基于软计算的工业机器人多轴热空气加工回火玻璃工艺参数预测与优化

《Materials Today Communications》：Soft computing based prediction and optimization of process parameters during hot air machining (HAM) of tempered glass using multi-axis industrial robot

　　

本研究利用多轴工业ARISTO机器人研究了回火玻璃的热空气加工性能，考察了空气压力、空气温度、喷嘴距离、喷嘴直径、玻璃厚度和进给速度对切缝宽度、材料去除率和表面粗糙度的影响。实验遵循田口L27正交设计进行，结果采用方差分析、响应面法和前馈人工神经网络进行分析。方差分析确定空气压力为主导参数，对切缝宽度、材料去除率和表面粗糙度变化的贡献率分别为 47.82%、69.01% 和 43.56%，其次是空气温度。响应面法模型显示出较高的预测精度，切缝宽度和材料去除率的平均偏差分别低于 3.64% 和 4.07%。前馈人工神经网络模型结合了贝叶斯正则化和Levenberg-Marquardt优化算法，在所有响应上实现了 R2 > 0.996 和平均绝对百分比误差 < 0.65%，相较于已发表的同类玻璃加工过程的回归基准，精度提高了五倍。最优条件（5 bar、200°C、6 mm 喷嘴距离、4 mm 喷嘴直径、2 mm/s 进给速度）可产生 293.83 mm3/min 的最大材料去除率，同时获得的表面粗糙度满足精密光学和电子应用的要求。这些发现为机器人玻璃切割中的工艺规划和自适应控制提供了一个稳健、高精度的软计算框架。

**论文解读：基于软计算与多轴工业机器人的回火玻璃热空气加工工艺参数预测与优化研究**

**一、 研究背景与意义**

玻璃切割是工业应用中的关键工艺，传统方法如机械划刻与断裂、激光切割和磨料水射流切割等，在应用于精密回火玻璃时均存在显著局限性。机械划刻易导致边缘崩缺和表面损伤，不适用于光学和电子应用。激光切割产生的陡峭热梯度可能引发完全回火玻璃因其高储存应变能而导致的灾难性自发碎裂。磨料水射流切割则存在切缝较宽、引入水分污染以及需要处理磨料浆料等问题。热空气加工技术通过利用回火玻璃独特的残余应力结构，提供了一种非接触、无磨料污染的替代方案。该技术利用受控的热空气射流冲击，产生局部热梯度，与玻璃表面预存的压应力相互作用，引导裂纹沿预定路径精确扩展。

然而，先前关于热空气辅助玻璃切割的研究多采用固定喷嘴或简单二轴数控平台，限制了其执行复杂、曲线和三维切割轨迹的能力。本研究将热空气加工与六自由度多轴工业ARISTO机器人集成，其核心创新点在于能够以前所未有的运动灵活性执行复杂的切割轨迹，这是先前固定式平台无法实现的。这种集成将热空气加工从实验室探索转变为一种工业可行的工艺，能够满足汽车、建筑和消费电子等领域对复杂玻璃几何形状的需求。因此，本研究旨在系统分析空气压力、温度、喷嘴距离、喷嘴直径、玻璃厚度和进给速度等关键工艺参数对切缝宽度、材料去除率和表面粗糙度的影响，并建立一个高精度的软计算框架，用于工艺规划和自适应控制，以提升回火玻璃加工的精度、效率和质量。该研究成果发表在《Materials Today Communications》期刊上。

**二、 关键技术方法**

本研究采用了一套集成的实验设计与建模方法。首先，使用田口L27正交阵列设计实验，系统性地研究了六个工艺参数（空气压力、空气温度、喷嘴距离、喷嘴直径、玻璃厚度、进给速度）在三个水平上的变化。实验在集成了热空气系统的六自由度工业ARISTO机器人平台上进行，对回火玻璃试样进行切割。切割后，使用三目倒置显微镜测量切缝宽度，通过公式（材料去除率 = 切缝宽度 × 厚度 × 进给速度）计算材料去除率，并使用KEYENCE VR-6000三维光学轮廓仪测量表面粗糙度。数据分析采用方差分析以确定各参数的显著性及其贡献率。随后，利用响应面法建立二阶多项式模型，以量化参数间的线性、二次和交互效应，并进行多响应优化。同时，构建了一个包含一个输入层、两个隐藏层（分别为14和10个神经元）和一个输出层的前馈人工神经网络模型，采用双曲正切S型激活函数和线性输出函数，并应用贝叶斯正则化与Levenberg-Marquardt算法进行训练优化，旨在捕获工艺参数与响应之间高度非线性的复杂关系，并与响应面法结果进行对比验证。

**三、 研究结果分析**

**3.1 切缝宽度**
切缝宽度是衡量加工尺寸精度和材料损耗的关键指标。实验与模型分析表明，空气压力是影响切缝宽度的最主导因素（贡献率47.82%），其次是喷嘴直径（20.91%）、空气温度（16.16%）和玻璃厚度（11.79%）。切缝宽度随空气压力和空气温度的升高而增加，因为更高的压力和温度增强了射流动能和热软化效应，导致更宽的材料去除区。喷嘴直径增大也导致切缝变宽，因为更大的流量增加了材料去除。玻璃厚度增加会带来更大的切割阻力，从而略微增加切缝宽度。相比之下，喷嘴距离和进给速度在本研究参数范围内对切缝宽度的影响不显著。响应面法模型对切缝宽度的预测具有高精度（R2 = 98.24%），平均偏差小于3.64%。轮廓图和曲面图直观展示了空气压力与空气温度、空气压力与喷嘴距离等参数组合对切缝宽度的交互影响。

**3.2 材料去除率**
材料去除率反映了加工过程的效率。方差分析显示，空气压力同样是影响材料去除率的最关键参数，贡献率高达69.01%，空气温度次之（17.92%）。材料去除率随空气压力、空气温度和喷嘴直径的增加而显著提高，因为更高的动能和热输入提升了材料去除效率。玻璃厚度增加时，为达到切割效果需要更多能量，因此材料去除率也相应提高。进给速度增加则减少了射流与材料的相互作用时间，导致材料去除率下降。响应面法模型对材料去除率的预测非常准确（R2值高），平均偏差小于4.07%。基于满意度函数分析的多响应优化确定了最优参数组合（5 bar， 200°C， 6 mm喷嘴距离， 4 mm喷嘴直径， 6 mm玻璃厚度， 2 mm/s进给速度），该条件下预测的最大材料去除率为293.83 mm3/min，比性能最差的实验条件提高了117%。

**3.3 表面粗糙度**
表面粗糙度评估加工表面的质量。空气压力（贡献率43.56%）和空气温度（31.21%）是影响表面粗糙度的主要因素。研究表明，提高空气压力和空气温度有助于获得更光滑的表面，因为更高的能量输入可以实现更清洁、更受控的断裂。进给速度增加会导致表面粗糙度恶化，因为更短的相互作用时间限制了射流对表面的“修整”作用。响应面法模型对表面粗糙度的预测存在较高偏差（可达20%），这归因于脆性材料断裂过程中微观裂纹随机合并的固有随机性，难以用光滑的二阶多项式完全捕捉。然而，前馈人工神经网络模型在预测表面粗糙度方面表现出色，平均绝对百分比误差仅为0.621%。微观图像分析进一步揭示了不同厚度玻璃试样在热影响区宽度、微裂纹密度和断裂形貌上的差异。

**3.4 前馈人工神经网络模型性能**
前馈人工神经网络模型在所有三个响应（切缝宽度、材料去除率、表面粗糙度）上均达到了卓越的预测精度，R2值均大于0.996，平均绝对百分比误差均低于0.65%。该模型的性能超过了已发表的同类玻璃加工过程的回归模型基准，实现了五倍以上的精度提升。敏感性分析表明，对于切缝宽度，空气压力和喷嘴直径最重要；对于材料去除率，喷嘴直径、空气压力和空气温度是关键；对于表面粗糙度，进给速度和空气压力影响最大。该模型具有亚毫秒级的推理时间，为集成到实时自适应控制系统提供了可能。

**四、 讨论与结论**

**讨论：**
本研究成功地将田口实验设计、方差分析、响应面法和前馈人工神经网络整合到一个统一的框架中，用于回火玻璃机器人热空气加工的工艺表征与优化。研究发现，空气压力在所有加工响应中均起主导作用，这证实了射流动能在材料去除和表面形成中的核心地位。六自由度机器人平台确保了射流对准和进给速度的高度均匀性，使得所观察到的参数效应能够真实反映工艺物理本质，而非设备变异。响应面法模型为快速定义工艺窗口提供了实用的优化方程，但其在预测表面粗糙度时较高的偏差，凸显了脆性断裂切割中表面形貌的随机特性，对此类问题，前馈人工神经网络模型因其强大的非线性映射能力而更具优势。前馈人工神经网络结合贝叶斯正则化，实现了极高的预测精度，为机器人玻璃加工的软计算预测设立了新的性能基准。所确定的最优工艺参数组合在实现高材料去除率的同时，获得了满足平板显示和汽车玻璃应用要求的表面质量，展示了该技术的工业应用潜力。研究也指出了未来工作的方向，包括在非设计矩阵参数组合下进行外部验证、利用扫描电镜进行断裂表面表征、将前馈人工神经网络模型集成到基于在线光学传感器的实时自适应控制系统中，以及评估该方法对其他脆性材料的适用性。

**结论：**
本研究得出以下主要结论：
1. 空气压力是所有三个加工响应的主要驱动因素，对切缝宽度、材料去除率和表面粗糙度变化的贡献率分别为47.82%、69.01%和43.56%，其次是空气温度。六自由度机器人输送系统确保了亚毫米级的射流对准和进给均匀性，证实了所报告的参数效应反映了真实的工艺物理特性。
2. 响应面法二阶多项式模型（所有响应的R2 > 98%）提供了实用的优化方程，能够快速定义工艺窗口。虽然响应面法充分捕捉了切缝宽度和材料去除率的趋势，但其对表面粗糙度高达20%的偏差突显了脆性断裂切割中表面粗糙度的随机性，对此推荐使用前馈人工神经网络模型（平均绝对百分比误差 = 0.621%）。
3. 采用贝叶斯正则化的前馈人工神经网络模型在所有三个响应上实现了R2 > 0.996和平均绝对百分比误差 < 0.65%，为机器人玻璃加工中基于软计算的预测设立了新的性能基准。该模型的亚毫秒级推理时间使其可直接应用于工业玻璃切割系统的实时自适应控制。
4. 最优参数组合（5 bar， 200°C， 6 mm喷嘴距离， 4 mm喷嘴直径， 6 mm玻璃厚度， 2 mm/s进给速度）实现了1.000的综合满意度，并获得了293.83 mm³/min的最大材料去除率，比基线提高了117%，同时保持了满足平板显示和汽车玻璃规格的表面粗糙度。