劉 巖，段國(guó)林，蔡 瑾

(河北工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300131)

車削工藝參數(shù)的智能生成及應(yīng)用*

劉 巖，段國(guó)林，蔡 瑾

(河北工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300131)

為了能夠快速而準(zhǔn)確地選擇加工參數(shù)，并且保證產(chǎn)品的加工質(zhì)量，提出了基于BP網(wǎng)絡(luò)模型的車削參數(shù)智能選擇方法。應(yīng)用正交試驗(yàn)獲取影響加工表面粗糙度的切削參數(shù)如吃刀量、進(jìn)給量、轉(zhuǎn)速和刀具圓角大小各因素的映射關(guān)系，建立不同加工階段的切削數(shù)據(jù)庫(kù)。通過(guò)BP網(wǎng)絡(luò)模型學(xué)習(xí)和訓(xùn)練，不僅能智能的選擇加工參數(shù)，而且能夠劃分產(chǎn)品加工階段。將試驗(yàn)數(shù)據(jù)和BP網(wǎng)絡(luò)預(yù)測(cè)的數(shù)據(jù)進(jìn)行回歸分析，驗(yàn)證了BP模型的實(shí)用性。

正交試驗(yàn)；切削參數(shù)；車削加工；BP網(wǎng)絡(luò)；回歸分析

0 引言

工藝參數(shù)的選擇在產(chǎn)品加工制造過(guò)程中起著非常重要的作用，具有復(fù)雜性和不確定性，國(guó)內(nèi)外很多研究人員通過(guò)智能算法如神經(jīng)網(wǎng)絡(luò)、模糊集、遺傳算法等建立了粗糙度和工藝參數(shù)的映射關(guān)系模型，可以快速、準(zhǔn)確和智能地選擇工藝參數(shù)[1]。劉偉強(qiáng)等建立了基于BP神經(jīng)網(wǎng)絡(luò)磨削工藝參數(shù)的預(yù)測(cè)模型，從工件材料、砂輪材料和加工條件三方面考慮，優(yōu)化磨削加工參數(shù)[2]。吳明以凸輪軸數(shù)控磨削工序?yàn)槔?，采用人工神?jīng)網(wǎng)絡(luò)構(gòu)建加工參數(shù)和加工精度之間的映射模型，從而優(yōu)化工藝參數(shù)[3]。趙昌龍等在并聯(lián)機(jī)床加工過(guò)程中，建立神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)研拋加工的表面粗糙度，并對(duì)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了改進(jìn)，提高預(yù)測(cè)精度[4]。朱紅雨等利用神經(jīng)網(wǎng)絡(luò)建立了銑削力、銑削溫度和表面粗糙度的預(yù)測(cè)模型，運(yùn)用遺傳算法得到最佳的工藝參數(shù)組合[5]。Kant等應(yīng)用人工神經(jīng)網(wǎng)絡(luò)建立產(chǎn)品表面粗糙度的預(yù)測(cè)模型，以最小粗糙度為目標(biāo)，使用遺傳算法優(yōu)化加工參數(shù)。

本文采用正交試驗(yàn)獲取樣本數(shù)據(jù)，分析車削加工過(guò)程中的工藝參數(shù)對(duì)粗糙度的影響。在產(chǎn)品加工過(guò)程中為了要達(dá)到設(shè)計(jì)要求，同一個(gè)特征需要不同的加工操作階段才能完成。根據(jù)加工要求粗糙度的大小，建立了加工階段判斷程序，能夠分類加工階段。同時(shí)通過(guò)建立不同加工階段的切削數(shù)據(jù)庫(kù)，使BP網(wǎng)絡(luò)模型的參數(shù)選擇更加準(zhǔn)確并且符合實(shí)際生產(chǎn)需求。

1 加工粗糙度影響因素分析

采用多因素正交試驗(yàn)分析工藝參數(shù)對(duì)粗糙度的影響,減少試驗(yàn)次數(shù)并得到最優(yōu)參數(shù)組合。

1.1 實(shí)驗(yàn)條件

工件材料：直徑為160mm長(zhǎng)度為300mm的毛坯棒料，材料類型為45號(hào)鋼。試驗(yàn)設(shè)備：數(shù)控機(jī)床型號(hào)CKA6163。檢測(cè)儀器:材料硬度測(cè)量?jī)x器是上海思為便攜式里氏硬度計(jì)TH120，測(cè)得工件硬度為HB155。測(cè)量表面粗糙度儀器是德國(guó)Mahr MarSurf PS1便攜式表面粗糙度儀。刀具選擇:刀架型號(hào)MCLNR3232P16，主偏角95°。加工方式為車外圓，工件裝夾方式為一夾一頂。

1.2 實(shí)驗(yàn)設(shè)計(jì)

刀具圓角、吃刀量、進(jìn)給量和主軸轉(zhuǎn)速為影響粗糙度結(jié)果的主要因素，采用四因素三水平的正交表。數(shù)控加工中要求粗加工時(shí)刀具圓角大小為0.8，精加工時(shí)為0.4，即加工質(zhì)量好時(shí)要求刀具圓角小，所以虛擬一個(gè)水平如表1所示。

表1 試驗(yàn)正交表極差分析

1.3 試驗(yàn)結(jié)果分析

通過(guò)極差分析可以獲得每個(gè)水平對(duì)結(jié)果的影響，如圖1所示。

由圖可知：粗糙度值與刀具圓角大小成反比，即數(shù)控車床在粗加工時(shí)應(yīng)選擇刀具圓角大的車刀；吃刀量對(duì)結(jié)果的影響不明顯，但隨著粗糙度值的增大而加大；在材料、刀具和吃刀量確定的情況下，粗糙度值取決于進(jìn)給量和主軸轉(zhuǎn)速，尤其是主軸轉(zhuǎn)速影響顯著，進(jìn)給量越小，主軸轉(zhuǎn)速越大，得到的粗糙度值越小。所以為了獲得較高的加工質(zhì)量(精加工)時(shí)需要降低進(jìn)給量和吃刀量的值而選擇較高的主軸轉(zhuǎn)速。

圖1 各因素對(duì)粗糙度的影響關(guān)系圖

1.4 切削參數(shù)數(shù)據(jù)庫(kù)

1.4.1 粗糙度表達(dá)式的推導(dǎo)

通過(guò)分析試驗(yàn)得到的數(shù)據(jù)，采用曲線擬合的方法得到測(cè)量結(jié)果和各因素的映射關(guān)系表達(dá)式：

(1)

其中，K為常量，abcd分別為對(duì)apfvrc的影響指數(shù)。由于各個(gè)因素與結(jié)果是非線性關(guān)系，需要對(duì)關(guān)系式兩邊取對(duì)數(shù)，

lgRa=lgK+algap+blgf+clgv+dlgrc

(2)

令lgRa=y，lgK=k，lgap=x1，lgf=x2，lgv=x3，lgrc=x4，轉(zhuǎn)換為線性函數(shù)：

y=k+ax1+bx2+cx3+dx4

(3)

需要先將表2中主軸轉(zhuǎn)速數(shù)據(jù)由公式(4)進(jìn)行n-v轉(zhuǎn)換：

(4)

式中，D為工件待加工表面的直徑(mm)，然后將所有數(shù)據(jù)經(jīng)過(guò)對(duì)數(shù)處理，代入式(3)建立多元線性回歸方程組，采用文獻(xiàn)[7]的回歸分析和線性最小二乘法，可以得到粗糙度和工藝參數(shù)之間的映射表達(dá)式：

(5)

1.4.2 切削參數(shù)數(shù)據(jù)庫(kù)的建立

零件的加工分段可以劃分為：粗加工、半精加工、精加工、細(xì)加工和超精加工五部分[8]。據(jù)切削加工手冊(cè)選取切削參數(shù)并應(yīng)用表達(dá)式(5)計(jì)算粗糙度值，建立切削參數(shù)數(shù)據(jù)庫(kù)。以粗加工為例，應(yīng)用MATLAB編制程序，切削參數(shù)數(shù)據(jù)庫(kù)的建立過(guò)程如下：

step1：隨機(jī)生成(0-1)間m行3列的矩陣，X=rand(m,3)，m為切削參數(shù)的個(gè)數(shù),X1=X(:,1),X2=X(:,2),X3=X(:,3)，X1、X2、X3分別為吃刀量ap進(jìn)給量f切削速度v歸一化的值；

step2：根據(jù)金屬切削手冊(cè)中數(shù)控車床的參數(shù)范圍[9]分別設(shè)置粗車的極值；

step4：輸入刀具圓角rc值，代入式(5)得到零件加工粗糙度值XX4，并保留小數(shù)點(diǎn)后兩位；

step5：由ACCESS建立車削粗加工的切削參數(shù)數(shù)據(jù)庫(kù)，加工階段名稱為關(guān)鍵字。

程序建立的切削數(shù)據(jù)庫(kù)包含6個(gè)屬性：

P=[加工階段名稱，加工標(biāo)識(shí)，吃刀量，進(jìn)給量，切削速度，粗糙度值]

同理，可以得到其他4組加工階段的切削參數(shù)表，由關(guān)鍵字聯(lián)接各個(gè)加工階段，應(yīng)用ACCESS系統(tǒng)建立并管理車削參數(shù)的數(shù)據(jù)庫(kù)。

2 樣本數(shù)據(jù)處理

為了取消各維數(shù)據(jù)間不同量級(jí)的差異，輸入數(shù)據(jù)和輸出數(shù)據(jù)需要進(jìn)行歸一化處理。吃刀量、進(jìn)給量和切削速度三個(gè)變量采用離差標(biāo)準(zhǔn)化法轉(zhuǎn)換為0～1區(qū)間的數(shù)值。

2.1 輸入數(shù)據(jù)處理

工藝參數(shù)的選擇與加工材料、機(jī)床、刀具等加工條件有關(guān)，所以在加工機(jī)床一定的條件下，設(shè)置輸入數(shù)據(jù)為材料類型、材料硬度、刀具圓角和用戶要求Ra四個(gè)變量。X1材料類型：有色金屬為0，鋼件為0.5，鑄鐵為1。X2材料硬度：HB<180為0，經(jīng)過(guò)調(diào)質(zhì)處理硬度HB180-250為0.5，由淬火處理硬度較高的HRC40-50為1。X3刀具信息：根據(jù)數(shù)控機(jī)床常用設(shè)置刀具圓角大小為0.4mm為0，0.8mm為1。X4表面粗糙度要求：一般數(shù)控機(jī)床的加工范圍為12.5～0.4(μm)，將零件圖紙常標(biāo)注的粗糙度值，根據(jù)式(6)轉(zhuǎn)換結(jié)果如表2所示。

本組收治的30例產(chǎn)后出血產(chǎn)婦經(jīng)臨床護(hù)理干預(yù)后,均得到有效控制,傷口愈合滿意,子宮復(fù)舊好,并康復(fù)出院,且無(wú)并發(fā)癥。

X4=(log12.5-logRa)/(log12.5-log0.4) (6)

根據(jù)粗糙度值將零件加工劃分5個(gè)階段：[12.5～6.3]粗加工1階段，取值范圍(0～0.2)；[6.3～3.2]半精加工2階段，取值范圍(0.2～0.4)；[3.2～1.6]精加工3階段，取值范圍(0.4～0.6)；[1.6～0.8]細(xì)加工4階段，取值范圍(0.6～0.8)；[0.8～0.4]超精加工5階段，取值范圍(0.8～1)。

2.2 輸出數(shù)據(jù)處理

輸出參數(shù)根據(jù)機(jī)床的加工能力和工藝手冊(cè)可得參數(shù)的變化范圍如下所示，并對(duì)其進(jìn)行離差標(biāo)準(zhǔn)化線性轉(zhuǎn)換。設(shè)置車削參數(shù)范圍為吃刀量ap：0.3～5mm；進(jìn)給量f:0.08～0.4mm/r；切削速度v:50～260m/min。

2.3 加工階段劃分程序

加工階段是依次由粗到精加工的過(guò)程，輸入粗糙度的值可以判斷出需要的幾個(gè)加工階段及該階段的加工參數(shù)，該判定過(guò)程如圖2所示。

圖2 加工階段判斷流程圖

輸出數(shù)據(jù)的第一位為加工階段標(biāo)識(shí)(i=1,2…5)，引入加工階段標(biāo)識(shí)的目的是為了防止出現(xiàn)吃刀量很大，切削速度又很高的不符合加工規(guī)則的現(xiàn)象，進(jìn)一步保證了生成的工藝參數(shù)符合實(shí)際加工需求。輸出工藝參數(shù)還需要判斷是否與輸入值X4屬于同一個(gè)加工階段，保證輸出的參數(shù)合理性。加工階段判斷過(guò)程步驟如下：

step1：輸入粗糙度的值R，對(duì)其進(jìn)行歸一化數(shù)據(jù)處理得到數(shù)值R1；

step2：確定R1所在的加工階段P(k)=k(k=1,2,3,4,5)；

step3：隨機(jī)生成該加工階段內(nèi)的數(shù)值X4，存入輸入數(shù)據(jù)，生成數(shù)據(jù)集合X；

step4：由BP網(wǎng)絡(luò)計(jì)算切削參數(shù)；

step5：提取輸出參數(shù)Y中的第一列數(shù)據(jù)Y1，判斷Y1=k;如果兩者相等則繼續(xù)，否則BP重新計(jì)算工藝參數(shù)；

step6：判斷k值，如果k≠1，則k=k-1, 并在此區(qū)域內(nèi)隨機(jī)產(chǎn)生數(shù)值X4，生成輸入數(shù)據(jù)集，由BP網(wǎng)絡(luò)計(jì)算切削參數(shù), 重復(fù)step3～step5；

step7：重復(fù)step6，直至k=1,程序結(jié)束。

3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)可以并行處理非線性的大量參數(shù)，是一種多層的前饋神經(jīng)網(wǎng)絡(luò)，輸入數(shù)據(jù)前向傳遞，誤差反向傳播[10]。而且不需要建立數(shù)學(xué)優(yōu)化模型，可以在信息不完全，通過(guò)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使網(wǎng)絡(luò)預(yù)測(cè)輸出和期望輸出相接近。應(yīng)用BP預(yù)測(cè)加工參數(shù)可以并行處理切削要素三者間的關(guān)系，將工藝參數(shù)選擇的相關(guān)專業(yè)知識(shí)通過(guò)網(wǎng)絡(luò)訓(xùn)練，使其能夠智能輸出加工所需要的參數(shù)。

3.1 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

零件加工參數(shù)的BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為三層，輸入層為四個(gè)神經(jīng)元，影響工藝參數(shù)的因素Xi(i=1,2,3,4)，輸出層是加工階段標(biāo)識(shí)和切削三要素四個(gè)神經(jīng)元Yj(j=1,2,3,4)，輸出數(shù)據(jù)第一列為加工階段的標(biāo)識(shí)。隱含層神經(jīng)個(gè)數(shù)確定為9個(gè)，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為4-9-4。隱含層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)purelin 。

3.2 網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練

根據(jù)車削參數(shù)數(shù)據(jù)庫(kù)程序可生成不同加工階段的5組切削數(shù)據(jù)庫(kù)，每組隨機(jī)生成20個(gè)數(shù)據(jù)集，將其合并為100個(gè)數(shù)據(jù)集合，用于網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練。設(shè)置BP網(wǎng)絡(luò)參數(shù)：訓(xùn)練函數(shù)為L(zhǎng)evenberg-Marquart(LM)，該優(yōu)化算法是訓(xùn)練函數(shù)中最快的反向傳播算法，但是需要的內(nèi)存比其他算法大。學(xué)習(xí)函數(shù)learngdm梯度下降學(xué)習(xí)法，訓(xùn)練目標(biāo)0.001；學(xué)習(xí)率0.1。

3.3 預(yù)測(cè)結(jié)果及分析

補(bǔ)充最佳組合試驗(yàn)D1C1A2B1等共6組數(shù)據(jù)如表3所示，用于驗(yàn)證上述的BP網(wǎng)絡(luò)預(yù)測(cè)模型的準(zhǔn)確性。仿真工藝參數(shù)經(jīng)過(guò)反歸一化處理，得到參數(shù)預(yù)測(cè)結(jié)果如表4所示。通過(guò)加工標(biāo)識(shí)驗(yàn)證預(yù)測(cè)的加工參數(shù)符合該加工階段的參數(shù)取值范圍，可以將該組數(shù)據(jù)輸入切削參數(shù)數(shù)據(jù)庫(kù)。

表3 驗(yàn)證數(shù)據(jù)表

表4 BP仿真工藝參數(shù)表

將試驗(yàn)得到的粗糙度值與仿真工藝參數(shù)代入式(5)得到的粗糙度值做回歸分析，如圖3所示，相關(guān)系數(shù)R=0.9926，則BP模型的預(yù)測(cè)結(jié)果是正確的。

圖3 回歸分析圖

4 實(shí)例

錘式破碎機(jī)的固定板零件，如圖4所示。通過(guò)螺栓聯(lián)接大皮帶輪和傳動(dòng)軸，其功能為軸向定位。零件的左側(cè)端面粗糙度為6.3μm，材料為45號(hào)鋼，以該端面加工特征為例，通過(guò)BP網(wǎng)絡(luò)模型預(yù)測(cè)加工參數(shù)。為了滿足加工要求，粗糙度值在(0.2,0.4)范圍內(nèi)隨機(jī)生成數(shù)R1=0.28。網(wǎng)絡(luò)輸入數(shù)據(jù)X=[0.5,0,0,0.28]，輸出數(shù)據(jù)經(jīng)過(guò)反歸一化處理得到的加工參數(shù)為半精加工[2, 2, 0.3, 81]；粗加工[1, 3.2, 0.35, 53]，代入粗糙度表達(dá)式(5)得到各加工階段的粗糙度值分別為4.7μm和8.3μm，最終加工結(jié)果4.7μm小于6.3μm滿足生產(chǎn)要求。

圖4 固定板零件圖

5 結(jié)論

(1)本文通過(guò)正交試驗(yàn)，分析試驗(yàn)結(jié)果和各因素的相互關(guān)系，由極差分析得到影響粗糙度的各因素優(yōu)先順序，并獲得到最佳的參數(shù)組合，得到機(jī)床主軸轉(zhuǎn)速對(duì)結(jié)果影響最大，其次是進(jìn)給量和刀具圓角大小，而吃刀量對(duì)結(jié)果影響最小。

(2)通過(guò)BP神經(jīng)網(wǎng)絡(luò)建立智能的選擇工藝參數(shù)模型，由上述試驗(yàn)得到的數(shù)據(jù)推導(dǎo)出粗糙度和切削三要素及刀具圓角的映射關(guān)系式，生成不同加工階段的切削數(shù)據(jù)，用于網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練。

(3)將網(wǎng)絡(luò)智能選擇的參數(shù)帶入表達(dá)式得到的粗糙度，與試驗(yàn)的粗糙度進(jìn)行回歸分析，驗(yàn)證BP模型。通過(guò)回歸分析可以得到兩者的相關(guān)系數(shù)為0.9926，證明了該方法的有效性。

(4)該網(wǎng)絡(luò)模型不僅可以智能的選擇切削參數(shù)，而且可以根據(jù)輸入值粗糙度的大小判斷加工階段，確定零件特征的加工操作階段及其各個(gè)階段的切削參數(shù)，使其符合實(shí)際加工需求。

[1] Chandrasekaran M, Muralidhar M, Murali Krishna C, et al.Application of Soft Computing Techniques in Machining Performance Prediction and Optimization: a Literature review[J]. International Journal of Advanced Manufacturing technology,2010,46(5):445-464.

[2] 劉偉強(qiáng),楊建國(guó). 基于神經(jīng)網(wǎng)絡(luò)的磨削工藝參數(shù)智能預(yù)測(cè)模型[J]. 組合機(jī)床與自動(dòng)化加工技術(shù),2013(8):91-94.

[3] 吳明.基于BP神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動(dòng)機(jī)凸輪軸數(shù)控磨削加工工藝優(yōu)化[J].湖南理工學(xué)院學(xué)報(bào)(自然科學(xué)版),2013,26(4):36-39.

[4] 趙昌龍，于淼.基于神經(jīng)網(wǎng)絡(luò)的并聯(lián)機(jī)床表面粗糙度預(yù)測(cè)[J].機(jī)床與液壓,2015,43(11):46-48.

[5] 朱紅雨，李迎.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的高速銑削工藝參數(shù)優(yōu)化的研究[J].工具技術(shù),2007,41(12):29-32.

[6] Kant G, Sangwan K S.Predictive Modelling and Optimization of Machining Parameters to Minimize Surface Roughness using Artificial Neural Network Coupled with Genetic Algorithm[C].15th CIRP Conference on Modelling of Machining Operations,2015, 31:453-458.

[7] 張洪潮,孔露露,李濤，等.切削比能模型的建立及參數(shù)影響分析[J]. 中國(guó)機(jī)械工程,2015,26(8):1098-1104.

[8] 田穎,江平宇，周光輝，等.基于蟻群算法的零件多工藝路線決策方法研究[J].計(jì)算機(jī)集成制造系統(tǒng),2006,12(6):882-887.

[9] 張益芳. 金屬切削手冊(cè)[M].上海:上海科學(xué)技術(shù)出版社，2011.

[10] 王小川，史峰，郁磊，等. MATLAB 神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社，2013.

(編輯 李秀敏)

Intelligent Generation and its Application of Cutting Parameters

LIU Yan, DUAN Guo-lin, CAI Jin

(School of Mechanical Engineering,Hebei University of Technology, Tianjin 300130,China)

In order to select cutting parameters quickly and accurately and ensure processing quality of products, an intelligent selection method of cutting parameters based on BP neural network model is proposed. Process parameters such as cutting depth, feed, spindle speed and tool fillet size effect surface roughness by using orthognal experiment. Different processing stages of the cutting parameter databases are created based on test data. BP neural networks modle can not only choose the processing parameters intelligently, but divide processing stages by learning and training fuctions. The test data and BP network prediction data regression analysis is to verify the practicality of BP model.

orthogonal experiment; cutting parameter; turning process; BP neural networks; regression analysis

1001-2265(2017)02-0157-04

10.13462/j.cnki.mmtamt.2017.02.041

2016-06-19；

2016-07-24

河北省自然科學(xué)基金項(xiàng)目(E2010000052)

劉巖(1977—)，女，遼寧葫蘆島人，河北工業(yè)大學(xué)博士研究生，研究方向?yàn)镃AD/CAPP/CAM，(E-mail)lyan092012400900@sina.com。

TH162;TG506

A