数控车削表面粗糙度回归模型与人工神经网络模型的比较

摘要

表面粗糙度是零件加工中客户最明确的要求之一，它是表面质量的一个指标。在本研究中，实验结果对应不同的刀具齿尖半径(0.4,0.8,1.2 mm)，不同的切削深度(0.75,1.25,1.75,2.25,2.75 mm)，不同的进给速度(100,130,160,190，采用多元回归分析和人工神经网络(ANN)方法，对220mm /min AISI 1030钢工件表面质量进行了研究。比较了车削过程中不同切削条件下的表面粗糙度的回归分析和神经网络模型。利用表面粗糙度测量得到的数据集对神经网络模型进行测试。将训练好的神经网络模型用于切削条件下的表面粗糙度预测。对神经网络模型和回归模型进行了比较。多元回归模型的决定系数为0.98。隐层9个神经元的比例共轭梯度(SCG)模型产生了绝对方差 （ R 2 ） 0.999为培训数据，0.998为测试数据。预测神经网络模型对表面粗糙度的预测优于各种回归模型。然而，这两种方法都可以用于车削表面粗糙度的预测。

参考文献

1. E. P. DeGarmo, J. T. Black, R. A. Kohser，制造中的材料和过程，麦克米伦，纽约，纽约，美国，第7版，1990。视图:谷歌学者
2. B. Lahidji，“金属车削操作的挠度测定”，工业技术学报，第13卷，第2期2，页21-23,1997。视图:谷歌学者
3. T. Özel和Y. Karpat，“使用回归和神经网络的硬车削表面粗糙度和刀具磨损的预测建模，”国际机床与制造杂志第45卷第5期4-5，第467-479页，2005。视图:出版商的网站|谷歌学者
4. S. a . Coker和Y. C. Shin，“利用新的超声系统对刀具磨损引起的表面粗糙度的过程控制”，国际机床与制造杂志第36卷第2期3，第411-422页，1996。视图:出版商的网站|谷歌学者
5. 林文生，李秉英，吴志良，“车削表面粗糙度与切削力的建模，”，材料加工工艺学报，第108卷，第108号3，页286-293,2001。视图:出版商的网站|谷歌学者
6. 冯长兴，“车削参数对表面粗糙度影响的实验研究”，载工业工程研究会议论文集， 2001年5月，第2036号文件。视图:谷歌学者
7. 王学军，“精加工车削表面粗糙度预测的经验模型开发，”国际先进制造技术杂志，第20卷，第2期。5，页348 - 356,2002。视图:出版商的网站|谷歌学者
8. K. A. Risbood，美国Dixit和A. D. Sahasrabudhe，“通过测量切削力和车削过程中的振动预测表面粗糙度和尺寸偏差”，材料加工工艺学报第132卷第1期1-3页，203-214页，2003。视图:出版商的网站|谷歌学者
9. 李春梅，“数控端铣表面粗糙度预测技术，”工业技术学报，第15卷，第5期。1，第1 - 6页，1998。视图:谷歌学者
10. “基于响应面法的析因设计试验对铬镍铁合金718切削性能的评估”，国立中央大学化学与工程学院硕士论文。材料加工工艺学报第95卷第1期第1-3页，第30 - 39,1999。视图:出版商的网站|谷歌学者
11. ISO 4287，“几何产品规范(GPS)。表面纹理:轮廓方法。术语、定义和表面纹理参数”1997视图:谷歌学者
12. PDI网站管理员，“表面计量指南”，2004年8月，http://www.predev.com/smg/parameters.htm．视图:谷歌学者
13. 杨建林，陈建昌，“一种用于识别铣削加工表面粗糙度的系统方法，”工业技术学报，第十七卷，第二期2，页1-8,2001。视图:谷歌学者
14. d·m·艾伦和f·b·曼，用回归分析实验数据《终身学习》，美国加州贝尔蒙特，1982年出版。视图:谷歌学者
15. d . c .蒙哥马利实验设计与分析， John Wiley & Sons，纽约，纽约，美国，第5版，2001。视图:谷歌学者
16. e . Oztemel集成专家系统和神经网络的智能在线统计过程控制1992年12月，英国威尔士大学，卡迪夫，电气，电子与系统工程学院，博士论文。视图:谷歌学者
17. a . Palau, E. Velo和L. Puigjaner，“使用神经网络和专家系统来控制气体/固体吸附制冷机”，国际制冷杂志第22卷第2期1，第59-66页，1999。视图:出版商的网站|谷歌学者
18. D. D. Massie，“科学家和工程师的神经网络基础”，出版能源系统和过程的效率、成本、优化、模拟和环境方面的国际大会论文集(ECOS '01)，第123-128页，土耳其伊斯坦布尔，2001年7月。视图:谷歌学者
19. m.t. Hagan和h.b. Demuth，神经网络设计， PWS，波士顿，马萨诸塞州，美国，1996。视图:谷歌学者
20. e . Oztemel集成专家系统和神经网络的智能在线统计过程控制1992年12月，英国威尔士大学，卡迪夫，电气，电子与系统工程学院，博士论文。视图:谷歌学者
21. m.t. Hagan和h.b. Demuth，神经网络设计， PWS，波士顿，马萨诸塞州，美国，1996。视图:谷歌学者
22. MATLAB 6.5(发布13)，技术计算语言， MathWorks, Natick，马萨诸塞州，美国，2002年。视图:谷歌学者
23. E. Arcaklioǧlu，“使用人工神经网络比较氯氟烃及其替代品的性能”，国际能源研究杂志第28卷第2期12，页1113-1125,2004。视图:出版商的网站|谷歌学者
24. A. Sözen, E. Arcaklıoğlu, M. Özalp, N. Çağlar，“基于神经网络方法的土耳其太阳能潜力预测”，可再生能源，第30卷，第2期7，第1075-1090页，2005。视图:出版商的网站|谷歌学者
25. A. Sözen, E. Arcaklıoğlu和M. Özkaymak，“土耳其的净能源消耗”，应用能源第81卷第1期2，页209-221,2005。视图:出版商的网站|谷歌学者
26. İ。Toktaş和N. Aktürk，“一种使用人工神经网络进行圆柱螺旋齿轮概念设计的新方法”，发表于首届国际职业技术教育技术大会论文集(mmet’05)，第754-762页，土耳其伊斯坦布尔，2005年9月。视图:谷歌学者

版权

版权所有©2007 Muammer Nalbant et al。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。