论文部分内容阅读
随着我国科学技术的迅速发展,机械制造业水平得到显著的提高,并且在国民经济中占有重要地位,尤其是在航空、医疗、国防领域起到了举足轻重的作用。这对机械加工质量提出了更高的要求,表面粗糙度是衡量加工表面质量的一项重要指标,刀具磨损情况直接影响着零件表面质量、加工精度、加工效率以及加工成本。因此本文对刀具磨损和工件表面粗糙度两方面进行预测以及切削工艺参数的优化进行研究。切削参数严重影响着刀具的磨损状况,缩短刀具寿命,大大降低工件的加工精度和表面质量,而且还将增加工件的加工成本。合理选择切削参数是机械加工过程中一项非常重要的任务。因此,采用多因素正交试验设计方法进行了难加工材料马氏体不锈钢平面的铣削实验,通过超景深三维显微镜测量后刀面的磨损量得到训练样本。然后借助BP神经网络的非线性映射能力,通过有限的训练样本构建了关于切削速度、每齿进给量、背吃刀量和切削时间的刀具磨损预测模型。实验结果表明神经网络预测模型的误差不超过5.4%。最后建立了使刀具磨损量为最小的切削参数优化模型,根据每一代的刀具磨损量定义个体的适应度评价函数,提出了切削参数优化模型的遗传算法求解技术。与Taguchi法相比,基于遗传算法的优化方法所获得的最优切削参数,能够减小6.734%的刀具磨损量。提出的基于神经网络与遗传算法的刀具磨损检测与控制技术不仅能够提高刀具磨损量的计算效率与精度,而且为切削参数的合理选择提供了基础理论。零件表面粗糙度是衡量工件表面质量的重要参数。合理的控制表面粗糙度对于加工质量非常重要。实际加工中表面粗糙度的影响因数具有复杂性与不确定性。因此,采用均匀设计法进行难加工材料钛合金TC4的切削实验,利用德国马尔MarSurf M 300C精密型表面粗糙度测量仪测得工件表面粗糙度,然后运用非线性回归求解技术,构建了切削速度、进给量、背吃刀量和切削长度的表面粗糙度的预测模型。采用方差分析法检验预测模型的拟合度及各独立输入参数的显著性。并用对比试验进行实验值和预测值的误差对比分析,结果表明,所建立的回归预测模型预测误差低至0.019%,具有精度高,可靠性强等特点。最后,提出了以最小表面粗糙度为目标的切削参数优化模型,运用遗传算法优化求解技术获得的最优切削参数。这项研究的结果为表面粗糙度的预测提供理论上的依据。