深冷处理Inconel 718电火花线切割加工工艺参数优化

工程科学与技术，国际期刊19（2016）161全长文章深冷处理Inconel 718电火花线切割加工工艺参数优化Bijaya Bijeta Nayak，Siba Sankar Mahapatra*机械工程系，国立技术学院Rourkela，769008，印度A R T I C L E I N F OA B S不 R 一C T文章历史记录：2015年5月23日收到2015年6月18日接受2015年8月19日在线发布保留字：角误差Bat算法深冷处理最大偏差理论L-M算法本文对深冷处理Inconel 718合金电火花线切割锥度加工过程中的各种工艺参数进行了试验研究和优化。田口的实验设计是用来收集信息的过程中，考虑到六个输入参数，如零件厚度，锥角，脉冲持续时间，放电电流，线速度和线张力的实验运行的数量较少。针对传统的田口法无法对多个性能特性进行优化的问题，应用最大偏差理论将多个性能特性转化由于该过程中涉及的复杂性和非线性，很难获得性能特征和过程参数为了解决这个问题，本研究提出了人工神经网络（ANN）模型来确定输入参数和性能特性之间的关系。最后，通过一种新的元启发式方法（蝙蝠算法）对过程模型进行优化，以获得最佳参数组合。结果表明，该方法是线切割加工过程中锥度切削性能同时优化的有效工具© 2015 ， Karabuk University. Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在当今然而，这些镍基合金由于其优异的机械性能以及较低的热导率而难以加工深冷处理通过细化材料的微观结构，使材料的热性能和机械性能得到显著改善。深冷处理是指在−196 °C左右的极低温度下处理材料，这会影响金属的整个横截面[1]。然而，在传统的机械加工工艺中几乎不能进行这种合金的机械加工使用电火花线切割机（WEDM）的锥形切割操作为使用任何难加工材料、超级合金和复合材料生产复杂的锥形轮廓它基本上是一个电热过程，* 通讯作者。联系电话：+91 661 2462512，传真：+91 661 2472926。电子邮件地址：mahapatrass2003@gmail.com（S.S.Mahapatra）。由Karabuk大学负责进行同行审查。被工件和线电极（工具）之间的一系列离散火花从工件上侵蚀掉，线电极（工具）被一层薄的电介质液体（去离子水）隔开，电介质液体（去离子水）被连续地输送到加工区，以清除被侵蚀的颗粒[2]。在电火花线切割机的锥度切削过程中，线会发生变形，从而导致被加工零件的倾斜角度产生偏差。结果，加工零件失去了精度[3，4]。为了在电火花线切割加工中获得更好的锥度输出特性，同时改善电极丝和工件材料的性能显得至关重要。为了解决这个问题，田口的实验设计是用来研究各种工艺参数对角度误差，表面粗糙度和切削速度的影响，在锥形切削深低温处理的Inconel 718与深低温处理的涂层Bronco切割W线。采用方差分析（ANOVA）确定工艺参数的重要性。然而，传统的田口方法不能同时优化多个性能特征。为了克服这一局限性，一种新的方法被称为最大偏差理论被应用到转换成一个等效的单一的per-percent特性的多个性能特性。传统的方法很难建立良好的函数关系的过程参数和perfor-mance特性时，过程行为的非线性方式，并涉及大量的相互作用的参数。到http://dx.doi.org/10.1016/j.jestch.2015.06.0092215-0986/© 2015，Karabuk University.由Elsevier B. V.制作和托管。这是CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。出版社：Karabuk University，PressUnit ISSN （印刷版）：1302-0056 ISSN（在线）：2215-0986 ISSN（电子邮件）：1308-2043主 办可 在 www.sciencedirect.com上 在 线ScienceDirect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：http://www.elsevier.com/locate/jestch162B.B. Nayak，S.S.Mahapatra/Engineering Science and Technology，an International Journal 19（2016）161为了克服这一局限性，通过反向传播神经网络（BPNN）模型建立了过程参数与性能特性之间的关系。为了实现更快的收敛，贝叶斯正则化也被采用，由于它的推广能力，以最小的权重最小化误差，从而避免了交叉验证。最后，利用一种新的元启发式方法蝙蝠算法对过程模型进行优化。2. 文献综述过去已经尝试了许多研究来改善电火花线切割（WEDM）工艺的性能特征，即，表面粗糙度，切削速度，尺寸精度和材料去除率使用各种trans-anxiety，多准则决策和进化算法的方法。然而，由于该过程的复杂性和随机性以及涉及大量变量，该过程的全部潜力没有被完全探索。Tosun等人[5]研究了加工参数对线切割加工中切口和材料去除率的影响，并采用模拟退火法进行了参数的多目标优化。Kuriakose和Shunmugam[6]发展了一种多元回归模型来表示输入和输出变量之间的关系，以及基于非支配排序遗传算法（NSGA）的多目标优化方法。Mahapatra和Patnaik[7]通过非线性回归分析建立了控制因素与响应（如材料去除率（MRR）、表面光洁度（SF）和切口）之间的关系，从而得到有效的数学模型。最后，采用遗传算法对电火花线切割加工工艺进行多目标优化。Sadeghi等人[8]已将Tabu搜索算法应用于线放电加工过程中的材料去除率和表面粗糙度（SR）Khan等人[9]使用灰色关联分析法同时优化了线切割加工过程中加工部件的表面粗糙度和显微硬度。Jangra等人[10]还将灰色关联分析与田口方法结合，用于WC-Co复合材料线切割工艺中材料去除率和表面粗糙度的同时优化Mukherjee等人[11]应用了六种不同的非传统优化算法，如遗传算法、粒子群优化、羊群算法、蚁群优化、人工蜂群和基于遗传算法的优化，用于线切割工艺的单目标和多目标工具和工件的低温加工也是一种电火花加工（EDM）和电火花线切割（WEDM）工艺的加工性能显著提高的主要研究问题。在这个方向上，Kumar等人[12]研究了Inconel 718工作材料的可加工性，其中陶瓷粉末混合在电介质中，使用低温处理的铜电极进行放电加工。Kapoor等人[1]使用田口实验设计研究了深低温处理黄铜丝电极的效果。从方差分析中可以看出，焊丝类型、脉冲宽度、两个脉冲之间的时间和焊丝张力是提高材料去除率的重要参数。Gill和Singh[13]研究了铜电极深冷处理对Ti 6246合金电火花钻孔加工性的影响。该研究证实，通过低温处理可以提高材料去除率、磨损率（WR）、刀具磨损率（TWR）和精确钻孔。然而，大多数的研究工作都集中在垂直切割线切割。在当今的制造业中，精密和模具制造不仅需要生产率、公差和尺寸精度，还需要具有倾斜或曲面的复杂轮廓。因此，电火花线切割加工是电火花线切割加工最重要的应用之一使用线切割的锥度切割首先由Kinoshita等人于1987年提出[14]。他们开发了一个线性模型的电线变形，忽略了在这个过程中产生的力量。广场 等[3]建立了两个预测锥度线切割角度误差的模型，发现零件厚度和锥度角是影响最大的变量。Sanchez等人[4]提出了一种数值和经验方法，用于预测线切割锥度切割中的角度误差。Sanchez等人[15]采用仿真方法分析了线切割锥度加工中的角度误差，并通过实验进行了验证。Chiu等人[16]对锥度切割中机器施加在金属丝上的轴向力进行了在线调整。Huse和Su [17]提出了一种用于线切割锥形加工材料去除分析的理论模型和倾斜放电角的概念，并提出了一种包括控制放电功率和丝张力以提高加工效率的策略。Kinoshita[18]还提出了不同的方法来补偿锥度切削中的角度误差。然而，目前对线切割加工中的锥度切削问题的研究较少，对线切割加工工艺参数的优化研究更是少之又少。文献中没有充分讨论低温处理的线电极和工件的应用因此，本研究试图研究的各种性能指标的输入参数的影响，使用深低温处理的电极丝和工件Inconel 718在锥度切割操作在线切割过程中。然后，使用人工神经网络模型开发过程模型，该模型通过最近的元启发式方法（称为蝙蝠算法）进行优化。3. 拟议方法本文提出了一种综合的方法，用于预测和优化电火花线切割加工工艺参数，用于冷处理电极丝和工件材料的锥度切削加工。3.1. 最大偏差理论过去，几种多属性决策方法，如简单加权法（SAW）、加权积法（WPM）、逼近理想解的偏好排序法（TOPSIS）、层次分析法（AHP）、评价集的偏好排序组织法（PROMETHEE）、期望函数等，都被用于将多个性能特征转化为单一的等价特征[19然而，权重分配到各种性能特征是相当主观和任意的性质。它严重影响了备选方案的排序。为避免专家主观分配权重和隐含的不确定性，谨慎的做法是从现有数据中提取准确的信息。Wang[23]提出的最大偏差理论可以非常有效地解决这个问题。下文概述了最大偏差理论的计算步骤，以计算每个性能特征的权重，并计算每个替代品的最终综合评分（最大化）[24]。3.1.1.步骤1：评价矩阵的标准化规范化过程需要将各种属性之间的不同尺度和单位转换为共同的可测量单位，以允许不同属性的比较决策矩阵从实验数据中通过处理数实验的替代品和性能特性的属性。决策矩阵的每个元素表示B.B. Nayak，S.S.Mahapatra/Engineering Science and Technology，an International Journal 19（2016）161163M NNl1 吉吉伊杰˜ ˜j1i1d r，r 2JJ第i个备选项的第j个属性的值，其中i=1，2 = 0。. n和j1，2μm。为了规范化评估矩阵，使用以下等式3.1.3. 第3步：计算综合得分加权归一化目标值通过以下公式计算：将归一化的目标值与目标权重相乘。然后，通过将所有xijxij最大值xijxij最大值xij最小值xij最大值xij最小值x对于非有益属性（1）对于有益的属性（2）每个备选方案的加权目标函数值被视为用于优化的等效单一性能特征。3.2. 一种基于神经网络和bat算法的混合优化方法3.1.2. 第2步：通过最大偏差法确定重量本文考虑了最大偏差法，计算各方案性能值的差异。 对于属性A j 1，2，，m，备选项Sii1，2，n与所有其他备选项的偏差值可以计算如下本文针对电火花线切割加工过程中的多性能优化问题该方法的详细说明见图1所示的流程图。1.一、人工神经网络（ANN）是一种高度灵活的建模工具，能够学习输入和输出之间的映射因此，在目前的工作中，拟合函数-DNdw（三）所提出的算法的作用是开发使用的权重和国际新闻报lIJ国际新闻报从ANN模型中获得的偏差反向传播神经网络然后，可以定义所有备选方案相对于属性Aj1，2，A，m的神经网络（BPNN）是一种由输入层、隐层和输出层三层组成的神经网络结构，通常被用来描述输入输出过程之间的函数关系神经网络的运行分两个阶段进行，学习-DMwNNdw（四）学习、训练、测试或推论。网络架构jj 1国际新闻报 i1 l1IJ国际新闻报表示为l-m-n，其中在输入层存在l个神经元所有属性沿所有备选方案的偏差可以表示为（等于模型中的输入的数量），隐藏层的m个神经元（通过实验优化）和输出层的n个神经元，这取决于期望的输出的数量。DMDwNNdw（五）该模型输入层从外部接收信息 j 1JJjIJ国际新闻报来源并将此信息传递到网络进行处理-基于上述分析，我们必须选择权重向量w以最大化所有属性的所有偏差值，为此我们可以构建如下线性模型DMNNdr，rwing. 隐藏层从输入层接收信息，进行所有的信息处理，输出层从网络接收处理后的信息，并将结果发送到外部接收器。为了加快收敛速度，jCIMMIJ国际新闻报（六）工作LMA是用于非线性优化的合适方法，是的。j1 w1，0，j ，2，. ，M对于中等大小的为了求解上述模型，我们构造拉格朗日函数：问题[25]。贝叶斯正则化用于提供更好的生成，均衡性能和避免过度拟合。L.W.，， 中国Nd2019年12月日（七）提出的jj 1第一章1l1IJ国际新闻报j1Jian正则化[26]给出为：其中，λ是拉格朗日乘数。Lwj的偏导数，关于w，j和k，1. 计算雅可比矩阵（通过有限差分或使用链式法则）LNNd，202. 计算误差梯度，g=Jt ewj i1 l1联系我们IJij j jMw210（八）3. 使用叉积雅可比矩阵近似海森矩阵H= Jt J⎩ j J其中H是Hessian矩阵，J是Jacobian矩阵，包含网络误差关于从EQ。（8）和（9）w，j和可以确定为：to the weights重量and biases偏见.e是网络误差向量4. 计算拟合函数F=β*Ed+α*Ew，其中Ed是α和β是目标函数参数。2NN（九）误差平方和，Ew是权重平方和。5. 求解（H+λI）δ=g以找到δJ.J. i1 l1drij,rij6. 使用δ更新网络权重w7. 使用更新的权重重新计算拟合函数8. 如果拟合函数没有减少，则丢弃新的此外，可以如下确定来自上述的归一化属性权重：N Nd，r权重，使用v增加λ并转到步骤59. 否则使用v10. 使用Mackay或Po- land公式更新贝叶斯超参数1IJIJ（十）jMN Nd，1jIJLJYWtrHM NNl1 吉˜˜j1i1d r，r伊杰2164B.B. Nayak，S.S.Mahapatra/Engineering Science and Technology，an International Journal 19（2016）161定义脉冲频率（fi）网络架构优化网络学习输入输出训练数据体重稳定t最大迭代没有是的没有如果rand>ri是的如果new= Fitness（i）rand Ai没有是的停止对蝙蝠进行排名，找出当前最好的增加ri，减少Ai接受新的解决方案生成随机数（rand）使用等式（14）在最佳解周围生成局部解生成随机数（rand）选择最佳适应值对应的当前最佳解生成新的解决方案，通过调整fi和更新速度和位置的解决方案，使用方程。(11)、（12）和（13）初始化脉率（ri）、速度（vi）和响度（Ai）评估新适应值Fnew使用神经网络的权重和蝙蝠的位置值评估每个蝙蝠的适应度开始初始化蝙蝠种群Xi（i = 1，Fig. 1. 提出的混合优化蝙蝠算法与神经网络的流程图。B.B. Nayak，S.S.Mahapatra/Engineering Science and Technology，an International Journal 19（2016）161165我N y2.0EdW2.0 EWtrH1其中W是网络参数的数量（权重和偏差的N是训练集中的条目数Y是有效参数tr（H−1）是逆Hessian矩阵大多数现实世界的设计优化问题是高度非线性的，并且涉及复杂环境下的各种设计变量其中，[0，1]范围内的k是从均匀分布中提取的随机向量。这里，x*是当前全局最佳位置（解），其是在比较所有n个蝙蝠之间的所有解之后定位的。由于乘积if i是速度增量，因此f i（或i）可用于在固定时调整速度变化 另一个因子fbi（或fi）取决于感兴趣的问题的域。在实验中使用fmin= 0和fmax1，这取决于感兴趣的问题的域大小。最初，每个蝙蝠被随机分配一个频率，该频率均匀地取自fmin，fmax 在局部搜索中，一旦在以下各项中选择了解决方案，当前最佳解，每个蝙蝠的新解通过使用局部随机游走在局部生成，其被定义为约束现代元启发式算法已经发展到进行全局搜索，目的是解决大规模问题x新的x旧的At其中，是在[-1，1]和A之间抽取的随机数（十四）的t更快地解决复杂问题，并获得稳健的解决方案。密集化和多样化是Meta-是所有蝙蝠在这个时间步长的平均响度。之后，还更新响度A和脉冲发射速率r启发式算法强化，也称为剥削，搜索ii围绕当前最佳解决方案，并选择最佳候选方案。分散，也称为探索，允许优化器更有效地探索搜索空间，主要是通过随机化[27]。为了解决上述问题，一些研究人员提出了一些用于全局优化的Meta启发式算法，如遗传算法、粒子群算法、粒子群算法等。因此随着迭代的进行。一旦蝙蝠发现猎物，响度通常会降低，而脉冲发射率增加，响度可以选择任何方便的值为简单起见，可以使用A01和Amin0。假设Amin=0意味着蝙蝠刚刚找到猎物，暂时停止发出任何声音，群优化，模拟退火，和谐AtAt，rt11exp（十五）搜索（HS）和火灾算法（FA）[28 在本文中，我采用了一种新的高效的元启发式算法-蝙蝠算法（BA）。BA是一种基于微蝙蝠回声定位或生物声纳特性的生物启发算法，由X。S.Yang in 2010[27]. 蝙蝠有一种叫回声定位的机制其中，和是常数。模拟退火算法中的冷却因子对算法的收敛速度起着类似的作用。 对于任何0个1，0个，我们有A t0，r t r 0作为t。所以，对参数进行微调，我我我它们可以探测猎物并避开障碍物。在回声定位中，每个脉冲仅持续千分之几秒（高达约8然而，它有一个恒定的频率，通常在25因此，蝙蝠可以计算出它们与物体的距离，即使在完全黑暗的情况下也能轻松区分障碍物和猎物。Yang[27]为蝙蝠算法开发了三个通用规则，将蝙蝠的行为转换为算法，如下所示：1) 所有的蝙蝠都使用回声定位来感知距离，它们也会以某种神奇的方式猜测食物/猎物和背景障碍之间的区别2) 蝙蝠以速度vi在位置xi随机移动，频率fmin，改变波长λ和响度A0来搜索猎物。它们可以自动调整发射脉冲的波长（或频率），脉冲发射率r0.1，取决于距离他们的目标。3) 虽然响度可以以多种方式变化，但我们假设响度从大（正）A0变化到最小常数值Amin。BA的基本步骤可以解释为图1所示的算法。对于每一只蝙蝠，它在d维搜索空间中的位置xi和速度vi应该被定义。xi和vi应该是随后在迭代期间更新新的解决方案x t并且在时间步长t处的速度vt可以通过下式计算：fifminfmaxf（ 11）参数α和γ可以影响BAT算法的收敛速度。4. 实验实验在Agie-Charmilles Technologies公司的AC Progress V2高精度数控线切割机上进行。选择用于进行实验的材料是低温处理的Inconel 718，其直径为25 mm，厚度分别为20 mm、30 mm和40mm，并且低温处理的涂覆的Bronco cut-W（Bedra），直径为0.2mm，被用作线电极。深冷处理在干燥条件下进行，其中被处理的工件不暴露于液氮，以消除热冲击的风险和损害。首先，将直径为0.2 mm的涂覆的Bronco切割W线电极和直径为25 mm的Inconel718工件（具有三种不同厚度20 mm、30 mm和40 mm的残余物）放置在低温室Kryo 560 -16中。低温室通过绝热管与液氮罐联接。液氮通过管状管道，以气态进入低温室。液氮的流量由电磁阀控制。首先，将电极丝和工件材料置于低温室内，通过计算机化可编程控制器以1 °C/min的速率将温度缓慢降至-196 °C。温度在-196 °C的温度下保持恒定24小时。然后，将其缓慢地带到室温，然后对涂覆的Bronco切割W线和Inconel 718工件进行两次回火循环，以释放由低温处理引起的将温度升高至以1 °C/min的速率在+196 ° C/min下加热。输入参数及其水平是根据文献、经验、重要性及其相关性的审查选择的，vtvt 1xt1xf（十二）我我我初步调查[2，3]。Plaza等人[3]认为，零件厚度和锥角是影响最大的因素X t xt（十三）线切割锥形切割中的变量因此，在本工作部分中，我我我我166B.B. Nayak，S.S.Mahapatra/Engineering Science and Technology，an International Journal 19（2016）161表1输入参数及其级别。输入变量单元符号水平一级三级部件厚度mm一2030 40锥角程度B56 7脉冲持续时间微秒C2428 32放电电流AmpD1416 18线速mm/sE90120 150线张力NF1214 16图三. 线性图厚度、锥角、脉冲持续时间、放电电流、焊丝速度和焊丝张力被认为是输入参数。表1中所示的极限值是根据线切割机的能力和极限条件设定的，通过避免线的断裂来确保连续切割。如前所述，角度误差（AE）、表面粗糙度（SR）和切削速度（CS）被认为是优化电火花线切割锥度加工工艺参数的三个重要通过使用SURFCOM 130A测量平均表面水平的平均绝对偏差Ra（表面粗糙度），角度误差可用分钟表示，并按下式计算角度误差其中θ是编程角度或机械加工部件中的预期角度。θ是由于线变形而在加工零件中获得的实际角度。在机加工之后，倾斜表面的角度（θ）是指：使用Zeiss 850 CNC坐标测量机相对于顶表面测量。测试部件的几何形状如图所示。 二、对于线切割机切割率也是一个理想的特性，它应该尽可能高，以提供最少的机器周期时间，从而提高生产率。在本研究中，切割速率是工件切割的量度，其以数字方式显示在机器的屏幕上，并且以mm/min给出。为了评价加工参数对性能特性的影响，并确定最佳加工参数下的性能特性，需要专门设计的实验过程。在本研究中，田口方法，一个强大的工具，实验设计被用来确定在电火花线切割加工过程中进行锥度切削操作的最佳加工参数。计划研究六个控制因素的行为，A、B、C、D、E和F以及三种相互作用，即，A × B、A × C和B × C基于过去的经验。如图3所示的标准线性图用于将因子和相互作用分配给正交表的各个列[34，35]。实验架构和每个性能特性的值如表2所示。5. 结果和讨论根据如上所述的田口L 27正交表进行实验利用MINITAB 16通用统计软件包对表2所示的实验结果进行了分析，确定了各种工艺参数对角度误差、表面粗糙度和切削速度的影响对图4所示结果的分析得出的结论是，第三级零件厚度（A3）、第一级锥角（B1）、第三级脉冲持续时间（C3）、第一级放电电流（D1）、第二级焊丝速度（E2）和第一级焊丝张力（F1）提供了最小的角度误差值。从图4中可以明显看出，零件厚度的增加会导致角度误差的减小，因为较厚工件中较长长度的线电极提供了更多发生火花的机会，并提供了足够的空间用于使用上导向器和下导向器在U-V轴上的移动进行方差分析（ANOVA）以研究每个参数的显著性及其与角度误差的相互作用从表3中可以明显看出，零件厚度、锥角、脉冲持续时间、放电电流和线张力是在0.05的显著性水平下，线切割机锥加工过程中角度误差的重要参数。图二、线切割实验中用于测量角度误差的测试零件的几何形状。见图4。控制参数对角度误差的影响。45.0均值的主效应图数据意味A BC42.540.037.535.0145.02D312E312F342.540.037.535.0123123123平均值的平均值B.B. Nayak，S.S.Mahapatra/Engineering Science and Technology，an International Journal 19（2016）161167表2使用L27正交阵列的性能特性的实验结果。Exp. 号一BCDEF角度误差（分钟）表面粗糙度（μm）切割速度（mm/min）综合分数111111130.2212.2450.9260.5963211222237.4472.1981.0030.5579311333339.1192.7421.7450.7046412122341.5462.8840.9280.3393512233142.4852.8931.0150.3602612311245.8242.9981.1290.3451713133246.6163.1120.9750.2541813211348.8472.6610.9960.3342913322152.1452.9951.3450.35961021123250.2552.7150.9680.2971121231358.6542.8710.9710.17481221312133.5262.9940.9970.4281322131150.3983.1150.9320.19661422212253.2542.9960.9810.20991522323344.6583.1121.4220.44411623112325.2572.7830.9430.54121723223132.5422.8451.1350.52251823331227.5683.5561.1290.41551931132328.3562.5531.0180.58542031213124.7362.1141.1850.7812131321226.8452.2211.2130.74612232113234.6282.2290.9920.57742332221345.2652.4151.1250.47392432332135.5482.6481.5530.69032533121133.6672.7540.8950.4392633232241.5292.8891.2580.46322733313334.2892.6651.7640.78类似地，通过图5所示的平均效应图呈现最小表面粗糙度的最佳参数设置。结果表明：第三级零件厚度（A3）、第一级锥度角（B1）、第一级脉冲宽度（B2）、第二级脉冲宽度（B3）、第三级脉冲宽度（B4）、第三级脉冲宽度（B5）、第三级脉冲宽度（B6）、第三级脉冲宽度（B7）、第三级脉冲宽度（B8）、第三级脉冲宽度（B9）、第三级脉冲宽度（B10）、第三级脉冲宽度（表3角度误差的ANOVA。因子DF顺序SS调整SS调整MSFP（C1）、第一级放电电流（D1）、第一级焊丝速度（E1）和第三级焊丝张力（F3）提供了表面粗糙度的最小值。如表4所示的方差分析表明，零件厚度、锥角和脉冲持续时间是线切割锥形加工过程中表面粗糙度的重要对图5所示结果的分析表明，表面粗糙度随工件厚度的增加先增大后减小。然而，脉冲宽度和放电电流的增加导致表面粗糙度增加，因为更多的放电能量零件厚度（A）2423.89423.89211.94345.230.000每脉冲输入。锥角（B）2257.27257.27128.63427.450.001同样，最大切割脉冲持续时间（C）2146.97146.9773.48415.680.004速度通过平均效应图呈现，如图所示。 六、放电电流（D）线速（E）22101.9224.89101.9224.8950.96012.44610.882.660.0100.149结果表明，第三层次零件厚度（A3）钢丝张力（F）265.6165.6132.8077.000.027第一级锥角（B1）、第三级脉冲持续时间（C 1）、第三级A × B41068.941068.94267.23457.030.000放电电流的水平（D1）、焊丝速度的第三水平（E 1）以及A × C4210.41210.4152.60411.230.006第三级丝张力（F3）提供最大切割值错误6 28.11 28.11 4.686共计26 2328.02速度如表5所示的方差分析表明，零件厚度、锥角和脉冲持续时间是线切割锥形加工过程中切割速度的重要特征传统的田口优化方法只能对单一目标函数进行优化，不能解决多目标优化问题。在本工作中，所有三个响应角误差（AE），表面粗糙度（SR）和切削速度（CS）可以单独优化田口技术。最优的图五. 控制参数对表面粗糙度的影响。表4表面粗糙度的ANOVA因子DFSeq SSAdj SSAdj MSFP零件厚度（A）21.124511.124510.5622653.67000锥角（B）2 0.774260.774260.3871436.95000脉冲持续时间（C）2 0.25301253010.12651 2.07零点零八放电电流（D）2 0.462270.462270.2311722.06零点零二线速（E）20.016340.016340.008170.780.500线张力（F）20.005760.005760.002880.28七六九A × B40.228590.228590.057145.450.034A × C40.134720.134720.033683.210.098误差60.062860.062860.01047总263.06233均值的主效应图数据意味A BC3.002.752.5012D312E312F33.002.752.50123123123平均值的平均值168B.B. Nayak，S.S.Mahapatra/Engineering Science and Technology，an International Journal 19（2016）161见图6。 控制参数对切削速度的影响。见图7。对照参数对综合评分的影响。性能特性的设置不能确保其它性能特性在可接受的限度内。 为了克服这一问题，在目前的工作中，最大偏差理论的方法被应用到转换多个性能特性到一个单一的等效性能特性。如第3节中所讨论的，通过使用等式（1）来计算归一化目标值。（1）对于角度误差和表面粗糙度，因为这两个目标都是非有益属性，而切削速度的标准化目标值可以通过使用等式（2）因为它是一个有益的属性。通过应用最大偏差法，使用等式2确定目标的归一化值的目标权重。（3最大偏差法得到的角度误差、表面粗糙度和切削速度的权重分别为0.363864、0.307471和0.328664。通过将归一化目标值与目标权重相乘来计算加权归一化目标值。综合得分是通过对每个备选方案的所有加权目标函数值进行求和而获得的，该备选方案被视为用于优化的等效单个性能特征。综合评分值列于表2中。通过MINITAB 16软件包使用田口分析研究了各种工艺参数的影响如图7所示的结果分析得出的结论是，第三级零件厚度（A3）、第一级锥角（B1）、第三级脉冲持续时间（C3）、第一级放电电流（D1）、第三级焊丝速度（E3）和第三级焊丝张力（F1）提供了综合评分的最大值。还进行了方差分析（ANOVA），以研究各参数及其相互作用对综合评分的显著影响。从表6中可以明显看出，零件厚度、锥角、脉冲持续时间、放电电流、焊丝速度、焊丝张力以及零件厚度和锥角的相互作用工件厚度和脉冲宽度的交互作用是影响线切割锥度加工综合刻痕的重要参数。田口法能通过析因图提出最佳参数条件，并建立输入参数与性能特性之间的函数关系。然而，田口方法中的函数模型大多是线性的。因此，在线性模型中可能无法完全捕获线切割的锥形操作中涉及的复杂性。由于人工神经网络能够有效地映射复杂情况下的输入和输出，因此通过神经网络预测通过阶乘图定义的最佳参数条件。反向传播神经网络（BPNN）已开发使用的实验数据集，如表2所示。在27个数据中，选择75%的数据（1为了确定隐藏层中的神经元的数量，已经选择了各种反向传播神经网络（BPNN）模型，以实现等于0.001的性能误差选择了6-4-1、6-5-1、6-6-1、6-7-1和6-8-1五个BPNN模型。最后，BPNN架构6-5-1显示最小均方根误差（RMSE）。学习和动量参数设置为0.08和0.50。运行的epochs数为1000。尽管需要更高的迭代次数才能收敛到最终值，但使用低学习率来确保神经网络逃离局部最优。使用反向传播，重复调整初始分配的权重以使误差最小化，直到误差达到0.001的目标可以观察到，数据拟合良好，因为训练数据的高度确定系数（R 2）为0.99875，如图所示。 8已获得因此，使用经训练的神经网络模型，对于输入参数的最佳集合（A3B1C3D1E3F1）的综合得分的预测值被获得为0.7810。表5切割速度的ANOVA。表6综合评分的ANOVA。因子DF序列SS调整SS调整MSFP因子DF序列SS调整SS调整MSFP零件厚度（A）20.131560.131560.0657816.230.004零件厚度（A）20.31650.31650.1582196.620.000锥角（B）20.011320.011320.005661.400.318锥角（B）20.08610.08610.043053.530.000脉冲持续时间（C）20.812490.812490.40624100.240.000脉冲持续时间（C）20.83610.83610.041851.930.000放电电流（D）20.029520.029520.014753.640.092放电电流（D）20.03120.03120.015619.390.002线速（E）20.201410.201410.1007024.850.001线速（E）20.05560.05560.027834.550.001钢丝张力（F）20.095290.095290.0476411.760.008钢丝张力（F）20.01920.01920.009611.940.008A × B40.119300.119300.029827.360.017A × B40.19840.19840.049661.620.000A × C40.097850.097850.024466.040.027A × C40.00210.02100.00526.520.022误差60.024320.024320.00405误差60.00480.00480.0008总261.52306总260.8166均值的主效应图数据意味A BC1.41.31.21.11.012D312E312F31.41.31.21.11.0123123123均值的主效应图数据意味A BC0.60.50.412D312E312F30.60.50.4123123123平均值的平均值平均值的平均值B.B. Nayak，S.S.Mahapatra/Engineering Science and Technology，an International Journal 19（2016）161169采用蝙蝠算法进行优化。蝙蝠算法是使用MATLAB 13.0编码。该算法考虑蝙蝠大小为25，响度常数为0.7，脉搏率为0.5，最大迭代次数为100。其他参数的选择适当，以实现收敛。最后通过蝙蝠算法得到最优解的最大综合得分和统计值，如表7所示。图9示出了蝙蝠算法向全局最优收敛。最后，如表7所示，将从蝙蝠算法获得的结果与田口的加工参数最佳设置的结果进行比较，以使综合得分最大化。结果表明，蝙蝠算法得到的综合得分（0.9857）优于田口分析得到的预测综合得分值（0.7810）。6. 结论表7见图8。 训练数据集的相关图。本文提出了一种混合方法，用于以深冷处理涂层Bronco切割W丝电极和Inconel 718为工件材料的电火花线切割加工过程中锥度切割过程中各种加工参数的优化。输入参数对各种性能特性的影响，如角度误差，表面粗糙度和切削速度也单独分析后，深低温处理的Inconel 718的锥形切削操作。为了同时优化多个性能特性，采用最大偏差理论将多个性能特性转化为一个等效的性能特性。由于这是一个复杂的过程，综合评分最佳参数设置的比较工艺参数与性能之间的函数关系控制因素和业绩计量用田口法用ANN-Bat算法利用BP神经网络研究了线切割加工中