آموزش کتیا، طراحی پروسه ماشینکاری و استخراج G کدهای دستگاه تراش Lathe Machining در نرم افزار CATIA - قسمت دوم - نوار ابزار Auxi

اختصاصی از فی بوو آموزش کتیا، طراحی پروسه ماشینکاری و استخراج G کدهای دستگاه تراش Lathe Machining در نرم افزار CATIA - قسمت دوم - نوار ابزار Auxiliary Operations دانلود با لینک مستقیم و پر سرعت .

CATIA - NC Machine Tool Builder - MBG

در MBG می توان یک ماشین ابزار را با تمام خصوصیات آن شبیه سازی کرد تا با استفاده از این مدل مجازی برنامه ساخت قطعه مورد نظر تعریف شود. در واقع طراح کارگاه کوچک یا کارخانه بزرگی را با تمامی ماشین ابزارهای آن به صورت مجازی شبیه سازی می کند. برای شبیه سازی از ماشین ابزارهای مدل شده در همین محیط کاری، Assembly Design یا DELMIA استفاده می شود. همانطور که در KIN (محیط کاری طراحی مکانیسم) به مجموعه مونتاژی عنصر حرکت افزوده می شود در MBG به ماشین ابزار مونتاژ شده حرکت داده می شود و درجات آزادی ابزار و میز مطابق واقعیت تعریف می شود سپس خصوصیاتی مانند نقطه قرارگیری قطعه کار و محل سوار شدن ابزار، محدودیت های حرکتی برای هر کدام از اتصالات ماشین ابزار، موقعیت مبدا ء، نقطه تعویض ابزار، محورهای مختصات و محدوده سرعت و شتاب تعریف می شود.

(مدل ماشین ابزار وارد شده از DELMIA به NC Machine Tool Builder)

مطلب بالا جهت اطلاع بیشتر شما کاربران کتیا در مورد محیط های ماشینکاری کتیا و قابلیت های گسترده این نرم افزار پیشرفته گنجانده شده است. حال در ادامه مطلب که در زیر آمده است قسمت دوم طراحی پروسه ماشینکاری و استخراج G کدهای دستگاه تراش Lathe Machining در نرم افزار CATIA را مطرح می نماید:

در محیط Lathe Machining از مجموعه دستورات موجود در نوار ابزار Auxiliary Operations بسیار استفاده می گردد:

* مجموعه فرامین نوار ابزار Turning Tool Change: این مجموعه فرامین جهت تعریف و تعویض ابزار تراش استفاده می گردند و شامل فرامین زیر می باشد:

* دستور External Insert Holder

* دستور Internal Insert Holder

* دستور Groove Insert Holder

* دستور Frontal Groove Insert Holder

* دستور Internal Groove Insert Holder

* دستور External Thread Insert Holder

* دستور Internal Thread Insert Holder

* مجموعه فرامین نوار ابزار Milling Tool Change: این مجموعه فرامین جهت تعریف و تعویض ابزارهای سوراخکاری و ابزارهایی که بر روی سوراخ ها عملیاتی را انجام می دهند، استفاده می گردند و شامل فرامین زیر می باشد:

* دستور Drill

* دستور Tap

* دستور Thread Mill

* دستور Countersink

* دستور Reamer

* دستور Spot Drill

* دستور Center Drill

* دستور Multi Diameter Drill

* دستور Boring and Chamfering

* دستور Two Sides Chamfering

* دستور Boring Bar

* دستور Counterbore Mill

* دستور End Mill

* دستور Face Mill

* دستور Conical Mill

* دستور T Slotter

* فرمان Machine Axis Change: از این فرمان می توان مبدا یا دستگاه مختصات ماشینکاری را برای هر برنامه تعریف نمود. در حقیقت این نقطه، نقطه شروع ماشینکاری می باشد و برنامه نسبت به این نقطه تعریف می گردد. (در تصویر بالا آیکون این فرمان نشان داده شده است)

در قسمت دوم این مجموعه آموزشی شما با مجموعه دستورات موجود در نوار ابزار Auxiliary Operations در محیط  Lathe Machining به ترتیب زیر بطور کامل آشنا شده و با جزئیات این دستور در قالب سه مثال عملی در سه فیلم آموزشی که تهیه شده است مسلط می شوید. (قسمت هایی از فیلم در تصویر زیر قابل مشاهده می باشد. همچنین توجه داشته باشید که کیفیت فیلم عالی است و به اشتباه از تصاویر زیر برداشت غلط نشود!)

1- مجموعه فرامین نوار ابزار Turning Tool Change (زمان آموزش: 10 دقیقه و 2 ثانیه)

2- مجموعه فرامین نوار ابزار Milling Tool Change (زمان آموزش: 6 دقیقه)

3- فرمان Machine Axis Change (زمان آموزش: 4 دقیقه و 20 ثانیه)

 

(Turning Tool Change)

(Milling Tool Change)

(Machine Axis Change)

جهت خرید آموزش صوتی تصویری محیط طراحی پروسه ماشینکاری و استخراج G کدهای دستگاه تراش Lathe Machining در نرم افزار کتیا CATIA - قسمت دوم به مبلغ استثنایی فقط 2000 تومان و دانلود آن بر لینک پرداخت و دانلود در پنجره زیر کلیک نمایید.

  کلیه فایل های آموزشی این قسمت با فرمت Media Player و با کیفیت عالی چه از لحاظ صدا و چه از لحاظ تصویر می باشد.

!!لطفا قبل از خرید از فرشگاه اینترنتی کتیا طراح برتر قیمت محصولات ما را با سایر فروشگاه ها مقایسه نمایید!!

!!!تخفیف ویژه برای کاربران ویژه!!!

با خرید حداقل 10000 (ده هزارتومان) از محصولات فروشگاه اینترنتی کتیا طراح برتر برای شما کد تخفیف ارسال خواهد شد. با داشتن این کد از این پس می توانید سایر محصولات فروشگاه را با 20% تخفیف خریداری نمایید. کافی است پس از انجام 10000 تومان خرید موفق عبارت درخواست کد تخفیف و ایمیل که موقع خرید ثبت نمودید را به شماره موبایل [phone] ارسال نمایید. همکاران ما پس از بررسی درخواست، کد تخفیف را به شماره شما پیامک خواهند نمود.

دانلود پایان نامه الگوریتم بهینه سازی PSO و بکارگیری آن در پروسه Curve Fitting (قابل ویرایش / فایل Word) تعداد صفحات 94

اختصاصی از فی بوو دانلود پایان نامه الگوریتم بهینه سازی PSO و بکارگیری آن در پروسه Curve Fitting (قابل ویرایش / فایل Word) تعداد صفحات 94 دانلود با لینک مستقیم و پر سرعت .

فرض کنید شما و گروهی از دوستان تان به دنبال گنج می گردید هر یک از اعضای گروه یک فلزیاب و یک بی سیم دارند که می تواند مکان و وضعیت کار خود را به همسایگان نزدیک خود اطلاع بدهد بنابراین شما می دانید آیا همسایگان¬ تان از شما به گنج نزدیکترند یا نه ؟ پس اگر همسایه ای به گنج نزدیکتر بود شما می توانید به طرف او حرکت کنید. با چنین کاری تماس شما برای رسیدن به گنج بیشتر می شود و همچنین گنج زودتر از زمانی که شما تنها باشید پیدا می شود.
این یک مثال ساده از رفتار جمعی یا swarm behavior است که افراد برای رسیدن به یک هدف نهایی همکاری می کنند . این روش موثرتر از زمانی است که افراد جداگانه عمل کنند. Swarm را می توان به صورت مجموعه ای سازمان یافته از موجوداتی تعریف کرد که با یکدیگر همکاری می کنند. در کاربردهای محاسباتی swarm intelligence از موجوداتی مانند دسته ی پرندگان و مورچه ها ، زنبورها ، موریانه ها ، دسته ماهیان الگو برداری می شود . در این نوع اجتماعات هر یک از موجودات ساختار نسبتاً ساده ای دارند ولی رفتار جمعی آنها بی نهایت پیچیده است . برای مثال در کولونی مورچه ها هریک از مورچه ها یک کار ساده ی مخصوص را انجام می دهد ولی به طور جمعی عمل و رفتار مورچه ها ، ساختن بهینه لایه ، محافظت از ملکه و نوزادان ، تمیز کردن لانه ، یافتن بهترین منابع غذایی و بهینه سازی استراتژی حمله را تضمین می کند. رفتار کلی یک swarm به صورت غیر خطی از آمیزش رفتارهای تک تک اجتماع بدست می آید. یا به عبارتی یک رابطه ی بسیار پیچیده بین رفتار جمعی و رفتار فردی یک اجتماع وجود دارد. رفتار جمعی فقط وابسته به رفتار فردی افراد اجتماع نیست بلکه به چگونگی تعامل میان افراد نیز وابسته است . تعامل بین افراد ، تجربه ی افراد درباره ی محیط را افزایش می دهد و موجب پیشرفت اجتماع می شود . ساختار اجتماعی swarm بین افراد مجموعه کانال های ارتباطی ایجاد می کند که طی آن افراد می توانند به تبادل تجربه های شخصی بپردازند مدل سازی محاسباتی swarm، کاربردهای موفق و بسیار را در پی داشته است. به طور کلی موضوع پروژه رسم تابع تخمینی در بحث ریاضیات برای رسم یک سری داده با استفاده از نرم افزار متلب می باشد. جمعیتی که در این پروژه مورد مطالعه و بررسی قرار می گیرند با توجه به ماهیت پروژه یکسری داده مربوط به یک تابع مشخص می باشند که ما در هر مرحله نتایج را با مقادیر دادهها مقایسه کرده تا بتوانیم ذراتی تولید کرده که بهینه شده باشند و کمترین اختلاف را با جمعیت اولیه داشته باشند. برای این منظور پروژه تا حد ممکن طوری تنظیم شده که همه جنبه های اساسی موضوع چه از نظر کاربردی و چه از نظر تئوری را در بر گیرد. در بحث آشنایی با الگوریتم و تعاریف مربوط به آن سعی شده تا هرچه بیشتر موضوع باز شده و مثال هایی به همراه داشته باشد تا موضوع ساده و روان بوده و به راحتی قابل درک باشد.
کلمات کلیدی
بهینه سازی(Optimization)، تابع برا زنگی(fitness)، بهترین سراسری(g_best)،
بهترین شخصی(p_best)، الگوریتم بهینه سازی،کلونی

فصل اول: “آشنایی با برخی ازانواع الگوریتم های بهینه سازی ”
مقدمه ای بر بهینه سازی
۱- ۱ الگوریتم اجتماع پرندگان(particle swarm optimization Algorithm – pso)
۱-۲ الگوریتم ژنتیک(Genetic Algorithm – GA
۱-۳ الگوریتم کلونی مورچه ها(Aco- Ant colony optimization Algorithm
۱-۴ الگوریتم کلونی زنبور عسل(Abc-Artificial bee colony algorithm
۱-۵ الگوریتم چکه های آب هوشمند یا چکاه(Intelligent water Drops Algorithm -Iw
فصل دوم : ” الگوریتم(particle swarm optimization – pso) و
” Cooperative Particle swarm optimization – cpso) (
مقدمه
۲-۱ ماهیت الگوریتم
۲-۲ مفاهیم اولیه
۲-۳ فلو چارت
۲-۴ اطلاعات فنی
۲-۵ ساختار کلی
۲-۶ قاعده کلی توپولوژی همسایگی
۲-۷ نکات کلیدی
۲-۷-۱ خاصیت هوش جمعی
۲-۷-۲ هوش ذرات
۲-۷-۳ کنترل الگو ریتم
۲-۷-۴ تعداد ذرات
۲-۷-۵ محدوده ی ذرات
۲-۷-۶ شرایط توقف
۲- ۸ مزایا و کاربردهای الگو ریتم
۲-۹ ذرات swarm در تعدادی فضای واقعی
۲-۱۰مثال هایی از حرکت ذرات

۲-۱۰ مثالی از پرواز پرندگان برای یافتن غذا
۲-۱۱ الگوریتم Cooperative Particle swarm optimization
۲-۱۲ معرفی نرم افزار بکار رفته در شبیه سازی پروسه
فصل سوم: به ” بکار گیری cpsoو pso در پروسه ی Curve Fitting”
مقدمه
۳-۱ ماهیت کار
۳-۲ مراحل انجام کار به کمک الگوریتمpso
۳-۲-۱ بدست آوردن تابع برازندگی
۳-۲-۲ مشخص کردن اندازه جمعیت اولیه و ابعاد آن
۳-۲-۳ بررسی خروجی های بدست آمده از تابع Fitnessدر تکرار اول
۳-۲-۴ ایجاد لیست اول جهت نگهداری خروجی های بدست آمده
۳-۲-۵ پیدا کردن بهترین خروجی تابع Fitness و یافتن مکان آن در لیست اول
۳-۲-۶ آبدیت کردن سرعت و مکان ذرات با توجه به اینکه سرعت اولیه ذرات قبلا تعریف
۳-۲-۷ ایجاد لیست دوم جهت نگهداری خروجی های تابع Fitness در تکرار دوم
۳-۲-۸ پیدا کردن مکان بهترین ذره در جمعیت دوم
۳-۲-۹ مقایسه خروجی های تابع Fitness در دو تکرار اول
۳-۲-۱۰ پیدا کردن بهترین ذرات در دو جمعیت اول و دوم و تولید جمعیت سوم
۳-۲-۱۱ محاسبه تابع Fitness برای جمعیت سوم
۳-۲-۱۲ تکرار از مرحله پنجم الی یازدهم تا رسیدن به نقاط بهینه
۳-۳ مراحل انجام کار برای الگوریتمcpso
فصل چهارم : نتایج
۴-۱ انجام پروسه توسط الگوریتم pso
۴-۲ انجام پروسه توسط الگوریتم cpso
۴-۳ بررسی تفاوت بین psoوcpso
فصل پنجم: نتیجه گیری و پیشنهاد
۵-۱ نتیجه گیری
۵-۲ پیشنهاد
مراجع
پیوست