精密车削表面粗糙度预测及切削参数优化研究

论文摘要

在机械加工中,表面粗糙度是衡量已加工表面质量的重要指标之一。如何确定合理的切削用量以控制表面粗糙度备受关注,对其展开研究不仅具有很强的现实意义,也具有一定的理论意义。本文首先对切削加工工件表面粗糙度预测的研究现状进行了分类梳理,在表面粗糙度的形成机理分析和基于理论公式的粗糙度预测讨论基础上,提出并建立了基于人工神经网络的表面粗糙度预测模型。预测模型采用三层前馈型的径向基函数(RBF)神经网络;网络训练第一阶段采用聚类方法确定径向基函数的中心,第二阶段采用最小方差法(LMS)确定隐层与输出层之间的连接权值。第二,将建立的基于RBF神经网络预测模型应用于超精密车削加工的表面粗糙度预测。利用Matlab软件编制神经网络运行程序,选择若干组实验数据作为训练样本,通过测试样本对训练后的神经网络预测精度进行检测,结果表明了基于RBF神经网络预测模型的有效性。通过该预测模型研究了表面粗糙度随切削速度、背吃刀量等切削参数的变化规律。第三,以超精密车削加工为研究对象,进一步开展了基于遗传算法的车削加工参数优化研究。在表面粗糙度为目标函数的建立中,由于理论粗糙度公式精度低,本文采用切削用量与粗糙度的指数关系形式,并应用遗传算法对参数进行辨识。优化实例实现了在保证工件表面质量的前提下提高加工效率的目的。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 表面质量对零件工作性能的影响
• 1.1.1 对零件运动表面的摩擦和磨损的影响
• 1.1.2 对疲劳强度的影响
• 1.1.3 对耐蚀性的影响
• 1.1.4 对配合质量的影响
• 1.2 工件表面粗糙度的研究现状
• 1.2.1 工件表面粗糙度的评价参数
• 1.2.2 国内外对表面粗糙度预测的研究现状
• 1.3 目前存在的问题
• 1.4 课题研究的目的和意义
• 1.5 论文的主要内容
• 第2章 表面粗糙度预测模型的建立
• 2.1 表面粗糙度形成机理分析
• 2.1.1 已加工表面的形成过程
• 2.1.2 表面粗糙度产生的原因
• 2.1.3 影响表面粗糙度的主要因素
• 2.2 基于理论公式的工件表面粗糙度预测
• 2.3 预测方法的选择
• 2.4 基于神经网络的粗糙度预测模型建立
• 2.4.1 神经网络类型的选择
• 2.4.2 神经网络结构的设定
• 2.4.3 神经网络学习算法的选取
• 2.5 本章小结
• 第3章 基于RBF 神经网络的超精密车削表面粗糙度预测
• 3.1 训练样本
• 3.2 径向基（RBF）网络的训练
• 3.2.1 径向基（RBF）网络训练过程
• 3.2.2 径向基（RBF）网络运行程序流程图
• 3.3 训练结果分析
• 3.4 通过预测模型分析切削用量对表面粗糙度的影响
• 3.4.1 切削速度对工件表面粗糙度的影响
• 3.4.2 进给量对工件表面粗糙度的影响
• 3.4.3 背吃刀量对工件表面粗糙度的影响
• 3.5 本章小结
• 第4章 车削加工切削参数优化研究
• 4.1 车削加工切削参数的选取
• 4.1.1 背吃刀量的选择
• 4.1.2 进给量的选择
• 4.1.3 切削速度的选择
• 4.2 优化理论概述
• 4.2.1 优化设计的分类
• 4.2.2 优化设计的步骤
• 4.3 优化方法的选择
• 4.4 遗传算法
• 4.4.1 遗传算法的实现
• 4.4.2 遗传算法的控制参数
• 4.5 切削参数优化实例
• 4.5.1 切削条件
• 4.5.2 车削参数优化数学模型的建立
• 4.5.3 优化结果分析
• 4.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介