周 斌，曹 勇，王禹林，馮虎田

（南京理工大學(xué)機(jī)械工程學(xué)院，南京 210094）

基于BP神經(jīng)網(wǎng)絡(luò)的大型螺紋旋風(fēng)銑削表面粗糙度預(yù)測*

周 斌，曹 勇，王禹林，馮虎田

（南京理工大學(xué)機(jī)械工程學(xué)院，南京 210094）

大型螺紋旋風(fēng)銑削加工后的螺紋滾道表面粗糙度是影響其各項服役性能的關(guān)鍵因素之一?？紤]到螺紋旋風(fēng)銑削加工過程中表面粗糙度影響因素及螺紋圓弧形滾道結(jié)構(gòu)特殊性，提取浮動支撐下降區(qū)域螺紋滾道側(cè)表面的粗糙度值，建立基于BP神經(jīng)網(wǎng)絡(luò)的表面粗糙度預(yù)測模型，并通過對比模型預(yù)測值與試驗值驗證預(yù)測模型的精度。結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度較高，預(yù)測誤差在5%以內(nèi)，最高可達(dá)到約1%。

螺紋旋風(fēng)銑削；表面粗糙度；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測模型

0 引言

大型螺紋旋風(fēng)銑削加工過程中的工件多點變浮動支撐約束、多刀具周期性斷續(xù)漸進(jìn)成型切削等特點將影響加工后螺紋工件的螺紋滾道表面粗糙度；特別是在浮動支撐下降區(qū)域，因約束條件減少導(dǎo)致加工過程中動態(tài)響應(yīng)相對于其他區(qū)域加劇，從而降低了螺紋工件加工后的表面粗糙度。而零件表面粗糙度是影響疲勞強(qiáng)度、接觸剛度、摩擦磨損以及零件之間的配合等服役性能的關(guān)鍵因素，是評定零件加工質(zhì)量的重要指標(biāo)之一［1］。因此研究螺紋加工過程中浮動支撐下降區(qū)域表面粗糙度并建立預(yù)測模型尤其重要。建立精確的表面粗糙度預(yù)測模型，實現(xiàn)對硬旋銑螺紋滾道表面粗糙度的優(yōu)化控制，有助于在實際生產(chǎn)前對表面粗糙度進(jìn)行預(yù)測，從而保證螺紋的加工質(zhì)量和加工效率，減少廢品的出現(xiàn)，降低生產(chǎn)成本。

目前，國內(nèi)外金屬切削表面粗糙度的預(yù)測方法主要有理論建模法、設(shè)計試驗法和人工智能法［2］。在多因素藕合作用下，利用理論建模法建立表面粗糙度預(yù)測模型的難度高、誤差大、精度低［3-5］。設(shè)計試驗法則無法對未加工過的工藝參數(shù)組合進(jìn)行準(zhǔn)確的預(yù)測。曹勇［6］等通過大型螺紋高速旋風(fēng)銑削試驗分析了各主要切削參數(shù)對螺紋滾道表面粗糙度的影響規(guī)律及影響因素進(jìn)行了研究，但其未對其粗糙度進(jìn)行預(yù)測。而人工智能法因其具有良好的任意非線性映射能力、自組織和自學(xué)習(xí)等優(yōu)點被廣泛應(yīng)用于表面粗糙度的預(yù)測模型中［7］。其中，BP神經(jīng)網(wǎng)絡(luò)算法采用誤差反向傳播（Back Propagation）學(xué)習(xí)算法，因其具有很強(qiáng)的非線性處理能力并且預(yù)測精度較高而備受青睞。陳廉清等［8］針對外圓磨削中表面粗糙度的影響因素多、監(jiān)測困難的問題提出了遺傳算法與反向傳播神經(jīng)網(wǎng)絡(luò)結(jié)合的表面粗糙度預(yù)測模型，并通過試驗進(jìn)行了驗證。李波等［9］用BP神經(jīng)網(wǎng)絡(luò)的方法對高效深磨加工工程陶瓷Al2O3的工件表面粗糙度進(jìn)行了訓(xùn)練、預(yù)測和分析。高騰等［10］提出一種基于BP神經(jīng)網(wǎng)絡(luò)的表面粗糙度在線辨識方法并且仿真和試驗表明基于BP神經(jīng)網(wǎng)絡(luò)模型能夠很好地預(yù)測表面粗糙度。

上述研究成果對螺旋螺紋滾道表面粗糙度的預(yù)測提供了很好的理論指導(dǎo)和借鑒意義。然而大型螺紋旋風(fēng)銑削是圓弧型漸進(jìn)銑削過程，與普通切削加工不同，因此，為預(yù)測旋銑加工過程中浮動支撐下降區(qū)域的螺紋滾道表面粗糙度，建立了基于BP神經(jīng)網(wǎng)絡(luò)的表面粗糙度預(yù)測模型，并通過試驗驗證模型的預(yù)測精度。結(jié)果表明，所建立的預(yù)測模型精度較高，該預(yù)測模型可為同類型的表面粗糙度預(yù)測提供一定的借鑒。

1 試驗條件

如圖1所示，以陜西漢江機(jī)床自主研發(fā)的HJ092× 80螺紋硬態(tài)旋風(fēng)銑床開展螺紋旋風(fēng)銑削試驗，工件材料為GCr15，長度為4m，直徑80mm。為研究浮動支撐下降區(qū)域的表面粗糙度，開展了切削速度、切削深度、抱緊系數(shù)及刀具個數(shù)的單因素工藝參數(shù)試驗，共計進(jìn)行了20組，具體數(shù)據(jù)可見表1。

圖1 陜西漢江HJ092×80螺紋硬態(tài)旋風(fēng)銑床

表1 預(yù)測模型所需的樣本參數(shù)表

續(xù)表

由于螺紋類圓弧型滾道結(jié)構(gòu)的特殊性并且絲杠副在服役過程中主要是螺紋滾道側(cè)表面與滾珠接觸，因此采用英國Taylor Hobson公司研制的白光干涉儀對螺紋滾道側(cè)表面進(jìn)行檢測，其測量原理為非接觸式測量，Ra重復(fù)精度≤3pm。為檢測其滾道側(cè)面的表面粗糙度，將螺紋工件傾斜15°，對滾道側(cè)面表面粗糙度重復(fù)測量三次取平均值。

2 基于BP神經(jīng)網(wǎng)絡(luò)的表面粗糙度預(yù)測模型

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)模型主包括輸入層、隱層和輸出層，模型的精度關(guān)鍵在于建立輸入與已知的輸出之間的一個滿意關(guān)系及隱層的層數(shù)及節(jié)點數(shù)確定。輸入層為4節(jié)點分別代表切削速度、切削深度、抱緊系數(shù)及刀具個數(shù)，輸出層1節(jié)點代表預(yù)測的粗糙度，其模型結(jié)構(gòu)如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)預(yù)測模型圖

為得到純量，即將有量綱的物理量轉(zhuǎn)化為無量綱，消除試驗樣本中奇異數(shù)據(jù)，在神經(jīng)網(wǎng)絡(luò)開始訓(xùn)練和測試前通常進(jìn)行輸入和目標(biāo)輸出數(shù)據(jù)的歸一化，其算法如下

式中，dmax為輸入和輸出數(shù)據(jù)的最大值，dmin為輸入和輸出數(shù)據(jù)的最小值，di為第i個輸入和輸出數(shù)據(jù)。

較多的隱層數(shù)目可提高預(yù)測精度，但同時會帶來網(wǎng)絡(luò)復(fù)雜化和訓(xùn)練時間增加等問題。單個隱層可提供較的表面粗糙度預(yù)測精度，且網(wǎng)絡(luò)簡單、便于訓(xùn)練［11］，故將隱層個數(shù)確定為1。結(jié)合神經(jīng)網(wǎng)絡(luò)模型圖可知單個隱層的第K個節(jié)點的輸入為：

其中，Ci，k為輸入層節(jié)點與隱層節(jié)點的網(wǎng)絡(luò)權(quán)值，θk為隱層節(jié)點的閾值，其中k≤m，m為隱層節(jié)點數(shù)目。

輸出層第z個節(jié)點的輸入為：

式中，φz是輸出層節(jié)點的閾值，hk是隱層節(jié)點的輸出，Dk，z是神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點與隱層節(jié)點之間的網(wǎng)絡(luò)權(quán)值，f是隱層傳遞函數(shù)，通常為雙曲正切S型函數(shù)。

輸出層節(jié)點的輸出為：

式中，Rp為螺紋滾道表面粗糙度人工網(wǎng)絡(luò)模型的預(yù)測值，g為輸出層傳遞函數(shù)，通常取線性函數(shù)。

輸出層螺紋滾道誤差函數(shù)為：

式中，Re為表面粗糙度的試驗測量值。

BP神經(jīng)網(wǎng)絡(luò)模型的具體建立過程見圖3，在matlab中建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型通常選MSE作為性能函數(shù)，其訓(xùn)練精度MSE=1x10-3。

圖3 神經(jīng)網(wǎng)絡(luò)預(yù)測模型算法

2.2 表面粗糙度值預(yù)測樣本值的提取

為提高各表面粗糙度預(yù)測模型的精度和實現(xiàn)各預(yù)測模型的預(yù)測精度的對比，在浮動支撐下降區(qū)域內(nèi)選取相同個數(shù)和切削工藝參數(shù)的訓(xùn)練樣本和測試樣。在建立預(yù)測模型之前，對樣本中存在明顯異常的試驗數(shù)據(jù)點進(jìn)行剔除處理，將剩下的樣本合理分配為訓(xùn)練樣本和測試樣本，最終結(jié)果為訓(xùn)練樣

本與測試樣本之比為17：3。樣本參數(shù)見表1，其中Ra_l、Ra_r、Ra分別表示左側(cè)、右側(cè)及左右側(cè)平均粗糙度試驗值。

2.3 表面粗糙度預(yù)測模型

依據(jù)式（1），首先對表1的訓(xùn)練樣本和測試樣本進(jìn)行歸一化處理，其中最大訓(xùn)練次數(shù)選為1000，神經(jīng)網(wǎng)絡(luò)預(yù)測模型基本參數(shù)見表2。經(jīng)17組訓(xùn)練樣本訓(xùn)練14次后，所有訓(xùn)練樣本誤差達(dá)到預(yù)先設(shè)定的精度0.001，即神經(jīng)網(wǎng)絡(luò)模型建立完成。

表2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)及函數(shù)

3 表面粗糙度預(yù)測模型誤差分析

針針對于所建立的各預(yù)測模型，將螺紋滾道表面粗糙度的預(yù)測誤差定義為：

上式中，為預(yù)測誤差值，Ra為試驗值，Rp表示螺紋滾道粗糙度神經(jīng)網(wǎng)絡(luò)預(yù)測值。將表1的測試樣本代入所建立的預(yù)測模型中，求出相應(yīng)的預(yù)測值和預(yù)測誤差，具體結(jié)果見表3，預(yù)測值與試驗值的變化見圖4。通過對比測試樣本的試驗值和預(yù)測值之間的誤差來反映各預(yù)測模型的預(yù)測效果。

表3 螺紋滾道側(cè)表面的表面粗糙度預(yù)測值及預(yù)測誤差

圖4 螺紋滾道表面粗糙度試驗值和預(yù)測值對比

通過表3和圖4可知發(fā)現(xiàn)無論是左側(cè)、右側(cè)還是整個螺紋滾道的粗糙度，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度均較高，預(yù)測誤差在5%以內(nèi)，最高可達(dá)到約1%，并基本符合試驗值的變化趨勢。

4 結(jié)論

為預(yù)測大型螺紋旋風(fēng)銑削加工過程中浮動支撐下降區(qū)域的表面粗糙度，考慮了切削速度、切削深度、抱緊系數(shù)及刀具個數(shù)對螺紋滾道表面粗糙度的的影響，建立基于BP神經(jīng)網(wǎng)絡(luò)螺紋滾道表面粗糙度預(yù)測模型，并通過試驗驗證模型的預(yù)測精度。結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度均較高，預(yù)［參考文獻(xiàn)］

測誤差均在5%以內(nèi)，最高精度可達(dá)到約1%。該預(yù)測模型可為同類型的表面粗糙度預(yù)測提供一定的借鑒。

［1］黃樹濤，賈春德，姜增輝，等.高速車銑已加工表面粗糙度的理論與實驗研究［J］.哈爾濱工業(yè)大學(xué)學(xué)報，2005，37（5）：717-720.

［2］段春爭，郝清龍.切削加工表面粗糙度預(yù)測方法［J］.組合機(jī)床與自動化加工技術(shù)，2013（8）：4-7.

［3］D K，Ko T J，Kim H S.Optimization of feedrate in a face milling operation using a surface roughnessmodel［J］.International Journal of Machine Tools and Manufacture，2001，41（3）：451-462.

［4］Liu J.Prediction of surface roughness in CNC turning physical simulation［C］//Artificial Intelligence，Management Science and Electronic Commerce（AIMSEC），2011 2nd International Conference on.IEEE，2011：4127-4129.

［5］Lee K Y，Kang M C，Jeong Y H，et al.Simulation of surface roughness and profile in high-speed end milling［J］. Journal of Materials Processing Technology，2001，113（1）：410-415.

［6］李隆.基于振動的大型螺紋旋風(fēng)銑削建模與工藝試驗研究［D］.南京：南京理工大學(xué)，2013.

［7］曹勇，王禹林，馮虎田.大型螺紋硬態(tài)旋風(fēng)銑削的表面粗糙度試驗研究［J］.組合機(jī)床與自動化加工技術(shù)，2015（1）：26-29.

［8］陳廉清，郭建亮，楊勛，等.基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的磨削粗糙度預(yù)測模型［J］.計算機(jī)集成制造系統(tǒng)，2013，19（11）：2854-2863.

［9］李波，郭力.基于BP神經(jīng)網(wǎng)絡(luò)的表面粗糙度聲發(fā)射預(yù)測［J］.精密制造與自動化，2009（1）：10-14.

［10］高騰，苗鴻賓，江敏.基于人工神經(jīng)網(wǎng)絡(luò)BTA鉆削時表面粗糙度的預(yù)測［J］.組合機(jī)床與自動化加工技術(shù)，2014（4）：4-10.

［11］王俊平，李加彥.BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程與算法分析［J］.計算機(jī)光盤軟件與應(yīng)用，2014（4）：243-245.

（編輯 李秀敏）

Prediction of Surface Roughness of Large-scale Thread Hard Whirling Based on BP Neural Network

ZHOU Bin，CAO Yong，WANG Yu-lin，F(xiàn)ENG Hu-tian
（School of Mechanical Engineering，Nanjing University of Science and Technology，Nanjing 210094，China）

Themachined surface roughness of large-scale thread hard whirling is the critical factor to influence the service performance.Considering the influence factors of surface roughness in the process of thread hard whirling and the special structure of thread arc-shaped raceway，surface roughness values of thread side raceway in falling area of floating support was obtained and the prediction model of surface roughness was provided based on BP neural network.Then prediction accuracy of themodelwas verified by contrasting the predictive value and the experimental value.The results show that BP neural network model has a relatively high prediction accuracy，prediction error is less than 5%and can up to 1%.

thread hard whirling；surface roughness；BP neural network；prediction model

TH162；TG506

A

1001-2265（2015）07-0005-03 DOI：10.13462/j.cnki.mmtamt.2015.07.002

2015-01-12；

2015-02-05

國家自然科學(xué)基金面上項目（51475244）；江蘇省"六大人才高峰"資助項目（2014-ZBZZ-006）；中央高校基本科研業(yè)務(wù)費專項資金資助（30920130111001）；南京理工大學(xué)“卓越計劃”“紫金之星”（2015-zijin-07）

周斌（1991-），男，安徽宣城人，南京理工大學(xué)碩士研究生，研究方向為硬態(tài)切削技術(shù)，表面完整性，可靠性，（E-mail）zb_nust@163. com；通訊作者：王禹林（1981-），男，南京人，南京理工大學(xué)教授，研究方向為硬態(tài)切削，精密測控技術(shù)，可靠性技術(shù)，（E-mail）wyl_sjtu @126.com。