混合磨料电火花金刚石磨削Monel K-500的 ANN-NSGA-II 双重建模与优化

工程科学与技术，国际期刊21（2018）322完整文章混合磨料电火花金刚石磨削Monel K-500的ANN-NSGA-II双重建模与优化Deepak Rajendra Ununea，Chandrakant Kumar Niralab，Harlal Singh马里ca印度拉贾斯坦邦斋浦尔302031 LNM信息技术学院机械-机电一体化工程系b印度理工学院机械工程系，Ropar 140001，印度c机械工程系，Malaviya国家技术学院，Jaipur 302017，印度阿提奇莱因福奥文章历史记录：2018年1月24日收到2018年3月27日修订2018年4月24日接受在线发售2018年保留字：混合加工电火花磨削神经网络遗传算法建模优化A B S T R A C T混合加工工艺（HMP）由于其在加工所谓的难加工材料时增强的工艺性能和能力而引起了学术界和工业界研究人员的关注。本文采用人工神经网络（ANN）和非支配排序遗传算法Ⅱ（NSGA Ⅱ）的双重方法对一种新的混合磨料电火花金刚石磨削（AMEDDG）进行建模和优化。由于AMEDDG过程的复杂性，选择一个合适的输入因素的组合是一个努力的工作，机械师。采用中心复合旋转组合设计进行试验，建立了神经网络模型，考察了砂轮转速、粉末浓度、脉冲电流和脉冲时间等加工参数对材料去除率（MRR）和平均表面粗糙度（Ra）的影响。所建立的人工神经网络模型被认为是能够预测的输出响应的公差范围内，它为选定的一组加工参数。采用基于ANN-NSGA-II的对偶方法对AMEDDG的控制因子进行多目标优化，实验验证表明，优化结果在容许范围内。©2018 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. 介绍在目前的情况下，混合加工工艺（HMP）可以为加工难加工材料提供可能的解决方案HMP将两个或多个参与材料去除的机加工过程结合起来，结合了两个过程中涉及的潜在优势，并减少了单个过程的限制[1]。在许多HMP中，放电金刚石研磨（EDDG）最近更流行于加工导电材料[2]。EDDG结合放电缩略语：HMP，混合加工工艺; ANN，人工神经网络; EDM，放电加工; EDG，放电磨削; ECA，进化计算算法; NSGA-II，非支配排序遗传算法-II; AMEDDG，磨料混合放电金刚石磨削; EDDG，放电金刚石磨削; MRR，材料去除率; WC-Co，碳化钨-钴; S-EDDG，开槽放电金刚石磨削工艺; CCRD，中心复合旋转设计; SCG，比例共轭梯度;MSE，均方误差; IEG，电极间间隙; PC，粉末浓度; CD，Crowing距离; SiC，碳化硅;HSS，高速钢。*通讯作者。电子邮件地址：deepunune@gmail.com（D.R.Unune）。由Karabuk大学负责进行同行审查电火花加工（EDM）的电蚀作用和金刚石磨削的机械磨损用于材料去除，因此与单独的EDM工艺相比，显著提高了材料去除率（MRR）和平均表面粗糙度（Ra）[3]。Koshy等人[4]通过在高速钢（HSS）上进行EDDG，阐明了EDDG中涉及的材料去除干预，并报告了热软化工件导致的比能和磨削力降低。此外，Yadav等人[5]检查了砂轮速度对高速钢加工的影响，并报告该参数对MRR最重要EDDG进一步配置用于WC-Co复合材料和HSS的端面磨削，并研究了性能[6]。研究表明，高电流和轮速更适合于高MRR。研究还表明，在较低的电流和较低的轮速下，砂轮会发生上光。为了克服诸如磨粒的不断损坏、更高的砂轮磨损率、碎屑聚集和不寻常的电弧等几个问题; Yadav和Yadava[7]开发了开槽放电金刚石磨削（S-EDDG）。他们报告说，S-EDDG的性能更好，与整体过程有关。电火花加工过程https://doi.org/10.1016/j.jestch.2018.04.0142215-0986/©2018 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/jestchD.R. Unune等人 /工程科学与技术，国际期刊21（2018）322-329323这为更高的MRR和更好的表面光洁度提供了有利条件。最近开发了一种被称为放电金刚石周边表面磨削的EDDG的修改版本，用于加工Al/SiCp/B4 Cp混合金属基复合材料[8]。 Tag等人[9]研究了加工多晶金刚石时的EDDG，并显示了该工艺在加工硬质材料（如多晶金刚石）时的有效性。最近，Rao等人尝试将EDDG应用于反应烧结碳化硅。[2]的文件。最近， Unune et al.[10 ， 11] 在磨料混合电介质存在下加工Nimonic 80A和Inconel 718时进行EDDG，并将该过程命名为磨料混合放电金刚石磨削（AMEDDG）。他们声称，通过在电介质中混合碳化硅（SiC）磨料，MRR得到了相当大的改善（见图1）。1.一、）.AMEDDG工艺是EDDG领域的最新发展，需要进一步探索不同材料的MRR和Ra 方 面的工艺性能分析众所周知，任何电火花加工（EDM）变体的放电行为都是不可预测的且非等能量的，这会导致每次放电中的材料去除量不相等[12]。AMEDDG中的投机行为也源于同一事实，因此，即使是熟练的机械师也很难通过优化控制变量来实现最佳性能基准进化计算算法（ECA），如遗传算法（GAs）和粒子群优化，用于处理多目标优化问题[13]。一些研究开发了EDDG过程基于分析、统计和智能技术，以预测基于控制变量的MRR和Ra等性能指标[14，15]。然而，由于EDDG过程中控制变量和性能变量之间的复杂性和非线性相关性，建立一个精确的过程模型来确定最佳加工条件是一个相对具有挑战性的问题。软计算方法，如人工神经网络，遗传算法在解释复杂的非线性问题方面表现出很大的能力[16，17]。人工神经网络建模提供了一些好处，如能够阻止过程因素的复杂和非线性行为;数据模式的学习和泛化;快速学习率容忍数据中的噪声[18，19]。Unune和Mali[15]在预测EDDSG工艺性能时，开发并声称ANN模型的预测精度高于RSM模型。在过去的十年中，遗传算法已经被证明是解决具有冲突目标的多目标优化问题的有效方法。 GA使用遗传算子来寻找最优解，而无需对搜索空间进行任何假设。遗传算法与可行解的群体一起工作，因此，它可以用于多目标优化问题，以同时捕获多个解决方案[20]。NSGA-II具有快速的非支配排序方法、快速的拥挤距离估计过程和简单的拥挤比较算子，是求解多目标优化问题的有力工具。几位研究人员将ANN和NSGA-II方法用于不同织物的输入加工参数的建模和优化图1.一、[10]第十话命名法RaW平均表面粗糙度C不在脉冲电流脉冲接通时间¼M×NJ23324D.R. Unune等人/工程科学与技术，国际期刊21（2018）322阳离子加工，如电火花加工，线切割，传统的铣削和车削等。Ming等人[21]利用NSGA-II对线切割加工过程进行建模和Yadav等[22]报告 了 NSGA-II 方 法 在 EDDFG 建 模 和 优 化 中 的 有 用 性 Yadav 和Yadava[23]指出，在类似开槽EDDG的复杂工艺中选择工艺参数是一项非常困难的任务，他们在开槽EDDG的多目标优化Monel K-500是一种镍基高温合金，具有优异的耐腐蚀性能和高强度和韧性，温度范围宽。Monel K-500因其优异的耐腐蚀性而广泛应用于化工厂、食品加工领域、热交换器管道、核装置、潜艇和船舶螺旋桨等[24]。然而，由于其局限性，诸如Monel K-500的镍基合金的加工对于许多传统加工工艺来说是一项具有挑战性的工作。因此，目的是在这里设置探索AMEDDG工艺性能蒙乃尔K-500通过使用人工神经网络建模技术。为了优化加工参数，NSGA-Ⅱ已被应用。实验结果被用来开发的人工神经网络模型，然后通过NSGA-II联合优化控制变量。最后，对优化结果进行了实验研究。理货确认。2. 材料和方法2.1. 实验装置对EDM机床（Electronica-ENC 35）上的内部开发的EDDG设置进行了修改以执行实验。[10，25]中给出了设置的详细信息。通过使用透明丙烯酸容器、冲洗装置和搅拌器，改进了EDDG装置以用于在电介质中混合磨料在电火花加工机床的工作台上安装了一个可充液的亚克力容器进行了初步试验，以选择适当的范围内的每个输入参数。所选控制变量及其范围见表1。典型的试验设计方法有完全析因设计、部分析因设计和中心复合旋转设计（CCRD）。CCRD比完全析因设计和部分析因设计所需的实验要少得多。因此，在本研究中，由于参数范围广泛，选择CCRD设计实验运行。在这项工作中，按照CCRD为每个参数的五个水平，进行了31个实验，2p析因和轴向试验和7个中心点。 表2表示试验的细节以及测量结果。2.2. AMEDDG过程的人工神经网络建模人工神经网络技术提供了一个优越的预测能力，因为它拥有的能力，更复杂的非线性和相互作用的模型比线性和指数回归模型可以提供。因此，选择人工神经网络技术来模拟AMEDDG过程。两个步骤，即训练和测试，完成人工神经网络建模。通过应用Moller[26]建立的缩放共轭梯度（SCG）算法进行网络训练，以实现快速、受控学习。自适应学习特性和在线搜索技术使SCG模型成为一个很好的计算工具。它需要适当选择隐藏层和层中的神经元对于隐藏层tansig和输出层logsig函数被选择。通过大量的试验，根据网络基于百分比误差和均方误差（MSE）计算网络的实现，并计算为：在介电流体中，粒度为1.45至1.75μ m的SiC磨料（平均值）混合，然后使用夹具将工件浸入电介质基于SiC的初步试验测量误差<$实验-预测值<$×100实验值ð2Þ和氧化铝（Al 2O3）磨料中，SiC被发现更适合-NM能够并影响AMEDDG的工艺性能，我是Al O。Unune和Mali[10]报道了SiC磨料粉末Nimonic80A的AMEDDG对MRR的贡献率为14.456%MSE¼1 XXdj-y23联系我们在哪里d 是j的期望输出神经元，y是前因此，在这项工作中，选择SiC作为磨料粉末 歼th j附件用于将磨轮安装到电火花加工机的冲头上。电极间的恒定间隙由电火花加工的伺服系统支持。所有实验均在Monel K-500工件的平坦表面上进 行。 所用蒙 乃尔 K-500 的化 学成 分为64.2%Ni、 29.16%Cu、2.3%Al、1.5%Fe、1.4%Mn、0.75%Ti、0.5%Si、0.18%C和0.01%S。的轮速，脉冲电流，磨料浓度和脉冲时间被选为工艺参数，而另一方面，MRR和Ra被选为输出响应。这两个输出响应是影响价格和商品质量的非常关键的参数。更高的MRR对于高生产率是必不可少的，而低Ra值确保更好的表面质量。用Taylor Hobson Surtronic-25型表面轮廓仪测量了垂直于砂轮进给方向的已加工表面的平均表面粗糙度Ra。该轮廓仪的标准传感器的标距长度为300 μ m，分辨率为0.01μ m。使用Citizon CY104电子天平（制造商：GMI Inc，USA）测定重量损失（加工前后），其可读性和重复性为±0.1 mg。通过以下公式确定MRR第j个神经元的指令值，N是训练模式的总数，M是输出节点为了选择合适的人工神经网络模型，单隐层网络通过从1到20个神经元进行训练。 表3描绘了在隐藏层中用六个神经元实现的最低平均MSE（ 0.0224 ） 。 因 此 ， 选 择 反 向 传 播 ANN （ 4- 6-2 ） 模 型 算 法 对AMEDDG的控制变量进行建模。表4总结了MRR和Ra的实验值和预测值。可以看出，所建立的人工神经网络模型具有良好的预测MRR和Ra的能力，平均绝对百分比误差为3.15%和3.47%，而最大绝对误差分别为5.52%和7.26%，如表4所示。图2（a）和（b）分别显示了MRR和Ra的实验获得的数据和预测数据之间的关系。3. 结果和讨论利用所建立的神经网络模型，分析了输入参数对输出响应的影响，MRR。mm3工件重量损失mm为了创建用于优化的目标函数的群体，1min1/4密度g3×加工时间min控制因素控制因素对产量的影响下文对答复进行了审议D.R. Unune等人 /工程科学与技术，国际期刊21（2018）322-329325表1控制变量及其水平。输入参数符号水平-2-1012轮速W800950110012501400粉末浓度（g/l）PC02468脉冲电流（A）C34567Pulse-on-time（ms）不在1719212325表2相应输入下的实验结果。实验运行输入参数（编码水平）MRR（mm3/min）Ra（mm）W PC C Ton1 0 0-2 0 8.98 3.069211114.86 3.0233-1 1-1-1 9.67 3.0794 0 0 0-2 9.64 3. 1425 0 0 0 0 9.93 2.8626 0 0 0 0 9.61 3.1277 0 2 0 0 14.48 3.0188 2 0 0 0 15.56 3.6599 0 0 2 0 10.96 3.09710 0 0 0 0 9.81 3.01211 0 0 0 0 9.53 2.96712 0 0 0 0 9.59 3.12113 1-1 1 1 12.96 3.64214 0 0 0 0 10.23 3.11215-2 0 0 0 7.12 3.12416 0 0 0 0 9.96 3.15317 0-1 0 0 7.51 3.66418-1-1 1 1 7.08 3.13319 11-1-1 14.74 3.03820-1 1 1 10.87 3.04421 1 - 1 1 - 1 13.07 3. 78122 - 1 1 1 - 1 10.24 3.07223 - 1 - 1 1 - 1 7.10 3.17024 - 1 - 1 - 1 1 7.06 3.12825 1 1-1 14.86 3.08426 1-1-1-1 11.78 3.69527 1-1-1 1 11.31 3.39528 - 1 1 - 1 1 10.12 3.05029 0 0 2 10.63 3.03230-1-1-1-1 7.07 3.15631 1 1-1 1 14.74 3.0113.1. 使用ANN模型的表3ANN结构性能变化的神经元。3.1.1. 轮速效应图3（a）显示了改变轮速对MRR和R a. 在固定因素下（粉末浓度= 4 g/l，脉冲-Sr.No.神经元数量平均MSE110.65002 2 0.15073 3 0.6009电流= 5A，脉冲开启时间=21ms），注意到MRR随着轮速的上升而上升，Ra值随着轮速的上升而下降。Agrawal和Yadava[14]和Mali等人也报道了类似的观察结果。[25]. 更高的轮速导致更好的冲洗条件45450.02720.8581在电极间间隙（IEG）处，从而有效地喷射660.0224可获得IEG下的熔融材料并因此获得改进的MRR770.3316砂轮上的大量磨粒会相互作用，891089102.78000.88241.0028以更大的轮速与工件作用。因此，每种磨料将研磨较少量的工件材料11110.6641导致均匀和较低的Ra值。此外，加强冲洗12120.8962由高轮速施加的条件导致有效的13134.4251喷出熔化的物质，141514150.36260.5478重铸图层。由于车轮转速高，重新启动的可能性16160.1150熔融金属的凝固被最小化，并且这导致17173.0545降低Ra。点火条件稳定，无异常电弧，18181.6281ing也可能有利于由于更高的车轮速度，清洁IEG并去除碎屑颗粒。这种机制将导致更高的MRR和更好的表面光洁度。它19191.836720200.5226326D.R. Unune等人/工程科学与技术，国际期刊21（2018）322表4MRR和Ra的实验和预测结果。实验运行实验预测绝对误差MRR（mm3/min）Ra（mm）MRR（mm3/min）Ra（mm）MRR247.063.1287.153.0111.243.732514.863.08415.353.2673.265.942611.783.69511.133.8415.523.972711.313.39510.833.1484.267.262810.123.05010.633.0185.041.052910.633.03210.263.019三点四八分307.073.1567.163.0111.284.603114.743.01114.903.0351.100.80图二. 实验数据和预测数据的比较。还可以注意到，当车轮RPM从900 rpm增加到1200 rpm时，MRR的增加更加显著。1200 rpm后，MRR略有下降。类似地，当轮速从900 rpm增加到1200 rpm时，表面粗糙度的降低随着轮速的进一步增加，表面粗糙度再次开始增加。高于1300 rpm的轮速阻碍了新鲜电介质进入IEG，导致冲洗效率降低和IEG中的碎屑积聚因此，当脉冲间隔对工艺性能产生相反的影响时，会发生异常电弧，即：MRR降低，Ra增加。3.1.2. 粉体浓度效应图3（b）显示了在固定因素如轮速= 1100 RPM、脉冲电流= 5 A和脉冲开启时间= 21m s时改变粉末浓度对MRR和Ra的影响在不同粉料浓度下，MRR和Ra值与轮速的变化趋势相似MRR随着粉末浓度的增加而增加，而Ra值随着粉末浓度从0g/l到20 g /l的减少而减少。4克/升。磨料在电介质中的混合促进IEG的桥接，从而在单个脉冲内多次放电因此，快速火花导致工件的快速腐蚀，导致MRR增加粉末的添加显示出通过加宽和扩大等离子体来改变等离子体的重要特征。在电介质中添加粉末扩大了IEG，并且发生了几次放电，导致火山口上的放电力和能量集中度降低[27]。放电能量主要是使熔坑区金属熔化，减少挥发，而挥发主要影响熔坑中心。加宽的等离子体通道不会束缚地推动熔融金属。这些条件导致形成统一的火山口，因此，表面倾向于光滑，粗糙.总的来说，在电介质中添加粉末会导致火花均匀分布，从而产生均匀的表面，并且将实现较低的Ra值[28]。还可以注意到，在粉末浓度为6g/l之后，Ra开始再次增加。随着粉末浓度的增加，介质电导率增加，高浓度火花作用在工件上，从而增加表面粗糙度。3.1.3. 脉冲电流效应图3（c）中显示了在固定因素下改变脉冲电流对MRR和Ra的影响，例如轮速= 1150 RPM，粉末浓度= 4g/l，脉冲开启时间= 21ms。MRR和Ra均随脉冲电流的增大而增大较大的脉冲电流值导致每个脉冲的高放电能量进入工件，从而导致更多体积的材料被软化和熔化。而软化的材料将由于在脉冲关闭时间期间的轮速度而被去除，因此可以实现更高的与此同时，随着更高的放电能量进入材料，将形成更大的陨石坑这些较大的凹坑在磨削中由于磨料的悬浮高度不合适而不能完全去除。因此，较大的电流值会降低表面质量并导致高Ra值[7]。3.1.4. 脉冲开启时间的影响图图3（d）示出了在恒定参数例如轮速= 1150 RMP、粉末浓度=4g/l和脉冲电流= 5A下，脉冲接通时间的变化对MRR和Ra的影响。可以看出，MRR随着脉冲接通时间的增加而增加。更多的脉冲接通时间意味着将有更多的火花时间，因此更多的放电能量将在大的脉冲接通时间值下作用在工件上。由于这一点，更高体积的材料将被熔化，并完全变软，这是由电火花加工和磨削明显造成的MRR上升因此，较高的MRR导致较高的脉冲接通时间值。Ra最初减小到20ms的脉冲开启时间值。然后，Ra值随着脉冲开启时间值的任何进一步上升而增加。由于较大的脉冲接通时间将导致在工件上产生较宽的凹坑，因此凸出高度D.R. Unune等人 /工程科学与技术，国际期刊21（2018）322-329327图3.第三章。在Monel K-500的 AMEDDG过程中输入加工参数对MRR和Ra的影响磨料的结果是无用的。磨粒的隆起不能有效地消除工件上的凹坑，从而导致Ra值较高。3.2. 基于人工神经网络和非支配排序遗传算法的优化当前研究的目的是最大化MRR并最小化Ra。这些目标是相互矛盾的，并且是轮速（W）、粉末浓度（PC）、脉冲电流（C）和脉冲开启时间（Ton）的函数。为了避免两个目标之间的冲突，第一个目标（MRR）通过分配负号转换为最小化。然后将每个解与其他生成的解进行比较，以确定非支配结果。当生成的解满足以下目标时，非支配排序开始.对象1½i]>对象 1½j]和对象 2½i]P对象 2½j]或对象1<$i]P对象1<$j]和对象2 <$i]>对象2<$j]其中i;j是解的编号，i最大化MRR最小化MRR最小化-MRR最小化FW;PC;C;T和关于在整个非支配安排中，完成目标功能的公司被分配到第一位，具体非支配解决方案然而，在这方面，非-最小化Ra1/4F/W;PC;C;T 关于在剩下的人群中，仍然占据主导地位的安排受制于8006W6 140006PC6 836C6 7176T上6 25采用混合优化方法对AMEDDG过程的控制因素进行了优化。在MATLAB环境下，根据目标和约束条件，将所建立的神经网络模型与改进的NSGA-II程序连接。人工神经网络模型在初始迭代过程中产生初始种群，并在下一次迭代中对目标函数进行评估。NSGA-II进行了排名和做空。人工神经网络模型生成了初始群体，见图4。 非支配结果的帕累托前沿。JJ我JM -fm328D.R. Unune等人/工程科学与技术，国际期刊21（2018）322表5具有类似控制因子的非支配解。Sr. 号WPCC不在MRR（mm3/min）Ra（mm）11006.614.404.9417.409.063.22421398.066.986.1425.0020.433.46831395.808.003.0025.0020.573.07841400.008.006.9024.9922.453.54851227.995.873.0025.0014.263.01561400.008.006.8125.0022.373.53671165.305.053.0025.0012.303.00581400.008.004.0025.0020.783.19691400.008.004.4325.0020.903.242101400.008.005.8724.9821.613.416表6验证最佳结果。Sr.No.W PC CT最佳实验绝对误差MRR（mm3/min）Ra（mm）MRR（mm3/min）Ra（mm）MRRRa1100644179.063.2248.763.1263.373.1421398662520.433.46820.643.3481.033.5831395832520.573.07820.843.0211.301.874140086242.453.54821.483.4264.493.5651227532514.263.01514.873.1424.094.0561400862522.373.53623.223.5873.681.4171165532512.303.00512.912.9674.751.2881400842520.783.19620.263.3352.564.1791400842520.903.24221.353.2812.121.20101400852421.613.41622.183.3312.552.56选择并为满足目标函数的解分配秩2。重复这些迭代，直到所有群体都被安排并以其适当的值排序最后，每个解决方案被分配与其排名相等的适应值。遗传算子在完成选择、交叉、变异等操作后，进行非支配排列产生子代。利用二元锦标赛选择和拥挤距离（CD）比较来选择亲本。更健康的CD总是理想的，因为它提供了更健康的多样性，并计算，3.2.1. 确认最佳结果通过实验数据验证ANN-NSGA-II的非支配结果，分析了最优结果的能力。为了进行验证，选择了表5表6中给出了从验证实验中获得的相应输入加工参数的最佳MRR和Ra的实际值以及绝对百分比误差。MRR和Ra的最大绝对百分误差分别为4.25%和6.77%我在我在fj1-fj -1M4. 结论d我m 最大值1/4dIm-1kHzMminð4Þ在本研究中，ANN-NSGA-II的混合方法其中，Im表示基于第m个目标函数的非支配解中第jdm是值J从先前的目标函数。fmax和fmin是最大值。应用于混合磨料电火花金刚石磨削Monel K-2000合金时，使MRR最大，Ra值最小。500.通过对工艺参数的建模和优化，得出以下结论。M m我在我在第m个目标函数的最小值。fj1 和fj-11。ANN结构（4-6-2）被发现更好地模拟abra。M m是排序非支配解中相邻元素的第m个目标函数的值[7]。后代相当于初始种群，然后在亲本的基础上产生。然后，将初始种群和后代联合起来以获得非支配结果，并且如果当前种群超过极端解，则选择该结果，否则按照所有上述过程产生新的一代，直到找到非支配结果的Pareto前沿。图4示出了100个结果的Pareto前沿，其指导在探索空间中建立的适当的因子这证明了帕累托前沿的发展导致最终的一组解决方案。表5列出了从100个非支配解中仅用10个（随机在加工Monel K-500的过程中采用混合电火花金刚石磨削工艺2. 开发的人工神经网络模型与实验数据吻合良好，预测的MRR和Ra合理，平均百分误差为3.15%和3.47%，分别。3. 随着转速和粉尘浓度的增加，MRR增大，Ra减小。4. MRR和Ra随脉冲电流值的上升而上升MRR随着脉冲开启时间的上升而增长，而Ra值最初降低至20m s，然后随着脉冲开启时间的进一步上升而增加。5. 最佳结果与实验信息一致，最大绝对百分比误差为4.75 MRR和Ra分别为4.17%。D.R. Unune等人 /工程科学与技术，国际期刊21（2018）322-329329利益冲突我们声明我们没有利益冲突。引用[1] D.R. Unune，H.S.马力，复合微细加工工艺的研究现状与应用，中国机械工业出版社。B.J.Eng.Manuf.229（10）（2014）1681https://doi.org/10.1177/0954405414546141[2] X.拉奥，F. Zhang C.，中国古猿科Li，Y. Li，RB-SiC陶瓷放电金刚石磨削的实验研究，国际先进制造技术杂志94（5https://doi.org/10.1007/s00170-017-1102-7。[3] P. 苏托夫斯基河S'wieEschercik，加工结果和效率的估计，使用高频声发射和力信号的Ti6 Al 4V钛合金的磨料放电磨削工艺J.Adv. Manuf.Technol. 94 （ 1https://doi.org/10.1007/s00170-017--4 ） （ 2017 ） 1263-1282 ，www.example.com1011-9[4] P. Koshy，V.K. Jain，G.K.李文，金刚石电火花磨削加工中的材料去除机理，机械工程学报。工具手册36（10）（1996）1173- 1185。[5] S.K.S. Yadav，V. Yadava，V.L.王晓刚，金刚石电火花磨削的实验研究与参数设计，北京：机械工业出版社，2001。36（1-2）（2008）34-42。[6] G.K. Singh，V. Yadava，R.王晓刚，等离子体辅助金刚石端面磨削的实验研究，北京：机械工业出版社。精确。工程制造11（4）（2010）509-518。[7] R.N. Yadav，V.应用软计算技术于开槽电火花钻石端面研磨制程之建模与最佳化，印度研究所。（2015），https://doi.org/10.1007/s12666-015-0536-6。[8] R.S. Yadav， V. Yadava ，混 合金属基复合材料的放电 金刚石周边表面磨削（ EDDPSG ） 的 实 验 研 究 ， J. 制 造 工 艺 27 （ 2017 ） 241https://doi.org/10.1016/j。jmapro.2017.04.004网站。[9] J.J. Tang，H. Zhang，P.Q.是的，C.H.基于响应面法的聚晶金刚石电火花磨削研究，关键工程材料。764（2018）123https://doi.org/10.4028/www.scientific.net/[10] D.R. Unune，V.P. Singh，H.S.马丽，磨料混合放电金刚石磨削Nimonic 80 A的实验研究，材料。制造过程。31（13）（2015）1718https://doi.org/10.1080/[11] D.R. Unune ， H.S.马丽 ， 基于 响应曲 面法 的混 合磨 料表面 放电 金刚 石磨 削Inconel 718的参数建模和优化，国际。 J. Adv. 制造商Technol. （2017），https：//doi. org/10.1007/s00170-017-0806-z。[12] D.R. Unune，M.Marani Barzani，S.S.Mohite，H.S.马里，基于模糊逻辑的模型预测材料去除率和平均表面粗糙度的加工Nimonic 80 A使用磨料混合放电金刚石表面磨削，神经网络计算。（2016），https://doi.org/10.1007/s00521-016-2581-4。[13] A.L. Jaimes，C.A. Coello Coello，多目标进化算法：最新技术及其在化学工程中的一些应用综述5（2017）63https://doi.org/10.1142/9789813148239_0003[14] S.S.张文，金属基复合材料表面放电金刚石磨削过程中材料去除率和表面粗糙度的 建模 与 预 测 ，硕士学位论文。制造过程。28（4）（2013）381-389。[15] D.R. Unune，H.S. Mali，基于人工神经网络和基于响应面方法的Inconel 718放电金刚石磨削过程中材料去除率和表面粗糙度的预测模型，Proc. IMechE Part B J. Eng.Manuf.（2015）. 10.1177/0954405415619347。[16] A.P. Markopoulos，D.E.新墨西哥州马诺拉科斯李文，电火花加工表面粗糙度的神 经 网 络 预 测 ， 北 京 ： 机 械 工 业 出 版 社 。 19 （ 3 ） （ 2008 ） 283-https://doi.org/10.1007/[17] S.黛布 ， T。 Hanne ， S.方， 机 器智能 的最 新进展 ，软 。 Comput. 20 （ 9）（2016）3347https://doi.org/10.1007/s00500-016-2276-[18] J.M. David，K.Balakrishnan，使用ANN和ANFIS的学习障碍预测工具Comput.18（6）（2013）1093-https://doi.org/10.1007/[19] M. Hanief，M.F.Wani，M.S.Charoo，使用人工神经网络和回归分析对红黄铜（ C23000 ） 车 削 过 程 中 的 切 削 力 进 行 建 模 和 预 测 Technol. Int. J. 20 （ 3 ）（2017）1220https://doi.org/10.1016/-1226，www.example.comj.jestch.2016.10.019。[20] D. 卡纳加拉汉河Karthikeyan，K.Palanikumar，J.P.王文，非支配排序遗传算法优化WC/Co复合材料的电火花 加工特性， Int. J. Adv. 制造商Technol. 36（11https://doi.org/10.1007/s00170-006-0921-8[21] W.明，Z. Zhang，G. Zhang， Y. Huang，J. Guo，Y.陈，YG15线切割加工三维表 面 形 貌 的 多 目 标 优 化 ， 材 料 。 制 造 过 程 。 29 （ 5 ） （ 2014 ）514https://doi.org/10.1080/[22] R.N. Yadav，V. Yadava，G.K. Singh，基于ANN-NSGA- II混合技术的电火花金刚石端面磨削8（3）（2013）319-https://doi.org/[23] R.N.李文生，金属基复合材料开槽电火花磨粒磨削加工的神经网络优化设计，硕士论文。机械工程B-J工程227（10）（2013）1442-1452。[24] L.E.舒 梅 克 ， 动 力 局 Smith ， Acenturyofmonelmetal ：1906https://doi.org/10.1007/s11837-006-0077-x[25] H.S.马里共和国Unune，S. Tiwari，Inconel-718电火花金刚石表面磨削过程中材料去除率的建模和预测，在：第五届AIMTDR 2014会议记录，IIT Guwahati，印度，2014年。pp. 822：821- 822：828。[26] M.F. Møller ， A Scaled Conjugate Gradient Algorithm for Fast SupervisedLearning，NeuralNetworks6（4）（1993）525-https://doi.org/10.1016/s0893-6080[27] R.N.杨文，金属基复合材料复合加工的试验研究，机械工程学报，2001。 工程制造14（8）（2013）1293-1299。[28] A.库马尔，S。马赫什瓦里角Sharma，N.李文，镍基高温合金Inconel 718的添加剂混合电火花加工特性分 析 ，材料。制造过程。26（8）（2011）1011- 1018。