时，主要考虑数控加工过程最常用的水基切削液。切削液引起的碳排放主要考虑两部分：纯的矿物油制备引起的碳排放(Co)和切削液废弃后处理引起的碳排放(Cw)。由于切削液更换周期一般较长，对某具体的加工过程来说，切削液引起的碳排放计算方法与刀具碳排放一样，采用在其更换周期内按时间标准折算到加工过程的方法，则由切削液引起的碳排放计算如下

（24）

（25）

（26） 式中,Fo 表示纯矿物油排放因子，Fw 表示废切削液处理碳排放因子，C C 表示初始切削油用量，A C 表示附加切削油用量，d 为切削液浓度，Tc 为切削液更换周期。

对于切削液碳排放因子，分为两部分考虑：一是配置切削液所需的纯的矿物油制备碳排放因子Fo ；二是废切削液处理的碳排放因子Fw 。对于纯的矿物油制备碳排放因子Fo ，其碳排放因子计算公式如下

（27） 式中,EO E 是矿物油的内含能值(GJ/L),CO E 是矿物油的缺省碳含量(kgC/GJ)。一般油类物质内含能值为41868--42705 kJ/kg(计算时取平均42287 kJ/kg)，油类物质缺省碳排放因子为20kgC/GJ[19]，常温常压下油类物质的密度为0.86--0.98 3cm g (计算时取平均值0.923

cm g ),计算可得矿物油的碳排放因子为2.85kgCO 2/L 。

对于废切削液处理碳排放因子Fw ，由于水基切削液浓度一般较低(3%~5%)，废切削液的主要成分是水。为方便计算,可采用废水处理的碳排放因子代替废切削液处理的碳排放因子。废水处理碳排放因子的确定方法可参考文献[19]，文献

[20]给出废水处理的碳排放因子为0.2 kgCO 2 /L 。本文计算时采用该值。

切削液用量及更换周期的确定。切削液使用周期内往往存在蒸发、渗漏等现象,从而造成切削液不断减少,并需添加入纯矿物油及水以保证切削液的浓度δ。初始切削油用量、附加切削油用量、切削液浓度d 以及切削液的更换周期Tc 可通过实际生产经验数据获得。

根据上述分析,切削加工过程碳排放函数为

（28）

（五）原材料引起的碳排放m C

原材料碳排放系数可以根据政府间气候变化专业委员会( Intergovenmental Panel of Climate Change ,PCC ) 及我国统计局发布的各种关于初级材料生产排放数据计算[ 2 , 10 ]

（29）

式中：i Q 为第i 种原材料的消耗量；i EF 为第i 种原材料的碳排放系数；D 为机床所消耗原材料的种类。

（六）人引起的碳排放h C

既要通过参数优化改进模型-又要防止对参数优化过度拟合

既要通过参数优化改进模型，又要防止对参数优化过度拟合 A参数高原与参数孤岛 参数优化中一个重要的原则就是要争取参数高原而不是参数孤岛。所谓参数高原，是指存在着一个较宽的参数范围，模型在这个参数范围内都能取得较好的效果，一般会以高原的中心形成近似正态分布状。而所谓参数孤岛，是指只有在参数值处于某个很小的范围内时，模型才有较好表现，而当参数偏离该值时，模型的表现便会显著变差。 假设某交易模型内有两个参数，分别为参数1和参数2，当对两个参数进行遍历测试后，得到一张三维的绩效图。好的参数分布应当是参数高原示意图，即使当参数的设置有所偏移，模型的获利绩效依然能够得到保证。这样的参数因稳定性强，可以使得模型在未来实战中遇到各类行情时，具有较强的因应能力。但如果遍历参数后的绩效结果如参数孤岛示意图，当参数发生小的偏移时，模型的获利绩效就发生较大变动，那么这样的参数因适应性能差，往往难以应对实际交易中变化多端的市场环境。 一般来说，如果附近参数系统的性能远差于最优参数的性能，那么这个最优参数有可能是一个过度拟和的结果，在数学上可以认为是奇点解，而不是所要寻找的极大值解。从数学角度来说，奇点是不稳定的，在未来的不确定行情中，一旦市场特征发生变化，最优参数可

能会变为最差参数。 过度拟合与选取的样本有关系，如果选取的样本不能代表市场总体特征，只是为了使测试结果达到正的期望值而去调整参数，这种做法无疑是自欺欺人，所得到的参数值是过度拟合的无效参数值。例如，通过分析参数过度拟合，交易模型分别在数值35和63出现了收益率突增现象，如果模型中的相应指标选用35和63做参数，则模型的收益看上去很完美，但实际上却是典型的参数孤岛效应。 过度拟合与参数优化的主要矛盾在于，模型参数优化得到的最优参数只是建立在已经发生过的历史数据样本上，而未来的行情是动态变化的，与历史行情相比既有相似性，也有变异性。模型设计者可以找到模型在历史上表现最好的参数，但是这个参数在未来模型实际应用中未必表现最好，更有甚者历史上表现最好的模型参数，在未来模型实战中可能是表现很糟糕的参数，甚至带来大幅亏损。比如，筛选出了一个能抓住历史上一波大行情的一个参数，但设置这样参数值的模型，并不意味着模型在未来实战中也能有如此好的表现，这个历史上较佳的参数值可能在未来模型的应用中没有起到任何帮助。 此外，参数高原与参数孤岛往往还与交易次数存在较大关系。如果模型的交易次数较少，往往能找到一个合适的参数点，使得模型在这几次交易中都盈利，这种参数优化后的模型获利体现出较强的偶然性。如果模型的交易次数较多，模型获利的偶然性就会下降，更多地体现出获利的必然性和规律性，也就会存在一个参数高原。而这种参

人力资源配置优化模型

xxxx实验论文报告 系（院）：统计与数学学院 专业：经济学 班级：经基10-1 学号： 20100500xx 姓名： xxx 课程名称：数学建模 实验时间： xxxxxx 指导教师： xx老师 云南财经大学教务处制

用lingo求解人力资源的优化配置问题 摘要 随着中国企业的发展，缺乏科学合理的布局和人力资源配置管理是目前不少小型企业进一步发展的主要障碍。针对这一情况，本文关注企业人力资源配置与企业的最大利润之间的关系，在企业的人力资源配置方面，就如何更有效的提升人力资源配置的效率与企业的利益，本文进行了一些初步的建模研究。 对于该人力资源配置问题，要求如何合理地分配现有的技术力量，使公司每天的直接受益最大，同时人员的分配要满足一定的结构约束条件。在此情况下，通过建立模型，用lingo程序求解有约束的线性规划问题。针对不同的客户要求，首先进行模型假设，然后建立具体的模型进行求解。求解出来的结果再进行灵敏度分析，从而进一步确定当目标函数的利润系数和约束右端项发生小的变化时，最优基和最优解、最优值如何变化。 最后，根据模型假设，联系实际情况，对该模型进行一定的优化改进处理，从而达到更适合现实人员配置情况的目的，进而使该模型在现实中得到推广。 [关键词]：（人力资源模型利润最大lingo 灵敏度最优解)

一、问题重述 “PE公司”是一家从事电力工程技术的中美合资公司，现有41个专业技术人员，其结构和相应的工资水平分布如表1所示。 表1 公司的人员结构及工资情况 工作在现场完成；另外两项是工程设计，分别在C和D地，主要工作在办公室完成。由于4个项目来源于不同的客户，并且工作的难易程度不一，因此，各项目的合同对有关技术人员的收费标准不同，具体情况如表2所示。 表2 不同项目和各种人员的收费标准 为了保证工程质量，各项目中必须保证专业人员结构符合客户的要求，具体情况如表3。 表3 各项目对专业技术人员结构的要求 （1）表中“1～3”表示“大于等于1，小于等于3”，其它有“～”符号的表示相同的意义。 （2）项目D，由于技术要求较高，人员配备必须是助理工程师以上，技术员不能参加。 （3）高级工程师相对稀缺，而且是保证质量的关键，因此，各项目客户对高级工程师的配备有不少于一定数目的限制。各项目对其他专业人员也有不同的限制或要求。 （4）各项目客户对总人数都有限制。 （5）由于C、D两项目是在办公室完成，所以每人每天有50元的管理费开支。 （6）由于收费是按照人工计算的，而且4个项目总共同时最多需要的人数是10＋16＋11＋18＝55，多于公司现有的人数41。因此需要解决的问题是：如何合理地分配现有的技术力量，使公司每天的直接受益最大？写出相应的论证报告。

常用切削速度计算公式

常用切削速度計算公式 一、三角函數計算 1.tanθ=b/a θ=tan-1b/a 2.Sinθ=b/c Cos=a/c 二、切削刃上选定点相对于工件的主运动的瞬时速度。 2.1 铣床切削速度的計算 Ｖc＝(π*Ｄ*Ｓ)／１０００ Vc：線速度(m/min) π：圓周率(3.14159) D：刀具直徑(mm) 例題. 使用Φ25的銑刀Vc為(m/min)25 求S=?rpm Vc=πds/1000 25=π*25*S/1000 S=1000*25/ π*25 S=320rpm 2.2 车床切削速度的計算计算公式如下 v c=( π d w n )/1000 (1-1) 式中 v c ——切削速度 (m/s) ； dw ——工件待加工表面直径（ mm ）； n ——工件转速（ r/s ）。 S：轉速(rpm) 三、進給量(F值)的計算 Ｆ＝Ｓ＊Ｚ＊Ｆz F：進給量(mm/min) S：轉速(rpm) Z：刃數 Ｆz：(實際每刃進給) 例題.一標準2刃立銑刀以2000rpm)速度切削工件，求進給量(F 值)為多少？(Ｆz=0.25mm) Ｆ＝Ｓ＊Ｚ＊Ｆz Ｆ＝2000*2*0.25 Ｆ＝1000(mm/min) 四、殘料高的計算 Scallop＝（ae＊ae）／8R Scallop：殘料高(mm) ae：XY pitch(mm) R刀具半徑(mm) 例題. Φ20R10精修2枚刃，預殘料高0.002mm，求Pitch為多 少？mm Scallop=ae2/8R 0.002=ae2/8*10 ae=0.4mm 五、逃料孔的計算 Φ＝√２Ｒ2 Ｘ、Ｙ＝Ｄ／４ Φ：逃料孔直徑(mm) R刀具半徑(mm) D：刀具直徑(mm) 例題. 已知一模穴須逃角加工(如圖)， 所用銑刀為ψ10；請問逃角孔最小 為多少？圓心座標多少？ Φ=√２Ｒ2 Φ=√２＊５２ Φ=7.1(mm) Ｘ、Ｙ＝Ｄ／４ Ｘ、Ｙ＝１０／４

1-切削参数优化模型的建立

切削参数优化模型的建立 1.1 优化变量确定 在数控切削加工中，切削速度c v 、进给量f 和切削深度sp a 称为切削用量三 要素[11]。这三要素是主要的优化变量，但由于切削深度对刀具耐磨度的影响较切削速度和进给量要小，而且在车削加工时，切削深度可根据工件余量和具体的加工要求来确定,本文视为已知量，不进行优化。因此，优化变量主要为切削速度v c 和进给量f 。 1.2 优化目标函数 本文主要从高效(加工时间短)、低碳(碳排放少)两大方面对加工过程进行优化，优化目标为时间和碳排放。 1.2.1 切削加工过程时间函数 一个工序加工过程的加工工时包括切削时间、换刀时间、工序辅助时间。最短加工工时的切削用量可实现最高的生产效率(高效)。加工过程时间函数的数学模型可表示为[13] ot t T m t ct t m t P T +?+= （1） sp V sp V m fa d L nfa L c 01000v t π?=?= （2） 泰勒广义刀具的耐用度计算公式为[14] z sp T a C T y c x f v = （3） 式中，m t 是工序切削时间，ct t 是换刀一次所用时间，ot t 是除换刀外其他辅助时间，T 是刀具寿命，W L 是加工长度，Δ是加工余量，n 是主轴转速，0d 是工件直径，c v 是切削速度，f 是进给量，sp a 是切削深度，T C 是与切削条件有关的常数，x,y,z 是刀具寿命系数，则加工过程时间函数为 ot T z sp y x c w ct sp c w P t C a f v L d t fa v L T +?+?=---10001000d 11100ππ （4） 1.2.2 切削加工过程碳排放函数 切削加工过程的碳排放主要包括加工过程消耗原材料引起的碳排放m C 、消耗电能引起的碳排放e C 、加工过程中所用辅助物料（如刀具使用产生的碳排放t C 和切削液使用产生的碳排放C C ）以及由加工过程产生切屑的后期处理引起的碳排放S C ，如图1所示，

非参数回归模型资料

非参数回归模型

精品资料 仅供学习与交流，如有侵权请联系网站删除 谢谢2 非参数回归模型 非参数回归模型也叫多元回归模型，它是一种脱离于混沌理论的多条路段分析方法。它是对当前路段和几条相邻路段的交通流信息对当前路段进行交通流预测的单条路段分析的扩展。它不需要先验知识，只需要有足够的历史数据即可。它的原理是：在历史数据库中寻找与当前点相似的近邻，并根据这些近邻来预测下一时间段的流量。该算法认为系统所有的因素之间的内在联系都蕴含在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。非参数回归最为一种无参数、可移植、预测精度高的算法，它的误差比较小，且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进，使其可以真正达到实时交通流预测的要求。并且这种方法便于操作实施，能够应用于复杂环境，可在不同的路段上方便地进行预测。能够满足路网上不同路段的预测，避免路段位置和环境对预测的影响。随着数据挖掘技术左键得到人们的认可和国内外学者的大量相关研究，使得非参数回归技术在短时交通流预测领域得到广泛应用。 非参数回归的回归函数()X g Y =的估计值()X g n 一般表示为： ()()∑==n i i i i n Y X W X g 1 其中，Y 为以为广策随机变量；X 为m 维随机变量；（Xi,Yi ）为第i 次观测值，i=1,...,n ；Wi(Xi)为权函数.非参数回归就是对g(X)的形状不加任何限制，即对g （X ）一无所知的情况下，利用观测值（Xi,Yi ），对指定的X 值去估计Y 值。由于其不需要对系统建立精确的数学模型，因此比较适合对事变的、非线性的系统进行预测，符合对城市交通流的预测，同时可以与历史平均模型实现优缺点的互补。 K 近邻法 Friedman 于1977年提出了K 近邻法。其并不是让所有的数据都参与预 测，而是以数据点到X 点的距离为基础，甲醛是只有离X 最近的K 个数据被用来估计相应的g(X)值。可以引入欧式空间距离d ，然后按这个距离将X1，X2，...,Xn 与X 接近的程度重新排序：Xk1,...,Xkn,取权值如下： Wki(X:X1,...,Xn)=ki,i=1,..,n 将与X 最近的前K 个观测值占有最大的权K=1，其余的观测值赋予权值k=0.最终得到应用于短时交通流预测的K 近邻法可表示为：

非参数统计实验(全)新

第四章 非参数统计实验 参数统计学中的许多统计分析方法的应用对总体都有严格的假定，例如，t 检验要求总体服从正态分布，F 检验要求误差呈正态分布且各组方差为齐性的等等，然而在现实生活中，有许多总体的分布我们却是一无所知或知之甚少，所以在参数模型中所建立的统计推断就会失效，于是，人们希望在不假定总体分布的情况下，尽量从数据本身来获得所需要的信息。这就是非参数统计的宗旨。非参数统计方法简便，适用性强，但检验效率较低，应用时应加以考虑。 实验一 卡方检验（Chi-square test ） 实验目的： 掌握卡方检验方法。 实验内容： 一、2χ拟合优度检验 二、2χ独立性检验 三、2χ齐性检验 实验工具： SPSS 非参数统计分析菜单项和Crosstabs 菜单项。 知识准备： 一、卡方拟合优度检验 2 χ检验(Chi —Square Test) 适用于拟合优度检验，适用于定类变量的检验问 题，用来检验实际观察数目与理论期望数目是否有显著差异。当检验问题是实际分布是否与理论分布相符合时，在大样本时也可以用分类数据的卡方检验来解决，这时的卡方检验也称为分布拟合的卡方检验。 若样本分为k 类，每类实际观察频数为k f f f ,,,21 ，与其相对应的期望频数为 k e e e ,,,21 ，则检验统计量2χ可以测度观察频数与期望频数之间的差 异。其计算公式为： ∑ ∑ -= -= =期望频数 期望频数实际频数2 1 2 2 ) () (k i i i i e e f χ

很显然，实际频数与望频数越接近，2χ值就越小，若2χ＝0，则上式中分子的每—项都必须是0，这意味着k 类中每一类观察频数与期望频数完全一样，即完全拟合。2χ统计量可以用来测度实际观察频数与期望频数之间的拟合程度。 在H 0成立的条件下，样本容量n 充分大时，2χ统计量近似地服从自由度df ＝k-1的 2 χ分布，因而，可以根据给定的显著性水平α，在临界值表中查到 相应的临界值)1(2 -k αχ。若)1(2 2 -≥k αχχ ，则拒绝H 0，否则不能拒绝H 0。 所有的统计软件都可以输出检验统计量的显著性p 值，也可以根据显著性p 值和显著性水平α作比较，若α≤p ，则拒绝H 0，否则不能拒绝H 0。 另外卡方拟合优度检验也可以用来检验某总体是否服从某一特定分布的假设。拟合优度检验中几种常用分布的参数如表4-1： 表4-1 拟合优度检验中几种分布的参数 二、2χ独立性检验 假设有n 个随机试验的结果按照两个变量A 和B 分类，A 取值为A 1，A 2，…，A r ，B 取值为B 1，B 2，…，B s ，则形成了一张s r ?的列联表，称为s r ?二维列联 表。其中ij n 表示A 取A i 及B 取B j 的频数，n n r 1 i s 1 j ij =∑∑==，其中： r ,...,2,1i ,n n s 1j ij i.== ∑=表示各行的频数之和 s ,...,2,1i ,n n r 1 i ij .j == ∑=表示各列的频数之和

程序化参数优化问题

如何解决在程序化交易中参数优化的问题程序化交易的书籍在市面上层出不穷，大多数打算进行程序化交易的朋友都会去阅读一两本或者更多。我敢肯定通过阅读大家会发现，这些书里面每一本都会提到交易模型的参数优化的问题。这是由于现代的计算机处理技术发展的同时也带来了一些困惑，程序化交易可以说是建立在计算机和通讯技术的基础之上的一种交易手段，如果没有这些基础设施，那么程序化交易也就不能存在。正是有了可以高速运行的CPU才使我们可以对参数进行优化。光凭技术手段并不足以解决所有交易的问题，这就是为什么说交易是一门艺术之所在，而我们使用机械的交易方法是为了尽可能的避免人为的判断和情绪对交易的不良影响，在我们没有形成自己的一套交易体系之前通过机械的方法来进行交易无疑可以少走很多弯路，把时间和金钱留给我们用来积累更多的经验，让我们首先确保在市场中生存，再去追求如何使交易变成艺术。因此作为一个力求以科学和规律的方法解决交易的问题的人，我试图通过本文来解决大家在程序化交易中参数优化这个矛盾的问题。 什么是参数优化 在这里首先我们介绍一下什么是参数优化，以便一些刚刚接触程序化交易的朋友阅读本文，已经了解这方面知识的朋友可以掠过本段。 对于一些模型来说会有一些参数，这些参数设置的主要含义可能是为模型提供一个周期，举个例子来说象n日均线上穿N日均线（n为短周期均线参数，N为长周期均线参数，一般短周期的移动平均要比长周期的变化要快，所以我们通过这两个不同周期的均线来制定交易计划），n和N参数的意义就是指定周期，一般来说参数的意义都与时间有关系（周期），但也有其他的用途。参数优化实际上就是利用计算机的处理能

出版社资源优化配置模型

出版社资源优化配置的数学模型 摘要 本文通过对出版社提供的调查问卷等数据进行分析，建立相应的数学模型，以增加强势产品支持力度等为原则对出版社的书号资源进行优化配置。 首先我们对所提供的问卷调查数据进行了分析，分别给出了该出版社各门学科所出版的书籍在所有书籍中所占的比率、调查数据中各学科书籍在所有书籍中的比例、该出版社在调查者心目中的排名情况、每年新书、旧书的比率、调查者获得教材的方式和被访者对该出版社与其他出版社主观评价平均得分的比较等，对该出版社目前在市场中的地位，市场状况等基本情况有一个基本的了解。 为了使出版社06年的效益最大化，本文主要考虑以下三个方面。 一、如何对效益进行量化 二、强势产品的确定 三、如何体现对强势产品的支持 本文在确定效益的量化标准后，在书号总量，人力资源量，申请成功率，强势产品优先等约束条件下运用线性规划使效益达到最大。 效益的量化方面，我们利用历年各学科书籍销量与价格均值计算出该学科的收入，再除以其总的书号数得到各学科历年每个书号的平均价值，通过灰色预测模型GM(1，1)预测2006年各分社每个书号的平均价值。这样以各分社书号分配量为变量，可以得到效益最大化的目标函数。 强势产品的确定方面，我们考虑了该社各学科在市场中的占有率，以及各学科书目在整个市场的比例两个因素。通过累计重要度法，确定两个指标的权数，计算出各学科的重要度。然后以重要度对个学科排序，确定重要度高者工作能力满足率(即分配书号数/最大工作能力)亦高的约束条件。最后通过SPSS的聚类分析功能将学科进行分类，给出各学科强势水平的等级。 线性规划的约束条件有以下几项:书号总数一定；得到书号数不能大于最大工作能力；为保持工作连续性和对各分社计划一定程度上的认可，出版社在分配书号时至少保证分给各分社申请数量的一半；申请成功率变化不超过历年均值的 三倍标准差；重要度高者书号工作能力满足率亦高。 在上述约束下由线性规划得到出版社06年书号的最优分配。分配方案为：计算机类68，经管类42，数学类120，英语类102，两课类55，机械能源类36，化学、化工类18，地理、地质类30，环境类29。最优方案下的最大效益为0.2142579E+08。 数据分析发现历年各分社每一课程书号所占比例基本保持稳定，因此我们以此为依据再对各分社的书号进行分配。 关键字：灰色预测模型累计重要度法线性规划

切削力计算的经验公式.-切削力计算

您要打印的文件是：切削力计算的经验公式打印本文 切削力计算的经验公式 作者：佚名转贴自：本站原创

度压缩比有所下降，但切削力总趋势还是增大的。强度、硬度相近的材料，塑性大，则与刀面的摩擦系数μ也较大，故切削力增大。灰铸铁及其它脆性材料，切削时一般形成崩碎切屑，切屑与前刀面的接触长度短，摩擦小，故切削力较小。材料的高温强度高，切削力增大。 ⑵切削用量的影响 ①背吃刀量和进给量的影响背吃刀量ap或进给量f加大，均使切削力增大，但两者的影响程度不同。加大ap 时，切削厚度压缩比不变，切削力成正比例增大；加大f加大时，有所下降，故切削力不成正比例增大。在车削力的经验公式中，加工各种材料的ap指数xFc≈1，而f的指数yFc=0.75～0.9，即当ap加大一倍时，Fc也增大一倍；而f加大一倍时，Fc只增大68%～86%。因此，切削加工中，如从切削力和切削功率角度考虑，加大进给量比加大背吃刀量有利。 ②切削速度的影响在图3-15的实验条件下加工塑性金属，切削速度vc＞27m/min 时，积屑瘤消失，切削力一般随切削速度的增大而减小。这主要是因为随着vc的增大，切削温度升高，μ下降，从而使ξ减小。在vc＜27m/min时，切削力是受积屑瘤影响而变化的。约在vc=5m/min时已出现积屑瘤，随切削速度的提高，积屑瘤逐渐增大，刀具的实际前角加大，故切削力逐渐减小；约在vc=17m/min处，积屑瘤最大，切削力最小；当切削速度超过vc=17m/min，一直到vc=27m/min时，由于积屑瘤减小，使切削力逐步增大。 图3-15 切削速度对切削力的影响 切削脆性金属(灰铸铁、铅黄铜等)时，因金属的塑性变形很小，切屑与前刀面的摩擦也很小，所以切削速度对切削力没有显著的影响。 ⑶刀具几何参数的影响 ①前角的影响前角γo加大，被切削金属的变形减小，切削厚度压缩比值减小，刀具与切屑间的摩擦力和正应力也相应下降。因此，切削力减小。但前角增大对塑性大的材料(如铝合金、紫铜等)影响显著，即材料的塑性变形、加工硬化程度明显减小，切削力降低较多；而加工脆性材料(灰铸铁、脆铜等)，因切削时塑性变形很小，故前角变化对切削力影响不大。 ②负倒棱的影响前刀面上的负倒棱(如图3-16a)，可以提高刃区的强度，

非参数回归模型

非参数回归模型 非参数回归模型也叫多元回归模型，它是一种脱离于混沌理论的多条路段分析方法。它是对当前路段和几条相邻路段的交通流信息对当前路段进行交通流预测的单条路段分析的扩展。它不需要先验知识，只需要有足够的历史数据即可。它的原理是：在历史数据库中寻找与当前点相似的近邻，并根据这些近邻来预测下一时间段的流量。该算法认为系统所有的因素之间的内在联系都蕴含在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。非参数回归最为一种无参数、可移植、预测精度高的算法，它的误差比较小，且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进，使其可以真正达到实时交通流预测的要求。并且这种方法便于操作实施，能够应用于复杂环境，可在不同的路段上方便地进行预测。能够满足路网上不同路段的预测，避免路段位置和环境对预测的影响。随着数据挖掘技术左键得到人们的认可和国内外学者的大量相关研究，使得非参数回归技术在短时交通流预测领域得到广泛应用。 非参数回归的回归函数()X g Y =的估计值()X g n 一般表示为： ()()∑==n i i i i n Y X W X g 1 其中，Y 为以为广策随机变量；X 为m 维随机变量；（Xi,Yi ）为第i 次观测值，i=1,...,n ；Wi(Xi)为权函数.非参数回归就是对g(X)的形状不加任何限制，即对g （X ）一无所知的情况下，利用观测值（Xi,Yi ），对指定的X 值去估计Y 值。由于其不需要对系统建立精确的数学模型，因此比较适合对事变的、非线性的系统进行预测，符合对城市交通流的预测，同时可以与历史平均模型实现优缺点的互补。 K 近邻法 Friedman 于1977年提出了K 近邻法。其并不是让所有的数据都参与预测，而是以数据点到X 点的距离为基础，甲醛是只有离X 最近的K 个数据被用来估计相应的g(X)值。可以引入欧式空间距离d ，然后按这个距离将X1，X2，...,Xn 与X 接近的程度重新排序：Xk1,...,Xkn,取权值如下： Wki(X:X1,...,Xn)=ki,i=1,..,n 将与X 最近的前K 个观测值占有最大的权K=1，其余的观测值赋予权值k=0.最终得到应用于短时交通流预测的K 近邻法可表示为： ()()()()K t V t V g t V K i i ∑=+==+111

人力资源的优化配置模型

人力资源的优化配置模型 摘要 本文通过合理假设，在考虑到公司的人员结构，工资情况，以及所接项目要求的因素下，把公司合理安排技术人员、人力资源问题转化为线形规划中的目标函数与约束条件问题，建立模型。从而使人力资源得到合理的配置，使公司每天得到最大的直接收益。 从公司一方的利益出发，得到了使公司获得最大利益的目标函数，并考虑到公司以及各项目对总人数的限制，得到总的约束条件。用数学软件lingo与lindo求出了人员分配的最优解，再得出的最优解的基础上随机取值与其比较，用matlab对数据进行处理及计算。分析与比较之后得出最优的人员分配如下：A项目高级工程师1人，工程师6人，助理工程师2人，技术员1人；B项目高级工程师5人，工程师3人，助理工程师5人，技术员、3人；C项目高级工程师2人，工程师6人，助理工程师2人，技术员1人；D项目高级工程师1人，工程师2人，助理工程师1人，技术员0人。公司达到的最大收益为27090.00元每天。 关键词：（线性规划目标函数约束条件 lingo lindo matlab 最优解人力资源）

一问题重述 “PE公司”是一家从事电力工程技术的中美合资公司，现有41个专业技术人员，其结构和相应的工资水平分布如表（一） 表（一） 目前，公司承接四个工程项目，其中两项是现场施工监理，分别在A地和B地，主要工作在现场完成;另外两项是工程设计，分别在C地和D地，主要工作在办公室完成。由于四个项目来源于不同客户，并且工作的难易程度不一，因此，各项目的合同对有关技术人员的收费标准不同，具体情况如表（二） 表（二） 为了保证工程质量，各项目中必须保证专业人员结构符合客户要求，具体情况如表（三）

非参数回归模型与半参数回归模型

第七章 非参数回归模型与半参数回归模型 第一节 非参数回归与权函数法 一、非参数回归概念 前面介绍的回归模型，无论是线性回归还是非线性回归，其回归函数形式都是已知的，只是其中参数待定，所以可称为参数回归。参数回归的最大优点是回归结果可以外延，但其缺点也不可忽视，就是回归形式一旦固定，就比较呆板，往往拟合效果较差。另一类回归，非参数回归，则与参数回归正好相反。它的回归函数形式是不确定的，其结果外延困难，但拟合效果却比较好。 设Y 是一维观测随机向量，X 是m 维随机自变量。在第四章我们曾引进过条件期望作回归函数，即称 g (X ) = E (Y |X ) （7.1.1） 为Y 对X 的回归函数。我们证明了这样的回归函数可使误差平方和最小，即 22)]([min )]|([X L Y E X Y E Y E L -=- （7.1.2） 这里L 是关于X 的一切函数类。当然，如果限定L 是线性函数类，那么g (X )就是线性回归函数了。 细心的读者会在这里立即提出一个问题。既然对拟合函数类L (X )没有任何限制，那么可以使误差平方和等于0。实际上，你只要作一条折线(曲面)通过所有观测点(Y i ，X i )就可以了是的，对拟合函数类不作任何限制是完全没有意义的。正象世界上没有绝对的自由一样，我们实际上从来就没有说放弃对L(X)的一切限制。在下面要研究的具体非参数回归方法，不管是核函数法，最近邻法，样条法，小波法，实际都有参数选择问题(比如窗宽选择，平滑参数选择)。 所以我们知道，参数回归与非参数回归的区分是相对的。用一个多项式去拟合(Y i ，X i )，属于参数回归；用多个低次多项式去分段拟合(Y i ，X i )，叫样条回归，属于非参数回归。 二、权函数方法 非参数回归的基本方法有核函数法，最近邻函数法，样条函数法，小波函数法。这些方法尽管起源不一样，数学形式相距甚远，但都可以视为关于Y i 的线性组合的某种权函数。也就是说，回归函数g (X )的估计g n (X )总可以表为下述形式： ∑==n i i i n Y X W X g 1 )()( （7.1.3）

非参数统计模型

非参数统计第二次作业 ——局部多项式回归与样条回归 习题一： 一、本题是研究加拿大工人收入情况，即年龄（age）和收入(income)的关系。 此次共调查了205个加拿大工人的年龄和收入，所有工人都是高中毕业。且本题设定因变量为log.income,协变量为age，运用统计方法来拟合log.income 与age之间的函数关系。 二、模型的建立 1.估计方法的选取 拟合两个变量之间的函数关系，即因变量和协变量之间的关系，用回归估计的方法，回归估计包括参数回归估计和非参数回归估计。参数估计是先假定某种数学模型或已知总体的分布，例如总体服从正态分布，其中某些参数未知，如总体均值、方差等，然后利用样本去估计这些未知参数，常用的方法有极大似然估计，Ｂａｙｅｓ估计等，线性模型可以用最小二乘法估计。 非参数估计是不假定具有某种特定的数学模型，或总体分布未知，直接利用样本去估计总体的数学模型，常用的方法有局部多项式回归方法和样条函数回归方法。 本题调查了205个加拿大工人的年龄和收入，但是加拿大工人年龄和收入的具体分布未知，即这两个变量所能建立的数学模型未知，而且由协变量和因变量所形成的散点图可以看出它不符合某种特定的已知模型，需要进一步研究，然后拟合它们之间的函数关系。因此本题选用非参数回归估计的方法，来拟合因变量和协变量之间的关系。 针对此问题分别采用非参数估计中的局部多项式回归和样条函数回归方法对log.income 与age之间的函数关系进行估计。 ２.局部多项式回归方法 局部多项式的思想是在某个点x附近，用一个多项式函数来逼近未知的光滑函数g(x)。选定局部邻域的大小h,对于任意给定某个点x 0，在其小邻域内展开泰勒公式，用一个p阶多项式来局部逼近g(x)，然后再用极大似然估计。 （1）加拿大工人的收入（log.income）与年龄（age）之间的散点图如下所示：

基于遗传算法的参数优化估算模型

基于遗传算法的参数优化估算模型 【摘要】支持向量机中参数的设置是模型是否精确和稳定的关键。固定的参数设置往往不能满足优化模型的要求，同时使得学习算法过于死板，不能体现出来算法的智能化优点，因此利用遗传算法（Genetic Algorithm，简称GA）对估算模型的参数进行优化，使得估算模型灵活、智能，更加符合实际工程建模的需求。 【关键词】遗传算法；参数优化；估算模型 1.引言 随着支持向量机估算模型在工程应用的不断深入。研究发现，支持向量机算法(包括LS-SVM算法)存在着一些本身不可避免的缺陷，最为突出的是参数的选取和优化问题，以往在参数选取方面，一般依靠专家系统或者设定初始值盲目搜寻等等，在实际应用必然会影响模型的精准度，造成一定影响。如何选取合理的参数成为支持向量机算法应用过程中应用中关注的问题，同时也是目前应用研究的重点。而常用的交叉验证试算的方法，不仅耗时，且搜索目的不清，使得资源浪费，耗时耗力。不能有效的对参数进行优化。 针对参选取的问题，本文使用GA算法对模型中的参数设置进行优化。 2.遗传算法 2.1 遗传算法的实施过程 遗传算法的实施过程中包括了编码、产生群体、计算适应度、复制、交换、变异等操作。图1详细的描述了遗传算法的流程。 其中，变量GEN是当前进化代数；N是群体规模；M是算法执行的最大次数。 遗传算法在参数寻优过程中，基于生物遗传学的基本原理，模拟自然界生物种群的“物竞天则，适者生存”的自然规律。把自变量看作生物体，把它转化成由基因构成的染色体（个体），把寻优的目标函数定义为适应度，未知函数视为生存环境，通过基因操作（如复制、交换和变异等），最终求出全局最优解。 2.2 GA算法的基本步骤 遗传算法操作的实施过程就是对群体的个体按照自然进化原则（适应度评估）施加一定的操作，从而实现模型中数据的优胜劣汰，使得进化过程趋于完美。从优化搜索角度出发，遗传算法可使问题的解，一代一代地进行优化，并逼近最优解。 通常采用的遗传算法的工作流程和结果形式有Goldberg提出的，常用的GA 算法基本步骤如下： ①选择编码策略，把参数集合X和域转换为位串结构空间S。常用的编码方法有二进制编码和浮点数编码。 ②定义合适的适应度函数，保证适应度函数非负。 ③确定遗传策略，包括选择群体大小，选择、交叉、变异方法，以及确定交叉概率、变异概率等其它参数。 ④随机初始化生成群体N，常用的群体规模：N＝20～200。 ⑤计算群体中个体位串解码后的适应值。 ⑥按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代群体。 ⑦判断群体性能是否满足某一个指标，或者以完成预订迭代次数，若满足则

怎么计算各中加工中心刀具的切削速度

质量+效率+成本控制=效益怎么计算各中加工中心刀具的切削速度浏览次数：202次悬赏分：10 | 解决时间：2011-3-3 10:15 | 提问者：zhaoqizhi521 问题补充： 例如：（16，20，25，32，50，63，80，125）平面铣刀，（1~20）涂层合金立铣刀，（1~30)钨钢钻，（6~80）镗刀（（求切削速度切削用量））不是公式，公式我知道，就是刀具的切削用量，切削速度！！ 最佳答案 S=Vc*1000/*D F=S*fz*z 刀具线速度（刀具商提供）乘以1000再除去再除掉刀具直径就等于主轴转数； 主轴转数乘以每齿进刀量（刀具不同进刀量不同）再乘以刀具总齿数就等于进给速度； 高速钢铣刀的线速度为50M/MIN 硬质合金铣刀的线速度为150M/MIN 切削用量的话是每齿切削之间。 切削速度为转速*齿数*每齿进给。 不锈钢的话*80% 铝合金本身材料很软,主轴转速应当高点(刀具能承受的情况下),进给速度要竟量小点,如果进给大的话排屑就会很困难,只要你加工过铝,不难发现刀具上总会有粘上去的铝,那说明用的切削液不对, 做铝合金进给可以打快一点 每一刀也可以下多一点

转数不能打的太快10MM F1500 20MM F1200 50MM F1000 加工中心-三菱系统的操作步骤与刀具应用 (2009-04-23 09:02:03)转载标签：数控刀具转速进给杂谈 三菱系统操作： 1，打开机床开关—电源接通按钮 2，归零：将旋钮打到ZRN—按循环启动键，三轴同时归零。（也可以xyz分开来归零：将 旋钮打到ZRN—按Z+，X+,Y+,一般要先将Z轴归零）注意：每次打开机床后，就要归零。 3，安装工件（压板或虎口钳） 4，打表（平面和侧面）侧面打到2丝之内，表面在5丝之内，最好再打一下垂直度。 5，中心棒分中，转速500. 6，打开程序，看刀具，装刀具，注意刀具的刃长和需要的刀长，绝不能装短了。7，模拟程序—传输程序。 8，将旋钮打到DNC，进给打到10%，RAPID OVERRIDE打到0%—然后在RAPID上在0%~25%上快速转换。刀具会在工件上方50mm处停顿一下，当刀具靠近工件时需要特别注意。进给需要打到零。看看刀具与工件的距离与机床显示的残余值是否对应。 9，最后调整转速与进给。

的资源配置优化模型

数学建模论文 题目：数学建模在计算机专业的应用 专业系别:电子信息与控制工程系轨道交通信号与控制姓名：金朝阳学号：14101067 指导教师：李晓玲

数学建模在计算机专业中的应用 一、摘要 本文重点分析了数学建模的特点，探讨了数学建模与计算机的之间的关系，并重点的阐述了数学建模在计算机专业中的应用。当需要从定量的角度分析和研究一个实际问题时，人们就要在深入调查研究、了解对象信息、做出简化假设、分析内在规律等工作的基础上，用数学的符号和语言，把它表述为数学式子，也就是数学模型。数学模型的建立常常既需要人们对现实问题深入细微的观察和分析，又需要人们灵活巧妙地利用各种数学知识。这种应用知识从实际课题中抽象、提炼出数学模型的过程就称为数学建模（Mathematical Modeling）。二、 数学建模的特点、面向现实生活的应用，有相关的科研背景，综合性强，涉及面广，因素关系复杂，缺乏足够的规范性，难以套用传统成熟的解决手段，数据量庞大，可采取的算法也比较复杂，结果具有一定的弹性空间，需要一定的伴随条件，许多问题得到的只能是近似解。 2、建模问题不同于理论研究，它重在对实际问题的处理，而不是深层次纯粹数学理论或者世界难题。 3、数学建模与数学试验教学的重点是高等数学与现代数学的深层应用和面向问题的设计，而不是经典理论的深入研讨和系统论证。 4、数学建模问题绝大部分来自一些具体科研课题或实际工程问题。 三、 数学建模与计算机的关系 数学建模与生活实际密切相关，所采集到的数据量多，而且比较复杂，比如 长江水质的评价和预测，银行贷款和分期付款等，往往计算量大，需要借助于计算机才能快捷、简便地完成。数学建模竞赛与以往所说的那种数学竞赛(纯数学竞赛)不同，它要用到计算机，甚至离不开计算机，但却又不是纯粹的计算机竞赛，它涉及到物理、化学、生物、医学、电子、农业、军事、管理等各学科、各领域，但又不受任何一个具体的学科、领域的限制。 数学建模过程需要经过模型假设、模型建立、模型求解、模型分析与检验、模型应用等几个步骤，在这些步骤中都伴随着计算机的使用。例如，模型求解时，需要上机计算、编制软件、绘制图形等，数学建模竞赛中打印机随时可能使用，同时，数学建模的学习对计算机能力的培养也起着极大推动作用。 四、计算机的产生正是数学建模的产物20世纪40年代，美国为了研究弹道导弹飞行轨迹的问题，迫切需要一种计算工具来代替人工计算，计算机在这样的背景下应运而生。计算机的产生与发展又极大地推动了数学建模活动，计算机高速的运算能力，非常适合数学建模过程中的数值计算；它的大容量贮存能力以及网络通讯功能，使得数学建模过程中资料存贮、检索变得方便有效；它的多媒体化，使得数学建模中一些问题能在计算机上进行更为逼真的模拟实验；它的智能化，能随时提醒、帮助我们进行数学模型 求解。 2、建模思维有利于人们在计算机方面的发展数学建模的目的是构建数学建模意识，培养学生创造性思维能力，在诸多的思维活动中，创新思维是最高层次的思维活动，是开拓性、创造性人才所必须具备的能力，培养创造性思维能力，主要应培养学生灵活运用基本理论解决实际问题的能力，在数学教学中培养学生的建模意识实质上是培养、发展学生的创造性思维能力，因为建模活动本身就是一项创造性的思维活动，它既具有一定的理论性，又具有较强的实践性，还要求思维的深刻性和灵活性，而且在建模活动过程中，能培养学生独立、自觉地运用所给问题的条件，寻求解决问题的最佳方法和途径，可以培养学生的想象能力、直觉

CNC常用计算公式

CNC常用计算公式 一、三角函数计算 1.tanθ=b/a θ=tan-1b/a 2.Sinθ=b/c Cos=a/c 二、切削速度的计算 Ｖc＝(π*Ｄ*Ｓ)／１０００ Vc：线速度(m/min) π：圆周率(3.14159) D：刀具直径(mm) S：转速(rpm) 例题. 使用Φ25的铣刀Vc为(m/min)25 求S=?rpm Vc=πds/1000 25=π*25*S/1000 S=1000*25/ π*25 S=320rpm 三、进给量(F值)的计算 Ｆ＝Ｓ＊Ｚ＊Ｆz F：进给量(mm/min) S：转速(rpm) Z：刃数 Ｆz：(实际每刃进给)

例题.一标准2刃立铣刀以2000rpm)速度切削工件，求进给量(F 值)为多少？(Ｆz=0.25mm) Ｆ＝Ｓ＊Ｚ＊Ｆz Ｆ＝2000*2*0.25 Ｆ＝1000(mm/min) 四、残料高的计算 Scallop＝（ae＊ae）／8R Scallop：残料高(mm) ae：XY pitch(mm) R刀具半径(mm) 例题. Φ20R10精修2枚刃，预残料高0.002mm，求Pitch为多少？mm Scallop=ae2/8R 0.002=ae2/8*10 ae=0.4mm 五、逃料孔的计算 Φ＝√２Ｒ2Ｘ、Ｙ＝Ｄ／４ Φ：逃料孔直径(mm) R刀具半径(mm) D：刀具直径(mm) 例题. 已知一模穴须逃角加工(如图)， 所用铣刀为ψ10；请问逃角孔最小为多少？圆心坐标多少？ Φ=√２Ｒ2 Φ=√２＊５２ Φ=7.1(mm) Φ10銑刀(0.0)

Ｘ、Ｙ＝Ｄ／４ Ｘ、Ｙ＝１０／４ Ｘ、Ｙ＝2.5 mm 圆心坐标为(2.5,-2.5) 六、取料量的计算 Ｑ＝（ae＊ap＊Ｆ）／１０００ Ｑ：取料量(cm3/min)ae：XY pitch(mm) ap：Z pitch(mm) 例题. 已知一模仁须cavity等高加工，Φ35R5的刀XY pitch 是刀具的60%，每层切1.5mm，进给量为2000mm/min，求此刀具的取料量为多少？ Ｑ＝（ae＊ap＊Ｆ）／１０００ Ｑ＝35*0.6*1.5*2000／1000 Ｑ＝63 cm3/min 七、每刃进给量的计算 Ｆz＝ｈm * √(Ｄ／ap ) Ｆz：实施每刃进给量ｈm：理论每刃进给量 ap：Z pitch(mm) D：刀片直径(mm) 例题 (前提depo XY pitch是刀具的60%) depoΦ35R5的刀，切削NAK80材料ｈm为0.15mm，Z轴切深1.5mm，求每刃进给量为多少？

土地资源优化配置模型研究现状及发展趋势

土地资源优化配置模型研究现状及发展趋势 吕春艳1 ,2 , 王静1 , 何挺1 , 宇振荣2 (1. 国土资源部土地利用重点实验室, 北京100035 ; 2. 中国农业大学, 北京100094) 摘要: 土地资源优化配置是实现土地资源可持续利用的根本保证。土地资源优化配置模型对于科学有 效和合理利用土地资源起到了重要的作用。介绍了土地资源优化配置模型,包括线性规划模型、系统动力 学模型、多目标规划模型及GIS 综合优化模型等,并从研究和应用的角度分析了土地资源优化配置模型存 在的不足,探讨了今后的发展趋势:系统化、机理化、精确化、实用化。 关键词: 土地资源; 优化配置; 模型 文献标识码: A 文章编号: 1000 —288X(2006) 02 —0021 —06 中图分类号: F301. 23 土地是人类社会生存和发展的物质基础。在社会经济的可持续发展过程中,土地资源是一个重要的基础和根本保证。随着经济的不断发展和工业化、城市化进程的加快,土地非农化和土地生态环境恶化削弱了农业可持续发展的资源基础,实现土地可持续利用就成为一个非常重要的议题,土地资源优化配置研究也成为可持续发展的一个重要内容。土地资源优化配置是指为了达到一定的社会、经济和生态目标,根据土地的特性,利用一定的科学技术和管理手段,对一定数量的土地资源进行合理分配,实现土地资源可持续利用。为了达到土地资源优化配置的目的,充分发挥模型的作用是非常必要的。土地资源优化配置需要搜集大量数据, 工作复杂而艰巨,可通过对模型有关方面的合理减化,减少相应数据的收集工作量,土地资源优化配置定量研究已成为当前生态经济与管理学界广泛关注的重要课题[1 —6 ] ,本文综述性分析总结了各类研究典型模型现状及存在的不足,并探讨了今后的发展趋势,为人们深入研究土地资源优化配置问题和土地资源管理提供参考。 1 土地资源优化配置模型研究现状 土地资源优化配置是一项复杂的系统工程,是一个多目标、多层次的持续拟合与决策过程。构建土地资源优化配置模型需要采用多学科的多种方法论,包括动态模拟、数学规划、系统动态学、工程学等理论和方法。通过比较分析土地资源优化配置模型的建模方法,了解其研究现状。 1. 1 线性规划方法 线性规划方法是土地资源优化配置建模中最为常用的一种方法,它具有求解很多方面问题的能力,除了解决一些线性问题之外,通过使用对数法等方法还可以解决一些非线性的问题。采用线性规划方法可以优化地块尺度和区域尺度上的土地资源[3 —5 ]。如LUAM( The Reading Land Use Allocation Model)模型(LUAM 结构图如图1) ,是一个采用线性规划法构建的模型,在该模型中综合考虑了政策、市场、经济等因素对农业用地的影响,根据这些影响因素来调整农业用地结构和布局,从而实现农业利润最大化[6 ]。刘彦随(1999) 依据三峡库区土地资源适宜性特点,综合考虑其社会经济发展与生态环境建设的目标要求,运用线性规划模型方法,进行土地利用优化配置,经过设置变量、确定约束条件、构建目标函数和形成方案等4 个环节,寻求各类用地之间的最佳比例与组合方案的过