文摘

表面粗糙度是机械零件的质量指标。许多不同的造型技术已经应用于金属切削过程。先前的研究表明,人工智能技术新颖的软计算方法适合解决非线性和复杂的问题,如金属切削过程。本研究自适应neurofuzzy推理系统用于预测的目的端铣时表面粗糙度Ti6Al4V合金涂层(PVD)和裸在干切削条件下刀具。实际实验结果已被用于训练和测试简称ANFIS模型和选择最好的模型是基于最小均方根误差。已经采用广义钟形函数作为隶属函数的建模过程,及其人数从2到5。研究结果提供证据的能力简称ANFIS在造型在端铣过程中表面粗糙度和取得良好的实验和预测结果之间的匹配。

1。介绍

Ti6Al4V合金是一种重要的超级合金受到不同的应用在生物医学、航空航天、化工行业因为它的属性和特征,如比强度高,耐蚀性高,高温性能好。然而,由于它具有一定的特性,比如化学反应,低导热系数(这从切削区减少散热),高强度,高硬度,和它的低弹性模量比钢铁等金属使它更灵活,Ti6Al4V合金被认为是很难机(1,2]。因此,选择切削参数等端铣合金这被认为是一个关键的过程。高质量的产品在一个合理的成本日益要求或需要,迫使制造商进入激烈的竞争。因此,评估产品质量,重要的是要考虑表面光洁度等的一个重要因素的评估。使用表面粗糙度的目的()作为一个索引主要是确定加工过程中的表面光洁度。在分类预测的建模技术,有三大类,即实验模型、分析模型和人工智能(AI)的基础模型(3]。前两类的发展或团体可以通过传统的方法进行统计回归等技术。然而,对于发展中最后一个类别,基于ai模型、非传统方法如人工神经网络(ANN),模糊逻辑(FL)和遗传算法(GA)通常用于此目的4]。在制造业、铣削过程的重要性之后把队伍,并有可能创建并产生复杂的几何使用端铣过程(5]。铣削是表示不同把,它被认为是一个多个切割点过程分为板,面铣、立铣。它有上下两种模式之一。此外,表面光洁度铣削中产生显著影响或影响材料的抗疲劳强度和功能性能。表面粗糙度也被认为是一个产品质量指数,和有时要求在产品规格6]。

作为显示在图1相互关联的参数,如刀具磨损、切削速度、进给速率、径向和轴向切割深度,发现明显影响加工件的表面粗糙度(8]。图2展示了表面粗糙度预测的主要领域已被用作已经建立起的基础研究,包括实验设计、工艺、材料、和人工技术。因此,预计发展中一个现实的模型预测性能措施将帮助研究人员减少加工时间和成本。最近的研究提供了证据表明基于ai模型模拟切削过程的能力。

其中一个基于ai模型作为证明的最近的研究是自适应神经模糊推理系统(简称ANFIS),作为特征,结合了模糊知识的优点和神经网络的函数逼近10,11]。指出,神经网络是能够处理不精确的数据,可以获得低层次的计算特性,而模糊逻辑可以为研究者提供高级认知功能和处理一些问题像自然语言处理和近似推理11]。基于之前的研究,现有的输入和输出参数之间的非线性关系的神经网络目前尚未透露,用户无法访问,简称ANFIS的重要性,因此,被认为是它可以用来克服这些弱点(12]。在研究Dweiri et al。13),旨在预测模型下铣削表面粗糙度的alumic - 79,研究者使用简称ANFIS。他们使用两个和四个长笛,调查结果显示,表面粗糙度可以使用获得的最佳价值四个长笛。在预测工件表面粗糙度时端铣AA 6061热处理铝合金,罗(14)使用相同的系统,简称ANFIS,研究涉及到48实验训练和24进行测试。发现获得高预测精度是实现三角形隶属函数时使用。

Goloğlu和极具15)进行的一项研究预测的表面粗糙度磨40 crmnnimo8-6-4合金钢four-flute刀具使用锯齿形运动。首先,研究人员开发了三种人工模型,即遗传规划(GP),人工神经网络(ANN)和自适应neurofuzzy推理系统(简称ANFIS)模型,然后比较它们。通过使用田口实验设计的正交数组。最好的结果是通过使用GP模型具有良好的精度。在端铣造型表面粗糙度,何鸿燊et al。16)与混合Taguchi-genetic算法,简称ANFIS的集成学习算法通过使用Lo的实验结果14]。目的是测试的可靠性提出了混合方法。在对比他们的方法与其他之前报道的文献中,研究者们发现他们的方法比其他人略准确。在一项由乌鲁斯人等。17),简称ANFIS模型提出了预测为目的的侧面磨损使用切削力信号生成端铣45 Ck和Ck 45 (XM)合金使用梯形和三角形隶属度函数。研究结果表明,实验结果之间有良好的一致性发现和简称ANFIS模型。盾和王18)应用简称ANFIS模型分析表面粗糙度预测使用交叉验证方法也瞧的实验结果14]。基于对比其他文献获得的结果和结果通过简称ANFIS聚类方法,研究人员获得了更好的精度比其他使用该方法。然而,先前的研究的缺乏,没有研究旨在模型磨的表面粗糙度Ti6Al4V超级合金使用简称ANFIS干切削条件下,这是一个部分的贡献将提供的这个特殊的研究领域当前的研究。

2。简称ANFIS架构

本节提供了一个说明的基本架构,简称ANFIS Sugeno模糊模型及其学习算法。假设模糊推理系统包含两个输入和和一个输出,首次订单Sugeno模糊模型,以下表达典型的规则集模糊if - then规则有两个考虑(9,14]:规则 如果(是)和(是),那么:规则 如果(是)和(是),那么:,在哪里,,,,,代表的线性参数,,,,象征着非线性参数。作为显示在图3,相应的等效简称ANFIS架构由五层组成,即模糊层,一个产品层,归一化层,defuzzy层和输出层。因此,下面的内容将提供更详细的描述每一层的功能。

2.1。第一层:模糊层

(我)让的输出节点1层。(2)每个节点在这一层被认为是一种自适应节点与节点函数如下: 在哪里代表了节点的输入和指的是语言标签(小型、大型等)相关节点的功能。换句话说,,反映出的隶属函数并给出了规范的程度满足量词。最常用的隶属函数是钟形和高斯隶属度函数。(3)钟形隶属函数给出的 的参数通常是积极的。的参数提供了一个中心位置的曲线。(iv)高斯隶属函数表示如下: (v)层1中的参数被称为前提参数。

2.2。层2:产品层

(我)每个节点在这一层有刺激规范操作符作为节点功能。(2)这一层使所传播的信息图层1的合成,使所有传入信号的乘法,并发送产品。(3)是由产品的输出层 (iv)每个节点在这一层函数来衡量规则的力量。(v)这一层的输出作为权重函数。

2.3。第三层:归一化层

(我)每个节点在该层获得的权重函数正常化之前的产品层。(2)因此,在计算的标准化输出节点的比例th规则的发射强度的总和规则”发射的优势,这一过程可以表达如下:

2.4。第四层:Defuzzy层

(我)这一层的节点是适应自然。(2)计算defuzzified输出这一层,使用下面的公式: 在哪里,,指的是线性或顺向参数相应的节点。

2.5。第五层:总输出层

(我)这一层提供了一个合成的单节点通过第四层的信息,同时也给人们带来了整体输出固定使用以下功能: 在哪里。

简称ANFIS采用两段式学习算法,即向前和向后传球。在第一种通过学习算法,没有修改的前提参数进行或进行;要做的是计算的参数用最小二乘估计学习算法。以类似的方式,在向后传递,没有修改的参数,但计算的过程,这样的前提是通过使用梯度下降算法参数。基于这两种学习算法,简称ANFIS适应参数自适应网络。从体系结构中,很明显,总体简称ANFIS的输出可以表示为一个线性组合所造成的参数 传球前进,向前的运动信号遵循方向到第四层的参数计算,同时,向后传递,错误率向后传播和前提参数更新的梯度下降的方法。

3所示。实验工作

如前所述,为了能够执行其任务,一种自适应神经模糊推理系统(简称ANFIS)需要输入输出训练模式。目前的研究使用或采用Elmagrabi[进行的实验工作1)检查能力的自适应神经模糊推理系统(简称ANFIS)在预测端铣时表面粗糙度Ti6Al4V合金与PVD和干切削条件下不加涂层的硬质合金刀具。Elmagrabi的研究(1)是关于开发工具寿命的数学模型,合成切削力,和表面粗糙度在目前的研究中,通过整合Box-Behnken与响应面实验设计方法(RSM)。这是基于一个假设,即全面概述可以包含所有的因素,采用RSM影响输出响应。此外,该方法利用最小数量的实验,因此特征是钱,和节省时间的方法。这样的组实验可以覆盖问题在目前的调查研究。

表1显示了切削条件包括切削速度(米/分钟),加料速度(毫米/分钟),和深度的减少(mm)。每个切削条件编码较低,中,高水平的问题域和它对表面粗糙度的影响进行调查。减少的径向深度保持不变在8毫米。

采用Box-Behnken设计在目前的研究是基于[进行1]。通过这样做,Elmagrabi [1结合因子设计实验和RSM因为这些原因:第一个原因是,这样的实验设计不需要或需要很多点的设计,它被视为设计成本低于中心合成设计通过使用几乎相同数量的因素;第二个原因是,这种类型的设计没有轴向点,和,因此,不会同时设置所有切削参数水平在更高水平和设计点是位于安全操作区。此外,在使用这个设计,只有五个设计点复制,这样效果和三个独立的切削参数之间的交互可以调查。将上面提到的是什么放入应用程序中,17个数据集创建基于此设计的实验。实验数据被分成两组:一组进行训练(表2),另一个用于测试或检查(表3)。作为显示在图4,辛辛那提Milacron立式数控铣床(模型Sabre 750 Acramatic 850 SX)是用于加工的目的Ti6Al4V合金。在进行铣削过程,进行了干切削条件下用PVD (Ti-Al-N)涂层和不加涂层的硬质合金刀具。的机械特性Ti6Al4V合金和工具提供了几何表4和5,分别。当前的研究采用算术表面粗糙度(),它的测量进行了加工表面平行的进给运动是一个便携式表面粗糙度测试仪(Mpi马赫perthometer模型)是显示在图5。

测量计算表面粗糙度(),进行在线使用便携式表面tester,及其测量每次通过后拍摄。获取值的加工表面,表面粗糙度值平均在三个地方的中心路径工件宽度。为了校准仪,粗糙度宽度的设置截止基于粗糙度值预期的需要或要求。选择截止宽度是0.8毫米,和失效准则工具是维持在6μ表面粗糙度。

4所示。结果和讨论

像任何人工智能技术,简称ANFIS模型需要两个不同的数据集:训练数据集和测试数据集。本研究利用或利用实验数据表所示2在训练阶段,而表的实验数据3是用于测试阶段。图6显示流程图的简称ANFIS训练。该研究使用简称ANFIS的架构采用了广义钟形函数如图7。注意到,这种架构由8模糊规则。

开展培训的过程中,研究者选择了广义钟形(gbell)函数作为隶属函数被编号为2,3,4,5,显示其对预测精度的影响。时代改变了从50到1000人。160简称ANFIS模型被开发的两种情况,即涂层和不加涂层的刀具,选择最好的模型进行了基于最小均方根误差在测试阶段。培训和测试阶段完成后,只有六个模型被选中,每三个模型为评价选择模型。表6和7每个模型的简称ANFIS参数。

根据先前的评论,推荐或建议步长概要文件是用曲线的形式或形状,它增加,然后,达到最大点,最后减少接下来的培训。它是通过优化初始步长和利率的增加和减少。

如表所示8和9,预测结果的实验三种简称ANFIS模型PVD涂层和不加涂层的刀具。研究结果表明,在一般情况下,所有六个模型的实验和预测结果在训练阶段相互匹配。

最小均方根误差(RMSE)作为标准选择最好的两个模型六的涂布和裸露的工具,和结果的不同的RMSE值表中给出的六个模型10。

根据上述结果,最低RMSE PVD刀具是0.2412(模型),而最低RMSE裸工具是0.1030(模型)。因此,基于这些价值观,两个模型被选为最佳的简称ANFIS模型表面粗糙度预测使用涂层和不加涂层的刀具。

数据8,9,10显示结果的隶属度函数模型pretraining和posttraining阶段的三个输入参数,即切削速度、进给速率,分别和深度的降低。研究结果提供的证据发生了巨大的变化,饲料利率的隶属度函数,但是这些削减的深度的变化是轻微的。这样的结果意味着饲料率是最重要的因素影响表面粗糙度在使用涂布工具切割深度紧随其后。

数据11,12,13结果显示有关这些因素对表面粗糙度的影响,如图9- - - - - -11最高,对表面粗糙度的影响是由进给速率施加在使用裸硬质合金刀具的机器Ti6Al4V合金。密切观察表中给出的结果2简称ANFIS的结果,可以总结,最重要对表面粗糙度的影响是由进给速率对切割深度紧随其后。在获得良好的表面光洁度,减少进给速率和深度应在水平(−1)和切削速度级别(),分别。这些重要的发现与Elmagrabi[获得的研究结果相一致1]。很明显从表2和3研磨Ti6Al4V合金的表面粗糙度值是不同的两个切割工具。除此之外不同的原因回到插入类型具有显著的对表面粗糙度的影响除了切削条件和其他参数。此外,Ti-Al-N涂布层充当干润滑剂PVD涂层的插入导致良好的表面光洁度特别是在饲料率低和高的切削速度。另一方面,裸露的表面粗糙度值插入高,可能是由于明显的凿,剥落的锋利的边缘。

数据14和15显示结果通过最好的两个模型训练阶段,分别。最有效和最佳匹配训练阶段和最小RMSE在测试阶段的两个模型。数据16和17的散点图显示测量和预测结果在训练阶段涂层和不加涂层的刀具。基于这些发现,一个好的协议实验和建立价值观显然证明和数据之后45°线。

5。结论

目前的研究调查了应用简称ANFIS端铣时表面粗糙度的预测Ti6Al4V合金涂层和不加涂层的干切削条件下刀具。众多简称ANFIS模型已经开发和测试,在目前的实验工作,只有两个模型被选为最佳的模型在预测通过切割过程中产生的表面粗糙度。研究结果表明,模型与gbell隶属函数和50时代获得最小均方根误差为0.2412的PVD涂层工具。然而,相同的模型相同的隶属函数和100年时代获得最小均方根误差为0.1030。虽然数据集用于训练和测试在当前研究低于用于其他先前的研究,这项研究获得好的结果,从而提供有效的证据使用这样的模型在预测表面粗糙度。

缩写

简称ANFIS:	自适应neurofuzzy推理系统
医生:	遗传规划
安:	人工神经网络
RSM:	响应面方法
RMSE:	均方根误差
:	简称ANFIS的输入
:	简称ANFIS的输出
,:	线性参数
,:	非线性参数
:	的输出th节点
:	的输出th节点
:	隶属函数的输入
:	正常体重正常的功能层
:	defuzzy层的输出
:	输出层的输出。