表面粗糙度预测

高速切削表面质量预测
表面粗糙度影响因素
实验中一般取切削速度V 进给量Vf 切削深度ap
预测方法
•1理论方法
•2实验+回归分析•3响应面法
•4人工神经网络•5模糊逻辑控制•6有限元
理论方法
•理论方法是通过建立
刀具和工件的切削模
型，不考虑加工过程
的影响建立的一种理
想化的模型
•不需要实验数据，但
与实际测得值相差很
大
实验+回归分析
•一般是通过正交试验选取实验条件，然后再通过实验后所得到的数据，通过回归分析建立预测模型。

•如：王素玉的高速铣削表面粗糙度建模与预报。

陈涛的淬硬钢GCr15 精密切削过程的建模与加工表面完整性预测
•需要先通过实验获取数据。

•方法简单但是运用的比较多，时间比较久且精度不高
c
b p a f n
a kV R a
基于响应面法的车削粗糙度预测模型构建
响应面法(Response Surface Model,简称RSM)是数学方法和统计方法结合的产物,是用来对所感兴趣的响应受多个变量影响的问题进行建模和分析的,其最终目的是优化该响应值。

反应面法的基本思想是通过近似构造一个具有明确表达形式的多项式来表达隐式功能函数,假设影响反应值的独立变量为X 1X 2 X q 则未知函数表达式为:
然后通过实验数据求解公式，获得预测模型需要试验获取数据，与回归方法近似。

()ε
+=q x x x Y .....,f 21
神经网络
•需要通过实验获得一定的实验数据，然后通过对人工网络的训练获得，精度较高•研究使用较多,比较简单，内容较少
神经网络法需要先通过试验获得一定的数据对神经网络进行行训练，再获得预测模型。

能够以任意精度逼近任何非线性映射，精度比较高
最小二乘支持向量机
•支持向量机基于结构风险最小化(structural riskminimization, SRM)准则其拓扑结构由支持向量决定,克服了ANN结构依赖设计者经验的缺点,较好解决了高维数、局部极小、小样本等ANN先天问题,兼顾了神经网络和灰度模型的优点,并已成功地在预测领域得到应
模糊
步骤1:输入变量模糊化
步骤2:运用模糊规则进行模糊推理
步骤3:反模糊化
模糊推理需要试验数据进行训练，一般不单独用来进行表面粗糙度预测，多用于加工工艺参数的评价以及多目标优化，多与神经网络综合起来进行预测。

自适应神经模糊推理系统(ANFIS)
•神经网络建立模型时,存在着网络内部单元意义不明确、训练时间长、难以表达结构化知识等缺点。

随着计算机技术的发展,将模糊推理系统的知识表达能力与神经网络的学习能力结合起来已成为现实。

自适应神经模糊推理系统(ANFIS)是将模糊推理系统与神经网络相结合的产物,它具有以任意精度逼近非线性函数的功能,有更高推广能力和收敛速度快的特点
自适应神经模糊推理系统(ANFIS)
•王刚，张卫红在钛合
金立铣表面粗糙度预
测新方法中，用混合
蚁群算法训练的模糊
系统进行表面粗糙度
苏宇等基于自适应神
经模糊推理系统
（ANFIS）的铝合金
铣削加工表面粗糙度
预测模型研究
有限元模拟
•可以不先通过实验获取数据，直接进行有限元建模，然后通过实验验证和修正模型
不通过实验
•abaqus有限元模拟（车削模型）
•有限元法是在连续体上进行近似计算的一种数值方法。

其原理是将物体划分成有限个单元，单元之间通过有限个节点相连接，单元之间的热或力等通过节点传递，然后利用能量守恒原理建立各单元矩阵，在输入材料特性、边界条件、初始条件、几何特性等后，利用计算机进行应力,应变和温度场等特性的计算，最后对计算结果进行分析，显示物体的相应求解对象分布图。

用已有的实验数据
•可以通过matlab基于模糊神经网络编制一种交互软件，输入其影响条件数值（如切削速度、进给量、刀具半径、切削深度等）以获得的相应的表面粗糙度
•（相当于建一个数据库，获得一些材料的不同的粗糙度预测公式）
•第1步通过查阅论文获得一些材料相应的数据•第2步基于模糊神经网络通过matlab 编制一种交互软件，然后输入所获得的数据通过训练神经网络，获得预测模型
•第3步可以通过输入一些数据获得任意加工的工件表面粗糙度
如通过在刘天舒王福林在改进的BP神经网络车削45钢预测，张永顺等车削Q235的预测，张永宏磨削工具W9Mo3Cr4V等获得数据然后建立数据库，再需要获得45钢或者Q235表面粗糙度时，只需要输入加工参数既可以得到表面粗糙度预测值
展望
•查阅有关于有限元预测模型方面的资料•学习abaqus 有限元
•学习Matlab 以及C语言。