基于混合田口-人工神经网络模型与莱文伯格-马夸尔特算法的自由曲面叶轮加工参数预测与优化

《Machines》：Prediction and Optimization of Freeform Impeller Machining Parameters Using a Hybrid Taguchi-Artificial Neural Network Model with the Levenberg–Marquardt Algorithm

　　叶轮的自由曲面加工涉及较长的循环时间，导致高能耗和高成本，因此需要进行有效的工艺优化。本研究开发了一种CAD/CAM集成的混合Taguchi-人工神经网络（ANN）模型，以优化自由曲面叶轮的加工参数。使用L25正交表研究了四个可控因素——切削进给（C_f）、Z向进给（F_z）、退刀进给（R_f）和刀具直径（C_D）的五个水平，以加工时间为响应变量。Taguchi分析确定切削进给是最主要的因素，而退刀进给则不显著，一阶回归模型的R²为95.88%。具有六个隐藏神经元的两层前馈神经网络达到了R²为0.9999和平均绝对误差0.0976分钟。为了严格验证泛化能力，采用了留一交叉验证，确定三个隐藏神经元为最优，交叉验证的R²为0.9823，RMSE为0.5350分钟，MAE为0.3429分钟。最终使用所有样本训练得到的模型达到了R²为0.9996。与同一测试集上的二次回归模型进行比较，证实了ANN的优越预测能力（R²=0.9992 vs. 0.9983）。通过仿真验证了最优参数（C_f =12,000 mm/min，F_z =600 mm/min，R_f =4000 mm/min，C_D =6 mm），加工时间为11.05分钟，相比23.32分钟减少了52.6%。混合Taguchi-ANN框架有效地优化了自由曲面叶轮的加工，在保持工艺可靠性的同时显著提高了生产率。