没有合适的资源?快使用搜索试试~ 我知道了~
工程科学与技术,国际期刊20(2017)1220完整文章基于神经网络和回归分析的红黄铜(C23000)车削力建模与预测M. Hanief,M.F.Wani,M.S.查鲁机械工程系,国家技术学院,斯利那加,查谟克什米尔190006,印度阿提奇莱因福奥文章历史记录:2016年8月23日收到2016年10月21日修订2016年10月31日接受2016年11月12日在线发布保留字:安黄铜切削力回归车削A B S T R A C T切削刀具的寿命在很大程度上受切削操作期间作用在其上的力的影响。机械加工是一个复杂的过程。很难建立一个包含所有参数的综合模型。建立了一个模型,研究了切削参数(速度、切削深度和进给量)对高速钢(HSS)车削红黄铜(C23000)时切削力的影响实验结果是基于完全析因设计方法,以增加数据的可靠性和置信限。采用人工神经网络和多元回归方法建立了基于切削参数的切削力模型。为了检查回归模型的充分性,使用方差分析(ANOVA)。方差分析表明,该回归模型能够以较高的精度预测切削力。然而,人工神经网络模型被认为是更准确的回归模型。©2016 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍切削力是刀具-工件界面处极端条件的结果这种相互作用可能与工具磨损直接相关因此,刀具磨损和切削力相互关联[1,2]。因此,有必要对切削过程进行优化,评价切削参数的最佳值,以确定刀具的性能和使用寿命Sur- inder等人[3]研究了车削单向玻璃纤维增强塑料(UD-GFRP)时的切削力(切向力和采用田口稳健设计方法对刀具的工艺参数(刀尖半径、前角、切削速度、进给量、切削深度和切削环境)进行了研究使用ANOVA研究参数的相对显著性。切向力随刀尖半径、进给量和切削深度的减小而减小,随切削速度的增大而增大Cascona等人[4]开发了用于预测非轴对称零件车削中切削力的本文提出了一种预测非轴对称零件沿加工路径的正交车削力(3个方向)、扭矩和功耗的机理模型*通讯作者。电 子 邮 件 地 址 : hanief@nitsri.net ( M. Hanief ) , mfwani@nitsri.net ( M.F.Wani),shaficharoo123@nitsri.net(M.S. Charoo)。由Karabuk大学负责进行同行审查Dorlin等人[5]研究了车削过程中刀具-工件相互作用的几何建模及其对切削力的影响。分析的重点是被加工零件与刀具之间的凸接触半径。对Ti6Al4V钛合金进行了外圆车削和端面车削试验。结果表明,接触半径对切削力有显著影响,切削力随接触半径的增大而增大半径。Xie等人[6]研究了在干燥条件下使用微槽刀具车削钛合金时的切削力和切削温度。研究了微槽形状和尺寸对干式车削温度和切削力的影响。微槽刀具的切削温度降低了103 °C,而剪切角随着微槽深度的减小而增大。Philip等人[7]使用田口方法研究了干式车削过程中切削速度和进给速率对氮合金化双相不锈钢的刀具磨损、表面粗糙度和切削力的影响。结果表明,进给量对切削力的影响最大。切削速度被认为是影响刀具磨损的最重要的参数。Sikder等人[8]考虑了剪切力、犁削力和颗粒断裂力,以估计金属基复合材料(MMCs)加工过程中的切削力。采用Johnson-Cook模型、滑移线场理论和Griffith理论分别计算了切屑形成力、犁削力和断裂力。结果表明,切削力的预测值和实验值之间的良好协议。两体磨损和三体滚动,http://dx.doi.org/10.1016/j.jestch.2016.10.0192215-0986/©2016 Karabuk University.出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页:www.elsevier.com/locate/jestchc1cC23M. Hanief等人 /工程科学与技术国际期刊20(2017)1220-12261221Uday等人研究了复合材料中的增强体[9]在Al/SiCp复合材料的加工过程利用斜角切削理论预测了复合材料切削过程中的切削力假设40%的细小增强颗粒对刀-屑界面的磨损起作用,模型是准确的。同样,对 于 60% 的 粗 钢 筋 造 成 的 磨 损 , 该 模 型 产 生 了 良 好 的 结 果 。Pramanik等人[10]提出了一种预测铝基SiC/Al2 O3颗粒增强金属基复合材料切削过程中切削力的切屑形成力、犁削力和颗粒断裂力是切削力的产生机理。切屑形成力采用Merchant结果表明,切屑形成力远大于犁削力和颗粒破碎力。Joardar等人[11]使用响应面法研究了在干燥条件下车削铝MMC(碳化硅颗粒增强的铝合金)时,切削速度、切削深度和SiCp重量百分比对切削力的影响切削速度被认为是影响切削力的最重要因素。Shoba等人[12]调查了虽然几种材料,如钢,铝合金,复合材料等已被调查期间,车削发展的切削力模型。但很少有模型和调查是专门为黄铜。本文的目的是建立切削力预测模型,并利用回归分析和人工神经网络(ANN)研究切削参数对红黄铜(C23000)车削过程中切削力的影响。①的人。2. 实验在这项研究中,红黄铜(C23000)的直径为30厘米的圆柱形酒吧作为工件材料和高速钢刀具。实验在干燥条件下在(5 HP和45刀架上装有测力计,用于测量切削力的三个分量,即进给力zf,径向推力zf,切向(主)切削力与测力计连接的数字计算机。采用完全析因设计方法,(3)进行实验进给速度、切削速度和选择DOC进行研究。加工过程的实验细节在表1中给出。合力被称为-加工参数(切削速度、进给速度和由fqf2f2f2。切削深度)对混合动力车车削过程中切削力的影响复合材料.在增强复合材料试样中使用了不同重量百分比的SiC(0、2、4、6和8%)和稻壳灰增强和未增强试样的比较表明,切削力随着增强剂重量百分比的增加而减小。这种趋势是由于增强体和基体之间的失配产生的位错密度。Fountas等人[13]研究了在使用硬质合金刀具车削PA 66 GF-30玻璃纤维增强聚酰胺时,切削速度和进给速率对切削力的影响结果表明,软计算技术可以有效地用于切削力R¼x y z3. 结果和讨论3.1. 回归模型预测的切削力FR的模型可以表示为等式(1)。(一).FRkvfd 1其中k、c1、c2和c3是模型参数通过对数变换Eq.(1)可以写成件. Vaxevenkirk等人[14]他们的故事lnF1/4油墨油墨研究了人工神经网络可以有效地用于切削用量的预测以主轴转速、进给速度和切削深度为输入,以表面粗糙度和切削力为输出,研究了AISI D6工具钢、Ti6Al4V ELI和CuZn39Pb3黄铜在干Foun- tas等人[15]在CAM环境中进行了一系列5轴加工实验,以模拟使用L27正交阵列的操作。以刀具类型、步距、提前角和倾斜角四个加工参数为输入,以表面偏差和加工时间为输出。Vaxevanwei等人[16]在车削Ti-6Al- 4V合金时进行了类似的研究,输入为主轴速度、进给速度和切削深度;输出为切削力和中心线平均表面粗糙度。 该方法被认为是足够强大的预测质量目标的最佳值。1 2 3工件工具Fig. 1. 转向操作中力的方向命名法k,c1,c2,c3模型参数R2决定系数FX推力(N)DF自由度FY切削力(N)SS平方和FZ进给力(N)MSE均方误差fR,合力(N)MAPE平均绝对误差v切割速度(m/min)u传递函数F进给速度(mm/rev)我不是目标值D切削深度(mm)o我观察值¼ ¼ ¼ ¼¼1222米Hanief等人/工程科学与技术,国际期刊20(2017)1220表1从车削操作中获得的实验数据。S. 没有速度(m/min)进给量(mm/rev)切割深度(mm)fx Nfy Nfz NfR N18400.400.101.86404.23102.21505.126628400.400.131.99464.12263.65005.856338400.400.163.19405.32033.97767.3708412800.400.102.37494.77953.27786.2632512800.400.134.01205.02084.52837.8619612800.400.163.94436.44345.00999.0650710000.400.103.49214.28173.76006.6832810000.400.133.61215.05683.16006.9717910000.400.164.03535.83143.18937.7756108400.800.103.86386.34233.15228.0678118400.800.132.52237.73412.12808.4087128400.800.162.81109.11733.093710.02981312800.800.102.46427.66362.94448.57161412800.800.133.12697.44982.69208.51611512800.800.162.75618.80653.75299.96171610000.800.104.34976.76633.82588.90731710000.800.134.34976.76633.82588.90731810000.800.161.78837.68122.56038.2918198400.120.102.81051.61572.46244.0710208400.120.131.81231.63142.28743.3434218400.120.161.20312.72632.75594.05902212800.120.102.16162.50574.24705.38412312800.120.131.34191.24521.56822.41052412800.120.161.96652.82193.42654.85502510000.120.101.73472.09112.84723.93552610000.120.131.36252.37632.85403.95582710000.120.161.79772.85154.11005.3155表2方差分析。变异来源共计26 124.000或Yr¼Kc1Vc2Fc3Dc其中ln F RYr;InkK;lnvV;InfF;lndD. 在Eq.(3)用最少的表1中的数据用于建立回归模型。因此,Eq。(4)得到了切削力的估算图二. 切削力实验值与回归模型预测值的比较。回归3108.25436.08052.59模型页面残余2315.78900.686小二乘法M. Hanief等人 /工程科学与技术国际期刊20(2017)1220-12261223图三.(1224米Hanief等人/工程科学与技术,国际期刊20(2017)1220W输入∑偏置W偏置∑输出隐层输出层见图4。 用于建模的ANN结构。表3ANN模型的训练参数。号i/p;1,hidden:2和o/p:1层上的神经元初始权重和偏差-1至1激活函数Tansig学习率0.05动量常数0.95在表2中列出。基于预测模型的F比和实验结果的F比,发现该模型是适当的。回归模型的实验值和预测值如图2所示。从图2中可以明显看出,实验值与预测值之间非常吻合。从图3(a-i)很明显,切削力强烈依赖于FR¼3:9093v0: 2226f0:4145d0:3008ð4Þ饲料的速度。在(a)v= 840 m/min和(b)1000 m/min时,进给速率对力的影响几乎相同,但在(c)v= 1280 m/min时,为了确定每个参数对切削力的影响,采用ANOVAANOVA的结果m/min进给速度对力的影响是突出的,因为速度也很高。类似地,在恒定进给速率下,图五. ANN输出。NPN1/1O2i¼1i¼M. Hanief等人 /工程科学与技术国际期刊20(2017)1220-12261225见图6。 切削力实验值与神经网络模型预测值的比较。表4人工神经网络输出的统计参数。样本量MSER2培训19 3.77217× 10-24 1.00验证4 7.39120× 10-20.999测试4 1.70073× 10-10.999所有值27 3.6146× 10- 20.996在这一阶段计算的权重被用来作出产出评估的决定。在这项调查中,MATLAB工具箱被用于人工神经网络的训练,验证和测试。用于ANN的参数见表。3 .第三章。使用不同的初始随机权重进行了几次独立运行,以获得满意的解。学习过程中的误差计算如下:Xjti-oij2切割是突出的,是明确从(d)其他事项f= 0.10 mm,(e)f= 0.13 mm和(f)= 0.16 mm。如前所述,速度为MSEi¼1Nð6Þ对力的影响最小,这从(g)d= 0.12 mm,(h)d= 0.40 mm和(i)d= 0.80 mm。3.2. ANN模型由于人工神经网络具有解决非线性问题的能力,因此得到了研究者的广泛应用。因此,本文还利用人工神经网络对黄铜车削过程中的切削力进行了建模和预测。根据问题的复杂性和性质,ANN模型具有几个层次。一般来说,人工神经网络有一个输入层,隐藏层和输出隐藏层和输出之间的权重被调整,并再次使用Dwjina Dwjin-1gdjnyin 7其中,Dwjin nn是权重的变化,a是动量系数,dj是由信号斜率缩放的误差,g是学习率参数,yi(n)是输出。在对实验数据进行了满意的训练后,将前一阶段未提出的数据用于网络测试用R2和MAPE统计方法对模型结果进行比较层. 输入层和输出层构成第一层和最后一层。2.PN我...我...我...put和最后一层处理该输出以产生最终结果。最终结果由隐藏层和输出层使用传递函数计算。在本文中,使用了传递函数当量(五)、u-估计平均绝对百分比偏差(MAPD),也称为平均绝对百分比误差(MAPE),以衡量模型的准确性,并定义为1XN。. ti-oi。Σ恩恩恩¼ð5Þ联系我们1/1.o我.ð9Þ恩,恩ANN模型的结构如图所示。 四、人工神经网络的第一步是训练。输入与目标输出一起被馈送到ANN,并且权重最初被随机设置。通过使用反向传播算法使全局误差最小化,获得了令人满意的性能水平。反向传播算法是一种学习技术,通过反向传播从输出到输入神经元的权重变化来调整ANN中的权重。当达到期望的性能水平时,停止网络的训练。的其中N是实验为了建立人工神经网络模型,通过以下方式训练网络:使用一组实验值。训练成功后,将网络用于预测切削力进行验证和测试。ANN结果如图5所示。从图5中可以清楚地看出,训练过程中的所有实验值和预测值都完美地吻合在回归线上,这使得训练中的R2确认和测试的R2分别等于0.99690和0.99962。在此阶段,停止训练,并使用分别。隐藏层处理从输入层接收的数据。同样,下一个隐藏层计算出-R 1/4-ð8Þ1226米Hanief等人/工程科学与技术,国际期刊20(2017)1220从人工神经网络模型预测切削力。实验值与模型预测值的比较如图6所示。从图6中可以明显看出,实验值和预测值之间的误差已大大减小。ANN模型的均方误差为0.0059(见表4)。4. 结论本文建立了红黄铜车削过程中切削力的预测模型,并得出以下结论。(i) 切削力随三个参数(进给量、切削速度和切削深度(ii) 在三个切削参数中,进给量对切削力的影响最大,而切削深度对切削力的影响最小。(iii) 方差分析结果表明,所建立的回归模型能够较好地预测切削力.(iv) 在统计参数的基础上,得出神经网络模型比回归模型能更准确地预测切削力的结论。确认作者谨向G先生致谢。N. Lol- puri和N. I. T.斯利那加,为完成这项研究工作提供了车间设施和技术支持。引用[1] 法律公告Lopez de Lacalle,A. Gutienerrez,J.I. Llorente,J.A.李文,高强度切削液在切削加工中的应用, 国立台 湾大 学机 械工 程研 究 所硕 士论 文。Adv. 制造商Technol.16(2000)85-91。[2] S.A. 托比亚斯,《机床振动》,布莱基,伦敦,1965年。[3] P.S. AlderderKumar,Meenu Gupta. Satsangi,使用基于距离的Pareto遗传算法方法车削UD-GFRP复合材料时切削力的多响应优化,工程科学。Technol.18(2015)1-16.[4] C. Itxaso,J.A. Sarasuaa,非轴对称零件车削中切削力预测的机械模型,ProcediaCIRP 31(2015)435-440。[5] T. Dorlin,F. Guillaume,J. P. Costes,接触半径对Ti6 Al 4V钛合金圆柱和端面车削切削力影响的分析和建模,Procedia CIRP 31(2015)185-190。[6] J. Xie,M.J. Luo,K.K. Wu,L.F. Yang,D.H.李,微槽刀具干式车削钛合金时切削温度和切削力的试验研究,国际机械工程学会。J. 马赫工具制造 73(2013)25-36。[7] D.作者:John W.,John W. Mohanraj,使用田口方法在干式车削过程中优化氮合金化双相不锈钢的表面粗糙度、切削力和刀具磨损,测量49(2014)205-215。[8] S. Sikder,H.A. Kishawy,切削金属基复合材料时的力预测分析模型,Int. J. 机甲Sci. 59(2012)95-103。[9] 乌代河Dabade,D.Dapkekar,S.S.Joshi,Al/SiCp复合材料加工中切削力预测的切屑-刀具界面摩擦建模,Int. J. 马赫 工具制造49(9)(2009)690-700。[10] A. Pramanik,L.C.张军,金属基复合材料切削力的预测,国际机械加工杂志。 工具制造46(14)(2006)1795-1803。[11] H. Joardar,N.S. Das,G. Sutradhar,S. Singh,应用响应面方法确定LM 6/SiCP金属基复合材料车削中的切削力模型,测量47(2014)452-464。[12] C. Shoba,N. Ramanaiah,D.张文龙,金属基复合材料切削过程中强化对切削力的影响,机械工程学报,2001。18(2015)658-663。[13] N.A.方塔斯岛Ntziantzias,J. Kechagias,A. Koutsomichalis,J.P. Davim,N.M.Vaxevanstan,通过软计算技术预测车削PA 66 GF-30玻璃纤维增强聚酰胺时的切削力,Mater. Sci.论坛07(766)(2013)37-58.[14] 新墨西哥州Vaxevanovich,J.D. Kechagias,N.A. Fountas,D.E. Manolakos,OpenConstr. Build. J. 8(2014)389-399。[15] N.A. Fountas , J. Kechagias , R. Benhadj-Djilali , C.I. Stergiou , N. M.Vaxevanovich,通过实验设计和神经网络优化5轴雕塑表面精加工,在:ASME 2014第12届工程系统设计与分析双年展,ESDA 2014。[16] 新墨西哥州Vaxevanovich,N.A. Fountas,J.D. Kechagias,D.E. Manolakos,使用实验设计和人工神经网络优化TI-6AL-4V钛合金车削中的主切削力和表面粗糙度,2014年,pp. 2889-2906.
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功