人工神经网络和自适应神经模糊推理系统模型在高速铣削刀具磨损预测中的开发

《Journal of Manufacturing and Materials Processing》：Development of ANN and ANFIS Models for Prediction of Tool Wear in High-Speed Milling

　　

在精密加工中，刀具磨损是影响加工质量和生产效率的主要因素之一。本研究通过将稳健工艺设计与反向传播神经网络（BPNN）和自适应神经模糊推理系统（ANFIS）相结合，开发了AISI 1045中碳钢高速铣削（HSM）的刀具磨损智能预测模型。研究人员采用稳健工艺设计优化加工参数，并对BPNN和ANFIS模型的超参数进行系统优化，以提高预测性能。在固定切削长度后测量刀具磨损，并用于建立预测模型。与最差实验条件相比，优化后的加工参数使刀具磨损降低了53%。优化后的BPNN模型预测精度达到96.68%，而采用高斯隶属函数的ANFIS模型达到100%，显示出更优的预测性能。该方法有效结合了稳健工艺设计与智能预测模型，能够利用有限的实验数据集准确预测刀具磨损，为智能制造应用中的刀具磨损预测和加工参数优化提供了一种高效方法。

**论文解读：基于稳健工艺设计与智能模型的刀具磨损预测研究**

**研究背景与问题**
随着航空航天、模具加工和3C产品加工等领域的持续发展，高速加工（HSM）技术扮演了重要角色，相比传统铣削可提高加工速度5-10倍，具有减少热变形和切削力等优势。然而，高速铣削中刀具磨损问题仍未解决，频繁换刀增加时间和成本，影响工件表面精度。传统的试错法依赖经验，效率低且成本高。现有刀具磨损预测方法可分为三类：实验设计与稳健参数优化（提供过程优化但缺乏可迁移预测模型）、数据驱动模型（如ANN、BPNN、LSTM等，提高非线性映射能力但依赖大训练数据集和多种传感器特征）、模糊与神经模糊模型（如ANFIS，结合学习与推理能力但同样需要大量数据调参）。当前研究不足在于：多数模型在构建后比较，但未系统地将稳健实验设计、有限数据采集与超参数优化跨模型结构联系起来。因此，本研究旨在整合稳健工艺设计与BPNN及ANFIS建模，利用有限实验数据集实现高精度刀具磨损预测，降低实验成本，明确不同智能模型的适用性。

**研究内容与结论**
研究人员以AISI 1045中碳钢为工件材料，采用10 mm HSS-Co立铣刀在LG-800三轴高速铣床上进行实验。通过稳健工艺设计（L₁₆正交阵列）优化加工参数（切削速度、切削深度、切削进给），并测量固定切削长度1400 mm后的刀具投影磨损面积作为量化指标。随后分别构建BPNN和ANFIS预测模型，并系统优化超参数。结果表明：优化参数组合（A4B1C1：切削速度40 m/min、切削深度0.2 mm、切削进给300 mm/min）使刀具磨损值降至0.0211 mm²，比最差条件降低53%；优化后的BPNN模型预测精度为96.68%，而采用高斯隶属函数（GaussMF）的ANFIS模型预测精度达到100%，显示出更优性能。该研究发表于《Journal of Manufacturing and Materials Processing》。

**主要关键技术方法**
1. **稳健工艺设计**：采用L₁₆（4³）正交阵列系统优化切削参数（切削速度、深度、进给），以信噪比（S/N）分析确定最优参数组合。
2. **反向传播神经网络（BPNN）**：使用Levenberg-Marquardt（LM）算法训练，通过L₉（3⁴）正交阵列优化超参数（训练周期、隐藏层神经元数、动量初始值），划分12组训练、2组测试、2组验证。
3. **自适应神经模糊推理系统（ANFIS）**：基于Takagi-Sugeno模糊模型，比较三种隶属函数（三角TriMF、高斯GaussMF、双Sigmoid差DsigMF），以[3 3 3]结构划分13组训练、3组测试。

**研究结果**

**4.1 稳健设计方法实验结果**
通过L₁₆正交实验和S/N响应表分析，确定切削进给（Factor C）对刀具磨损影响最大（贡献率49.69%），其次为切削深度（25.73%）和切削速度（20.68%）。最优参数组合（A4B1C1）的确认实验得到刀具磨损值为0.0211 mm²，比最差实验组（No.4，0.0452 mm²）降低53%，比最佳实验组（No.15，0.0218 mm²）提高3.2%。激光扫描共聚焦显微镜图像显示优化条件下切削刃磨损显著减轻。

**4.2 BPNN预测模型**
**4.2.1 优化BPNN超参数**
通过L₉正交阵列优化超参数，发现训练周期（Factor A）对均方误差（MSE）贡献最大（44.19%），其次为动量初始值（26.90%）和第一隐藏层神经元数（19.57%）。最优超参数组合为：周期1000、第一隐藏层神经元6、第二隐藏层神经元3、动量初始值0.05，确认实验MSE为0.00000025，比最差组提高99.89%。

**4.2.2 BPNN预测模型结果**
优化超参数后建模，16组数据中预测误差最大为13.31%（No.14），最小为0%（No.8），整体平均误差3.57%，总体R值为0.9726。用优化参数验证集预测刀具磨损值为0.0218 mm²，与实验值0.0211 mm²误差仅3.32%，预测精度96.68%。

**4.3 ANFIS预测模型**
**ANFIS超参数优化与预测模型结果**
比较三种隶属函数：TriMF测试数据平均误差7.93%（精度92.07%），整体平均误差1.48%（精度98.52%）；GaussMF测试数据平均误差4.73%（精度95.27%），整体平均误差0.89%（精度99.11%）；DsigMF测试数据平均误差5.51%（精度94.49%），整体平均误差1.03%（精度98.97%）。GaussMF表现最佳，用于最终模型。GaussMF模型在20次训练后稳定收敛，预测优化刀具磨损值0.0211 mm²，与实验值完全一致，精度100%。

**4.4 精度比较与分析**
优化实验验证集输入后，BPNN预测误差3.32%（精度96.68%），ANFIS预测误差0%（精度100%）。ANFIS无需大量超参数调优即可达到高精度，适合快速建立高精度预测模型。

**讨论与结论**
本研究成功整合稳健工艺设计与BPNN和ANFIS模型，实现了AISI 1045中碳钢高速铣削刀具磨损的智能预测。主要结论：稳健工艺设计找到最优参数组合，刀具磨损降低53%；BPNN预测精度96.68%，ANFIS（GaussMF）达100%，表明ANFIS在调查条件下具有更优预测性能；该框架有效结合稳健设计与智能模型，利用有限实验数据集实现准确预测，减少实验工作量，为智能制造提供实用决策支持工具。需注意本研究聚焦固定切削长度下的刀具磨损预测，而非完整刀具寿命评估，模型适用于所研究工况和磨损准则，但需对长期加工性能进行进一步验证。未来研究将扩展实验数据库（不同工件材料、刀具、加工环境），优化神经网络架构和模糊规则库，集成实时传感技术以提高模型鲁棒性、泛化能力和工业适用性。