研究目的
采用响应面法(RSM)和人工神经网络(ANN)预测实验变量(速度、进给量、激光功率和光束入射角)与表面粗糙度Ra(μm)之间的关系。
研究成果
研究发现,人工神经网络(ANN)模型在训练范围内能更准确地预测表面粗糙度。与实验次数有限的响应面法(RSM)模型相比,ANN模型的预测精度更高。皮尔逊相关性分析表明,进给角度是影响Ra粗糙度的关键参数,其次是切削速度。相较于RSM预测模型,ANN预测模型在Ra精度方面具有10%的最大优势。
研究不足
该研究仅限于采用响应面法(RSM)和人工神经网络(ANN)对Inconel 718合金激光辅助车削表面粗糙度Ra(μm)进行预测建模。比较基于有限数量的实验数据。
1:实验设计与方法选择:
基于响应面法(RSM)原理,采用二阶中心复合旋转设计(CCRD)结合L31(43)进行实验规划。该设计可评估所有1F(主因子效应)、2FI(二阶交互作用)和3F(二次项)。CCRD设计包含31次试验:16次析因试验(试验1-16)、6次轴向试验(α=±2用于逼近曲率,试验17-23)以及8次中心零水平重复试验(试验24-31)用于测定纯误差。
2:6)、6次轴向试验(α=±2用于逼近曲率,试验17-23)以及8次中心零水平重复试验(试验24-31)用于测定纯误差。
样本选择与数据来源:
2. 样本选择与数据来源:对沉淀时效硬化的Inconel 718材料进行激光辅助车削,切削深度为0.50 mm。每次实验加工60 mm切削长度。
3:50 mm。每次实验加工60 mm切削长度。
实验设备与材料清单:
3. 实验设备与材料清单:采用2 kW固态连续波Nd:YAG激光源加热工件,表面粗糙度Ra(μm)值通过Mahr表面粗糙度仪(型号GD120)测量。
4:实验流程与操作规范:
激光照射工件至材料达到屈服温度后,轴向进给刀具。在车削工件圆周三个不同位置测量表面粗糙度并取平均值用于分析。
5:数据分析方法:
基于RSM建立切削参数与表面粗糙度目标函数Ra之间的二次回归方程模型。通过调整隐含层神经元数量和迭代次数,根据最高相关系数(R2)和最低均方根误差(RMSE)选择最优神经网络架构。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容