利用人工智能方法预测铣削加工所得的表面质量 安德烈·奥桑(Andrei Osan)、 米哈伊·巴尼卡(Mihai Banica) 和 科内尔·弗洛里安(Cornel Florian)

《Coatings》:Prediction of the Surface Quality Obtained by Milling Using Artificial Intelligence Methods Andrei Osan, Mihai Banica and Cornel Florian

【字体: 大 中 小 】 时间:2026年04月17日 来源:Coatings 2.8

编辑推荐:

  **摘要** 本文探讨了在C45钢表面上使用环形铣削进行精加工时,利用人工神经网络预测表面粗糙度参数Ra的方法。实验在五轴CNC中心上进行,主要改变了三个参数:切削速度、每齿进给量和刀具轴倾斜角。总共加工了70个表面,并多次测量了Ra粗糙度。数据在MATLAB中进行了预处理(

  **摘要**
本文探讨了在C45钢表面上使用环形铣削进行精加工时,利用人工神经网络预测表面粗糙度参数Ra的方法。实验在五轴CNC中心上进行,主要改变了三个参数:切削速度、每齿进给量和刀具轴倾斜角。总共加工了70个表面,并多次测量了Ra粗糙度。数据在MATLAB中进行了预处理(通过Z分数减少噪声并扩充至630个值),然后用这些数据训练了一个具有贝叶斯正则化的人工前馈神经网络。所得模型在数据集上表现良好,并通过独立使用3D扫描仪处理的三种新参数组合进行了实验验证。结果证实了该网络能够根据不同的加工参数估计Ra粗糙度。本文将该模型作为评估精加工表面质量的有用工具,并建议将扩展实验基础作为未来的研究方向。

**1. 引言**
一般来说,工程部件的功能表面设计需要满足一定的质量要求,这些要求通常通过粗糙度参数Ra来量化。这一需求引发了持续的研究兴趣,旨在研究和建立粗糙度值与切削工具在 machining 过程中的行为之间的严格相关性。铣削是 machining 技术的基本工艺之一,在 metal 物件几何形状和精加工中得到广泛应用[1,2,3]。最终产品的性能直接受到所获得表面质量以及工艺执行精度和效率的影响;所有这些因素都对操作的可持续性有重要贡献。

从被加工材料 C45 钢[4,5]的角度来看,由于其良好的机械性能和在工程领域的广泛应用,需要特别关注切削条件。因此,优化铣削工艺参数成为获得高质量表面和提高生产率的先决条件[6,7]。在此背景下,切削速度 (vc)、每齿进给量 (fz) 和切削深度 (ap) 等基本工艺参数对表面粗糙度值 (Ra) 和材料去除率起着决定性作用,直接影响铣削过程的总体效率[8,9]。

近年来,许多关于加工过程的研究集中在使用人工神经网络来模拟表面粗糙度上。即使在这样特定的研究领域内,论文在网络架构定义、结果验证方法、训练算法、误差测量等方面也存在显著差异。此外,单独阅读每篇论文可能会让研究者难以清楚地了解表面质量预测的实际情况。

应对这一新挑战的一个重要优势是能够迅速获取特定加工操作的信息。当经济因素在这些操作中起关键作用时,了解最佳加工参数至关重要。为此,研究者提出了使用可加工性模型的方法[10]。Paiva等人[10]认为,这些模型可以用作优化、仿真、控制和规划中的目标函数。

在表面粗糙度建模研究中,有许多可用于模拟粗糙度数据的选项。然而出于多种原因,文献中主要研究了仅一种方法,即使用人工神经网络。人工神经网络是人工智能的一个典范[11,12],El-Mounayri和Coit[12]认为它在模拟复杂生产系统方面具有许多吸引力。神经网络的主要特点是能够在训练过程中找出输入和输出参数之间的规律。当神经网络经过训练后,它也能处理训练过程中未曾遇到的情况[13,14,15,16]。神经网络是一种高度灵活的建模工具,能够学习输入和输出参数之间的映射关系。人工神经网络可以从实验数据集中学习,从而更有效地描述非线性效应和交互作用[16]。该网络由用于呈现数据的输入层、产生神经网络响应的输出层以及中间的一层或多层隐藏层组成。网络的特性包括拓扑结构、权重向量以及隐藏层和输出层中使用的激活函数[17,18]。

MATLAB 2024a 提供了用于创建、训练和模拟人工神经网络的命令行函数和应用程序。这些应用程序有助于开发用于分类、回归(包括时间序列回归)和聚类等任务的神经网络。MATLAB程序包含一系列用于处理人工神经网络的函数和图形界面,这些功能被归类在“神经网络工具箱”中。因此,我决定使用 MATLAB 软件来构建人工神经网络。在开始构建人工神经网络之前,必须先创建输入数据和输出数据。这是前人论文[19,20,21,22]中讨论的计算机资源应用的地方。

文献中有多位研究者提出了基于人工智能的模型,用于估计加工时间,平均误差约为10–20分钟[23]。还开发出了能够以低于25%的百分比误差估计制造过程持续时间的模型[24]。此外,自设计阶段开始使用人工智能工具估计生产成本一直是多项研究的兴趣点[25,26,27,28],同时也研究了不同类型人工神经网络(ANN)在预测加工时间方面的有效性[29]。

从铣削过程中获得的表面质量预测是确保加工表面性能的严格技术和经济基础。在表面质量估计中应用人工神经网络可以显著节省时间、物料资源和能源。为了使预测结果尽可能接近实际,训练过程中使用的数据集至关重要。很少有研究关注使用五轴环形铣刀的铣削过程,尤其是倾斜角对表面质量的影响。此外,缺乏通过独立测量在新表面上验证的预测模型。为了解决这一空白,本文旨在进行一项实验研究,探讨切削速度、每齿进给量和倾斜角对C45钢表面粗糙度Ra的影响;开发基于人工神经网络并经过高级数据预处理的模型;并通过使用3D扫描仪的独立实验验证预测的准确性。接下来,本文介绍了实验方法,包括了如何获取神经网络的输入和输出数据及其处理步骤,以便开发和测试一个用于预测表面质量的系统,该系统的表现形式为粗糙度参数Ra。考虑到人工神经网络在粗糙度预测早期应用方面的文献,我认为这一课题在未来的基于表面质量的研究中具有创新性和前景。

**2. 使用环形铣刀加工平面的实验研究**
实验设计基于田口方法(Taguchi method)的原则。分别为切削速度 (vc)、每齿进给量 (fz) 和刀具轴倾斜角 (β) 规定了3个、3个和4个水平。虽然没有使用标准正交矩阵,但采用了等边混合设计,得到了70种实验组合,从而能够评估主要效应和参数之间的交互作用。实验中关注的主要因素包括:
- **切削速度**— vc [m/min];
- **每齿进给量**— fz [mm/tooth];
- **刀具轴倾斜角**— β。

刀具轴相对于表面法线的倾斜角用β表示,这种表示法在文献中很常见。确定这些因素的目的是为了找到最有利水平,以提高铣削过程的性能,同时最小化不可控因素的影响,并获得尽可能好的表面质量。实验是在C45材料上进行的,因为这种材料在汽车工业等领域广泛使用,且从几何角度来看仅考虑平面表面,每个表面都经过了之前的预处理,本研究仅关注环形铣刀的精加工过程。

**2.1. 实验描述**
实验是在S.C. Ramira S.A.公司进行的,这是一家位于罗马尼亚Baia Mare的上市公司,属于Chropynska SA集团。实验使用的是由日本爱知县ōguchi生产的OKUMA MU-400VA五轴数控中心,如图1所示。Okuma MU-400VA是一个五轴垂直CNC,X轴、Y轴和Z轴的行程分别为约762毫米、460毫米和460毫米,旋转工作台的直径为400毫米,最大负载能力为300公斤,还配备了A轴(+20°/-110°)和C轴(360°连续旋转)。主轴转速可达15,000转/分钟,刀具夹头可自动更换至48个位置。

实验样品的几何尺寸为宽40毫米、长40毫米、厚20毫米,由C45碳钢制成。在实验处理之前,样品会先进行侧面铣削以确保尽可能稳定的夹持;夹持方式借助带有压印的夹具完成。实验仅关注表面精加工,所有样品的粗加工都在其他CNC中心完成。

表面加工使用的是直径为16毫米的环形铣刀,具体型号为JHP780160E2R400.0Z4-M64,该铣刀由荷兰Gorinchem的Seco Tools公司生产,是一种实心碳化物一体式铣刀,具有4个切削刃和4毫米的圆角,切削长度为32毫米,总长度为100毫米,螺旋角为44°。刀具表面涂有MEGA-64 PVD防护涂层,具有优异的耐磨性和耐高温性能。这种刀具适用于高负荷、大切削深度和宽度的加工场景,能够确保在加工钢材、不锈钢和难加工合金时的稳定性和高效率。

在实验研究之前,样品会先进行侧面铣削以确保尽可能稳定的夹持。实验仅在表面精加工阶段进行,粗加工在其他CNC中心完成。

加工使用的是直径为16毫米的环形铣刀,如图2所示。该铣刀由Seco Tools公司生产,具有4个切削刃和4毫米的圆角,切削长度为32毫米,总长度为100毫米,螺旋角为44°。选择这种铣刀的切削参数范围是为了全面了解环形铣削过程的行为,超出了制造商推荐的範圍(140–160 m/min),从而评估低速(通常可以获得更好粗糙度)和高速(会出现更明显的热效应和动态效应)下的情况。每齿进给量选择在推荐值(0.15 mm/tooth)附近,变动范围为±27%(0.11 mm/tooth和0.19 mm/tooth),以捕捉这一参数对粗糙度的影响。

关于刀具轴的倾斜角 (β),由于制造商没有特别要求,选择了15°、35°和55°三个值,这个范围覆盖了五轴铣削中的常见情况。这些值有助于分析倾斜角对刀具材料接触几何形状的影响,进而影响表面质量。选择广泛的参数旨在识别总体趋势和最佳组合,超越了传统制造商建议的限制。所有各种参数都在表1中进行了总结。表1:环形铣刀的切削参数。关于实验条件,轴向切削深度在整个实验过程中保持恒定,值为ap = 0.5毫米,径向切削深度设置为ae = 0.3毫米。加工过程中使用了切削液,并将试样牢固地固定在夹具中。此外,在使用环形铣床进行表面加工时,刀具轴线与加工表面保持恒定的倾斜角度。对于每个试样,使用PowerMILL 2015软件编写了CAM程序,选择了特定的刀具定义选项和最佳的加工策略。因此,对于每个分析的表面,都是沿单一方向进行加工,刀具轨迹平行。表面粗糙度测量是根据ISO 4287:2010标准进行的。在每个加工表面上,使用TR-200粗糙度仪沿着进给方向进行了三次测量。测量参数(截止长度0.8毫米和评估长度4毫米)是根据ISO 4288:1996选定的。为了验证结果,还使用Profilm3D光学3D扫描仪根据ISO 25178-2:2012的原则对测试表面进行了额外分析。通过计算每个表面上三次测量的标准偏差来评估测量的实验不确定性。复制件的平均标准偏差为0.114微米,中位数为0.101微米。这些值表明粗糙度测量的重复性良好,观察到的变化既归因于位于中国北京的TIME集团有限公司生产的TR200粗糙度仪的精度,也归因于加工表面的局部不均匀性。

2.2 使用环形铣刀加工平面表面
在实验研究中,共使用了70个表面进行环形铣削加工。表1总结了每种加工对应的切削参数。CAM程序的分析显示,对于整个表面加工,使用环形铣削时,15°倾斜角度需要140条加工路径,35°角度需要142条路径,55°角度需要139条路径。图3显示了在加工平面表面时环形刀具轨迹的模拟,对应于分析的三个倾斜角度值。图3:使用环形铣床加工平面的CAM模拟(红线表示最大进给量,白线表示工作进给量)。图4显示了在位于日本爱知县大口市的Okuma MU-400VA CNC加工中心上进行的环形铣削平面过程中的图像。

2.3 加工表面的质量
关于使用环形铣刀加工的平面表面的分析,根据图5中的数据显示,最低的算术平均粗糙度Ra = 0.177微米是在使用环形铣刀编号1(SPLN-TR-1)加工的平面表面时,沿进给方向测得的。在这种情况下使用的切削参数为切削速度vc = 80米/分钟,每齿进给量fz = 0.11毫米/齿,以及15°的刀具轴线倾斜角度(见表2)。图5:使用环形铣刀加工的平面表面的算术平均Ra。表2:与使用环形铣床加工平面表面相关的实验结果。最高的粗糙度值Ra = 1.633微米是在SPLN-TR-32表面上记录的,加工参数为vc = 130米/分钟,fz = 0.15毫米/齿,以及55°的刀具轴线倾斜角度(见表1)。图6显示了使用环形铣床加工的最佳平面表面的显微图像,这些图像是通过位于罗马尼亚布加勒斯特的IOR立体显微镜(放大倍数为8倍)和位于德国慕尼黑的Hoffmann集团生产的MM1-200显微镜(放大倍数为50倍)获得的。图6:在进给方向平行方向上放大8倍和50倍时得到的最低粗糙度值的显微图像。实验结果的分析表明,加工参数对表面质量有显著影响。倾斜角度β被证明是影响最大的参数:在β = 15°时系统地获得了最低的粗糙度值,而在β = 55°时记录了最高的Ra值(与β = 15°相比平均增加了约60%–80%)。切削速度vc的影响是非线性的:在低速(80–110米/分钟)时获得了最佳结果,而在高速(190–210米/分钟)时,粗糙度略有增加。每齿进给量具有直接比例的影响:从0.11毫米/齿增加到0.19毫米/齿导致Ra平均增加了约25%–35%。从210次测量中可以观察到相同参数下的Ra值存在显著分散(变化高达0.3微米),这表明过程对未控制因素(振动、刀具磨损、切削液的均匀性)敏感。

3. 数据分析和处理
使用MATLAB软件来处理和分析实验数据,因为它具有噪声过滤和数据增强、创建、训练和验证人工神经网络的能力。这个软件环境还能够基于学习到的模型对加工表面的性能进行准确预测。选择作为神经网络输入值的工艺变量是切削速度、每齿进给量和相对于表面法线的倾斜角度,这些参数直接影响表面粗糙度(210 × 3)。输出数据对应于目标值,即沿着前进方向测量的表面粗糙度参数Ra(210 × 1),如图7部分所示。图7:神经网络输入和输出数据及其在MatLab中的定位。

3.1 噪声降低和异常值替换
在输出数据预处理阶段,通过识别和调整异常值来降低粗糙度值Ra n = 210的噪声,而不删除任何值。这一过程是使用Z分数方法对组进行应用的:对于每组唯一的输入参数组合(vc, β, fz),计算该组对应的Ra值的平均值和标准差。随后,确定每个Ra值的Z分数,并将Z分数超过2.0阈值的值替换为组平均值。选择Z分数阈值>2.0用于检测和替换异常值是符合实验数据处理的常规做法的。根据正态分布,2.0的阈值大约覆盖了95.4%的数据,只识别并考虑极端值作为异常值,而不会丢失有效数据。这个值在灵敏度和保守性之间取得了合理的折中:较低的阈值(例如1.5)会导致实际值的过度替换,而较高的阈值(例如3.0)则会导致由测量误差引起的大变化未被解决。这种方法可以在保留整个初始数据集的同时减少极端变化的影响,这些变化可以归因于测量误差或实验噪声。通过应用这种方法,数据变得更加均匀,更适合训练神经网络,同时不会影响可用信息的量。MATLAB代码如图8所示。图8:MATLAB代码和噪声降低结果。

3.2 数据增强
数据增强是预处理过程中的一个关键步骤,旨在增加数据集的多样性和量,从而提高所得结果的鲁棒性和泛化能力。在这个阶段,先前预处理的数据集被增强,将观察次数从210增加到630。这个过程是为了增加数据集的多样性,以便在不引入显著偏差的情况下进行更强大的神经网络训练。增强选择性地应用于参数β和fz,同时保持切削速度vc不变,包括引入标准差为4%的随机噪声,模拟铣削过程中的实际变化。复制次数设置为n_aug = 2,以保持数据平衡。数据增强过程分为几个阶段。第一步是复制原始的预处理值。然后,对于每个参数,计算标准差,并在此基础上应用选择性噪声。最后一步是将增强后的数据与初始数据集合并,然后检查数据集的最终大小和新的标准差。这种方法允许数据集变得广泛和多样化,同时保持原始观察值的代表性,并有助于开发出一个鲁棒和可靠的预测模型。MATLAB代码如图9所示。图9:MATLAB代码和数据增强结果。新复制的数量由n_aug设置,以平衡数据集的增长,input_aug和output_aug分别复制输入矩阵和clean_output向量n_aug次,形成增强的基础。添加的噪声通过sigma_beta和sigma_fz分别针对β和fz列进行缩放,sigma_output针对输出,相当于标准差的4%,以模拟真实的变化。输入_aug的β和fz列受到正态缩放噪声的干扰,output_aug同样进行了修改,从而为增强集引入多样性。通过将原始数据与增强数据垂直连接,完成了input_final和output_final集合的生成,最终的disp显示了替换次数的反馈。这一步之后,生成了新的输出列表,结果显示的标准差为0.267,反映了分析数据的分散程度。

3.3 人工神经网络(ANN)
为了模拟加工参数与表面粗糙度参数Ra之间的关系,使用了一个具有两个隐藏层的前馈神经网络,第一层有10个神经元,第二层有5个神经元[10, 5]。这种架构针对增强后的数据集进行了优化,复杂程度足够捕获过程的非线性,同时避免了过学习。选择的训练算法是trainbr(贝叶斯正则化),因为它能够处理实验数据中存在的噪声。数据集被划分为70%用于训练,15%用于验证,15%用于测试。培训已经进行了1500多个时代,失败容忍阈值(max_fail)为25。方法步骤包括对输入和输出数据进行标准化,以确保神经网络能够快速且稳定地收敛,然后根据指定的参数对其进行配置和训练。接着使用标准统计指标来评估模型的性能,即平均绝对误差(MAE)、平均误差的平方根(RMSE)和决定系数(R2)。这种方法策略的实施导致了一个稳健的预测模型的开发,该模型能够根据工艺参数提供Ra粗糙度的准确估计,同时保持模型泛化能力。MATLAB代码如图10所示。图10. 人工神经网络(ANN)的MATLAB代码及其结果。输入-final矩阵和输出-final向量被转置(X和Y)以符合人工神经网络的格式,并使用mapminmax进行标准化,将值缩放到[-1, 1]范围内,并保存参数以供后续反转(psX, psY)。神经网络被定义为前馈型,具有两个隐藏层(分别为10个和5个神经元),并通过贝叶斯正则化(trainbr)进行训练,以处理噪声和数据量低的情况。训练、验证和测试的比例分别设置为70%、15%和15%,训练参数包括1500个最大周期、连续失败的最大次数为25次以及确保收敛的最小梯度为1×10^-8。训练通过train(net, Xn, Yn)进行,预测结果y_pred使用mapminmax(‘reverse’)进行反标准化。网络的性能通过MAE、RMSE和决定系数R2来评估,结果以三位小数的精度显示(fprintf)。在分析神经网络性能时,获得的统计指标显示绝对平均误差(MAE)为0.087,平均误差的平方根(RMSE)为0.114,R2相关系数为0.819。这些结果表明模型能够很好地拟合用于训练的数据集,该数据集由预处理和增强后的数据组成。图11显示了训练过程的数值总结,表明神经网络已经训练了91个周期,终止是由于达到验证集的最大检查阈值。模型的性能通过均方误差(MSE)测量,从初始值显著下降到0.0227,显示出有效的收敛。低梯度值证实了优化过程的稳定。图11. 神经网络训练。正则化参数的增加以及参数数量的减少表明贝叶斯正则化的有效应用,使得模型更加简单和稳健。由于在验证集上性能停滞而停止训练,表明模型已经提取了当前数据集中相关的信息。总体而言,结果证实了一个稳定且控制良好的驱动过程,适用于Ra粗糙度预测应用。图12显示了性能图表的分析,突出了训练、验证和测试数据集期间均方误差(MSE)的演变。MSE值逐渐减小,表明模型有效收敛。在第66个周期时,验证集达到了最佳性能,最低MSE值为0.029,之后观察到轻微的增加,表明出现了中度过拟合。图12. 性能图表(plotperform)。驱动集、验证集和测试集对应的曲线接近,表明模型具有良好的泛化能力,没有严重的过拟合迹象。在第91个周期停止训练反映了验证标准的启动。总体而言,结果证实了神经网络的稳定预测性能,误差水平较低,适合估计Ra粗糙度。图13显示了回归图的分析,突出了训练、验证和测试集的预测值与实际Ra值之间的相关性。皮尔逊相关系数(R)分别为训练集0.911、验证集0.852、测试集0.915,整体上反映了模型捕捉输入参数与Ra粗糙度之间线性关系的良好能力。图13. 回归图(plotregression)。驱动集和测试集的R值接近1,表明拟合稳健且泛化有效,而验证集的较低R值表明存在残余噪声或轻微的过拟合效应。点围绕理想线的分散表明数据中存在非线性因素或噪声。总体而言,结果证实了模型表现一致。神经模型成功训练并表现出稳定的收敛性,在用于训练的数据集上显示出高性能(MSE约为0.02,全局R约为0.90)。尽管验证和测试曲线有轻微偏差(R约为0.85–0.91),但这表明存在残余噪声,并非显著的过拟合,这也得到了验证标准导致的训练终止和正则化有效应用的支撑。3.4. 新工艺参数组合的Ra值预测预测过程被简化,以消除迭代交互和可能的输入错误。新的工艺参数值直接输入到一个数组中,其中每一行对应一个需要估计Ra粗糙度的参数组合。算法运行一个循环,为数组的每一行生成预测,同时检查输入范围的边界并明确显示结果。这种机制保护模型免受无效输入值的影响,并为结果分析提供了清晰且可重复的接口。实施步骤包括为每个输入参数定义域边界,创建和调整新值矩阵,遍历每一行生成预测,并显示结果并验证其是否符合有效域。这种方法便于快速可靠地评估新参数组合的工艺性能,减少手动干预的需要,并防止由于引入无效值而导致的错误。MATLAB代码如图14所示。图14. MATLAB Ra预测代码及相关结果。图14. MATLAB Ra预测代码及相关结果。在输入矩阵的相应列上计算vc、β和fz的最小值和最大值(min_vc、max_vc、min_beta、max_beta、min_fz、max_fz),以定义一个安全操作范围,并通过disp提供这些范围的反馈。新数组包含预测的新值,nr_nou决定了迭代行数。在for循环中,从每一行提取单独的vc、β和fz值,if条件检查它们是否在安全范围内,否则生成适当的警告。行被转置(nou_i)以适应神经网络,使用mapminmax(‘apply’、nou_i、psX)进行标准化,并通过网络处理以获得标准化的预测ra_norm,之后再反标准化(ra)以获得实际值。通过连接输入值和Ra(disp)预测来显示结果,为每个评估的行提供清晰的反馈。使用了三个新的数据集来生成预测,这些数据集不属于训练、验证或测试集。输入值选自之前定义的安全区间内,目的是估计Ra的粗糙度。这三个新值显示在表3中,神经网络提供的Ra粗糙度预测结果也列在表3中,证明了模型能够外推并为之前未使用的参数组合提供一致的估计。表3. 使用新值预测Ra粗糙度。4. 用于预测Ra的人工神经网络认证如前一章所述,人工神经网络基于数据库中的现有数据生成了新Ra粗糙度值的预测。为了验证和确认预测模型的准确性,使用环形铣刀对三个平面表面进行了实验加工。CAM过程的编程是通过PowerMill软件完成的,类似于构建初始数据库时使用的程序。主要的切割参数保持不变:轴向切割深度ap = 0.5 mm和径向深度ae = 0.3 mm。加工在OKUMA MU-400VA CNC加工中心进行,试样的夹紧在一个带有印记的虎钳中进行,以确保额外的刚性和安全性。加工过程中使用了相同的切割工具,即直径为?16 mm、拐角半径为4 mm的环形铣刀。图15显示了PowerMill中的过程模拟和在Okuma MU-400VA CNC中心实际加工平面表面的代表性框架,分别在三种实验配置下进行。图15. 使用环形铣刀加工和平面测试表面的图像(T1-T3代表测试编号)。在CNC中心完成三个表面的加工后,使用北马里大学工程学院的3D扫描仪评估了表面质量,如图16所示。Profil3D系统是一种使用相位变化干涉测量的光学扫描仪,提供高精度测量。这项技术允许分析从亚纳米到毫米级别范围内的表面地形。图16. 测量测试表面的图像。为了验证测量的正确性,表4中展示了实验表面的粗糙度值。表格包括3D扫描表面的图像、测量的粗糙度图表以及每个表面对应的数值,提供了加工表面质量的完整文档。表4. 粗糙度参数。测量表面粗糙度后,将实验值与神经网络生成的预测值进行了比较。表5展示了这些数据,突出了实际值和预测值,以便评估模型的准确性。表5. 可比的粗糙度值Ra。表5中的对比分析表明,神经网络预测的平均准确率为93.71%,实际值和预测值之间的平均差异为0.063 μm。这些结果表明模型可以成功用于估计Ra的粗糙度。然而,预测的准确性在很大程度上取决于用于训练的数据库的质量和完整性,必须尽可能完整和准确。5. 讨论实验结果揭示了三个参数对表面粗糙度的显著影响,每个参数通过不同的物理机械机制起作用。倾斜角度(β)的影响最大。在低值(β = 15°)时,环形铣刀与材料之间的接触面积减小,有效切削刃变得更锋利,有利于形成薄屑和更高的表面质量(最小Ra = 0.177 μm)。随着β增加到55°,接触面积显著增加,切削几何形状接近圆边铣削,产生更厚的屑片和额外的振动。这些效应导致粗糙度显著增加(高达1.633 μm),解释了为什么倾斜角度是环形铣刀中的主导参数。每齿进给量(fz)显示出直接的比例影响,根据经典的屑片形成机制。从0.11 mm/tooth增加到0.19 mm/tooth,增加了齿之间的距离,导致表面上的凹槽更加明显,从而隐含着更高的Ra值。切削速度(vc)显示出非线性影响。在低速(80–110 m/min)时,粗糙度较小,可能是由于屑片形成更稳定且切削区域的温度较低,从而减少了积聚边缘的现象。在更高的速度下(超过170米/分钟),尽管生产效率有所提高,但会出现热效应和动态效应(局部热膨胀和共振引起的振动),这导致表面质量略有下降。各个参数之间的相互作用显而易见:最佳的加工效果是在参数值较低的情况下获得的(切削速度vc较低、进给量fz较低和刀具倾斜角β较低),而当β值较高时,无论其他参数如何,表面的粗糙度都会显著恶化。这些观察结果证实,在环形铣削中优化表面质量需要采用多变量方法,其中刀具倾斜角起着决定性的作用。经过训练的人工神经网络表现出稳定且可控的收敛性。在前30-40个训练周期内,均方误差(MSE)显著减小,在第66个周期时达到验证集的最小值(MSE约为0.029)。由于达到最大失败次数(max_fail = 25)的标准,训练在第91个周期停止,这表明在连续检查中验证数据的性能没有显著改善。贝叶斯正则化(trainbr)的应用效果显著,使得有效参数数量从101个减少到58个,从而简化了模型,减少了过拟合的风险。R相关系数的值在训练集(0.911)和测试集(0.915)上都非常高,总体值为0.905。在验证集上记录的R值略低(0.852),这表明存在一些未被三个输入参数(切削速度vc、每齿进给量fz和刀具倾斜角β)完全解释的残余噪声或变化。考虑到数据的实验性质和测量中的不可避免的变化,这种差异被认为是可以接受的。

对于三种新的参数组合,通过使用Profil3D 3D扫描仪进行处理和测量来验证预测结果的准确性。实际值与预测值之间的绝对误差分别为0.055微米、0.117微米和0.018微米,平均准确性为93.71%,平均误差为0.063微米。这些结果证明了该模型能够合理地推广到未包含在训练数据集中的参数组合。在扩展数据集上获得的性能指标(MAE = 0.087微米、RMSE = 0.114微米、R2 = 0.819)表明,该网络能够很好地捕捉工艺参数与Ra粗糙度之间的关系。然而,最终准确性仍然依赖于数据预处理的质量(通过Z分数方法减少噪声以及增加4%的高斯噪声)以及实验研究区间的一致性。所采用的方法是合理的,因为在MatLab中实现的预测模型预阶段需要将分析简化为一组有限的变量。在这种情况下,重点关注Ra粗糙度作为表面质量的主要指标,并计划在未来的工作中通过集成更多变量来扩展模型。

为了进一步改进模型,可以考虑以下方向:提高max_fail阈值以允许在更多的训练周期内进行操作;使用不同的初始化值进行多次运行并选择最佳模型;扩大地震数据库,包括新的vc、fz和β参数组合;同时引入新的变量,如切削力、加工时间和振动水平以及噪声水平;此外,还需要分析Rt粗糙度,特别是在当前数据集中表示不足的区域。

**结论**:本文展示了人工神经网络在预测C45碳钢环形铣削加工后平面表面的算术平均粗糙度Ra方面的成功应用。实验结果显示,70个加工表面的Ra粗糙度存在显著差异,范围从0.177微米到1.633微米不等。最佳的表面质量(Ra = 0.177微米)是在参数组合vc = 80米/分钟、fz = 0.11毫米/齿和β = 15°的情况下获得的。分析表明,刀具倾斜角对粗糙度的影响最大,其次是每齿的进给量。基于对70个表面的实验以及对数据的后续处理(通过Z分数方法减少噪声并增加630个观测值),开发并训练了一个具有[10 5]架构的前馈神经网络,并使用了带有贝叶斯正则化的trainbr训练算法。所获得的模型表现良好:绝对平均误差MAE = 0.087微米,均方根误差RMSE = 0.114微米,决定系数R2 = 0.819。通过对三个新的参数组合进行独立验证,并使用3D扫描仪进行实验处理和测量,确认了93.71%的平均预测精度,与实际测量值相比,绝对平均误差为0.063微米。这些结果表明,神经网络可以根据切削速度、每齿进给量和刀具轴线倾斜角来估计表面粗糙度,从而为精加工过程中的表面质量评估提供了一种有用的工具。作为未来的研究方向,建议扩大实验数据集,包括更多参数值,特别是在研究不够充分的范围内;同时,对更多的新参数组合进行额外验证,以增强模型的稳健性和适用范围。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号