响应面法和人工神经网络在双刀车削加工响应优化中的比较评估

《Results in Materials》：Comparative evaluation of response surface methodology and artificial neural networks for optimizing machining responses in double tool turning operations

　　

本研究对响应面法（Response Surface Methodology, RSM）和人工神经网络（Artificial Neural Network, ANN）方法进行了比较评估，用于预测和优化AISI 1043中碳钢在干式切削条件下进行双刀车削（Double Tool Turning, DTT）过程中的加工响应。研究目标是利用通过Box-Behnken设计（Box–Behnken Design, BBD）获得的实验数据，开发表面粗糙度（Ra）、材料去除率（Material Removal Rate, MRR）和刀尖温度的预测模型。实验在一台改装的普通车床上进行，使用了四个加工参数：切削速度、进给量、主切削深度和副切削深度。基于RSM的二阶多项式模型通过方差分析（Analysis of Variance, ANOVA）进行评估，而ANN模型则采用前馈多层感知器，包含一个含有十个神经元的隐藏层，并使用Levenberg-Marquardt算法进行训练。模型性能通过R2、调整后R2、平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）以及实验值与预测值的对比来评估。实验结果表明，表面粗糙度、刀尖温度和材料去除率的变化范围分别为0.82至2.05 μm、42至90.2 °C以及1.5至13.5 mm3/min。进给量是影响表面粗糙度的主导因素，而切削速度显著影响MRR和热行为。两种模型都成功捕捉了加工参数与响应之间的非线性关系；然而，ANN显示出更高的预测精度，其RMSE和MAE值更低，相关系数超过0.97，而RSM则能更优地解释参数效应及其交互作用。研究结果证实，结合RSM和ANN为双刀车削加工中的响应预测和优化提供了一个有效的框架，能够改善表面质量、生产率和热性能。

论文解读：响应面法与人工神经网络在双刀车削加工优化中的比较研究

研究背景与现存问题

车削是制造圆柱形零件最广泛应用的加工工艺之一。传统的单刀车削（Single Tool Turning, STT）因每次只使用一把刀具进行切削，在高产量生产中面临加工时间长、效率受限的问题。为提升生产率，双刀车削（Double Tool Turning, DTT）技术被提出，它通过两把刀具同时对同一工件进行切削，旨在提高材料去除能力和加工效率，尤其对中小型制造企业具有经济吸引力。然而，DTT的性能受到切削速度（Vc）、进给量（f）、主切削深度（d₁）和副切削深度（d₂）等参数的强烈影响，这些参数共同决定了表面粗糙度（Ra）、材料去除率（MRR）和刀尖温度等关键加工响应。由于两把刀具同时切削引入了载荷分担和切削深度间的交互作用，使得DTT的参数选择比传统车削更为复杂。尽管响应面法（RSM）和人工神经网络（ANN）已被广泛应用于各种加工过程的建模与优化，但针对干式DTT过程中，同时预测和优化表面粗糙度、材料去除率和刀尖温度这三种响应的比较研究仍然有限。因此，本研究的目的是开发和比较RSM与ANN模型在干式DTT加工AISI 1043中碳钢时的预测能力，并通过多响应优化确定最优加工参数，从而为DTT工艺提供可靠的参数选择和优化框架。

研究方法与技术路线

研究人员选用AISI 1043中碳钢作为工件材料，在改装的普通车床上搭建双刀车削配置，使用未涂层硬质合金刀片（ISO CNMG 120408）。实验采用四因素三水平的Box-Behnken设计（BBD）规划了27组实验，四个因素为切削速度（100-300 m/min）、进给量（0.05-0.15 mm/rev）、主切削深度（0.2-0.4 mm）和副切削深度（0.05-0.15 mm）。随后，基于实验数据分别建立了两类预测模型：一是基于RSM的二阶多项式回归模型，并通过方差分析（ANOVA）评估其显著性；二是基于ANN的前馈多层感知器模型，采用含10个神经元的单隐藏层结构，并使用Levenberg-Marquardt算法进行训练。模型性能通过R²、调整后R²、平均绝对误差（MAE）和均方根误差（RMSE）等指标进行比较评估。

研究结果

1. 表面粗糙度（Ra）

实验测得的表面粗糙度值范围为0.82至2.05 μm。Pareto图分析表明，进给量是影响表面粗糙度的最主要因素，其次是切削速度。较高的切削速度和较低的进给量有利于获得更好的表面光洁度。残差图显示随机分布且近似正态，验证了回归模型的适用性。

2. 材料去除率（MRR）

实验结果显示，MRR从1.5变化到13.5 mm³/min。研究发现，MRR随着切削速度、进给量和切削深度的增加而提高，这符合预期的生产率提升规律。其中，切削速度是影响MRR的主导因素。

3. 刀尖温度

刀尖温度测量值范围为42至90.2 °C。结果显示，更高的切削速度、进给量和切削深度会因切削能量、摩擦和材料接触的增加而导致刀尖温度升高。值得注意的是，第二把刀具的温度始终比第一把高出约2-3 °C，这归因于不同的热载荷。在干式切削条件下观察到的较高温度凸显了优化切削参数以控制热效应的必要性。

4. 模型性能比较

两种模型均成功捕捉了加工参数与响应间的非线性关系。定量比较显示，ANN模型在所有三个响应（Ra、MRR、温度）的预测中均表现出更高的准确性，其RMSE和MAE值更低，且相关系数（R²）均高于0.97。相比之下，RSM模型虽然在参数效应和交互作用的解释方面更具优势，但其预测精度略低于ANN。

结论与意义

本研究通过比较评估，证明了将RSM和ANN相结合是预测和优化双刀车削加工响应的有效策略。ANN在预测精度上表现更优，适用于需要高精度预测的场景；而RSM则在揭示参数间相互作用机理方面具有独特价值。研究最终确定了能够同时最小化表面粗糙度和刀尖温度、最大化材料去除率的最优加工参数组合。该研究成果为中小企业在干式双刀车削AISI 1043钢时，提供了科学可靠的加工参数选择依据，有助于在保证表面质量和控制热效应的前提下，有效提升加工生产率。论文发表于《Results in Materials》。