SiC单晶加工参数优化及表面粗糙度预测
因独特的共价键晶体结构,SiC单晶具有较高的硬度和脆性,是典型的难加工材料。以横向超声激励线锯的方法对SiC单晶进行切割,采用正交实验设计,并引入灰色关联分析法研究切割过程中锯切力、晶片表面粗糙度等多目标与主要加工参数之间的影响关系,以及获得线锯加工最优参数组合,即工件进给速度0.025mm/min、超声振幅1.8μm、线锯速度1.6m/s、工件转速16r/min为最优加工参数组合,并通过实验进行验证。采用果蝇优化算法优化灰色神经网络模型(FOA-GMNN)对SiC单晶片的表面粗糙度Ra进行预测,结果表明FOA-GMNN模型收敛速度快,鲁棒性好,预测精度高,预测值与实验值的平均相对误差为2.09%。
结合CSSA-BP神经网络的砂带磨抛表面粗糙度预测研究
镍基合金在航空涡轮机、压气机的叶片制造中广泛应用,提升其加工效率与质量是行业热点。为实现航发叶片恒力磨抛的表面粗糙度准确预测,提出一种基于改进麻雀搜索算法(CSSA)优化BP神经网络的预测模型,开展机器人砂带磨抛工艺参数预测研究。选取4个主要影响因素为变量进行正交试验和极差分析;利用BP神经网络建立表面粗糙度预测模型,引入Tent混沌映射和种群多样性变异,进行麻雀搜索算法的改进,再通过CSSA对预测模型进行优化。结果表明:优化后的粗糙度预测误差降低了85.9%,相比优化前提升明显,可准确预测所输入工艺参数对应的粗糙度值。
基于QGA-SVR的工件表面粗糙度预测和分析
在自动化生产中建立难加工材料的表面质量预测模型,是实现可持续制造的基础。提出一种结合量子遗传算法和支持向量回归(Quantum genetic algorithm-Support vector regression,QGA-SVR)的已加工表面粗糙度预测模型,改进了现有寻优方法在搜索支持向量回归的模型参数易陷入局部最优解的问题。在量子门更新的过程中加入交叉和变异的操作,保证了模型全局搜索能力,为了提高支持向量回归的泛化能力,在参数优化过程结合了K-折叠交叉验证。结合干车削304不锈钢的切削试验以及现有的铣削实验数据,对比分析了基于量子遗传算法和遗传算法的支持向量回归模型。结果表明:QGA-SVR具有收敛速度快、预测精度高的优点,基于建立的QGA-SVR模型分析了切削参数对车削表面粗糙度的影响规律。
基于PSO-LSSVM算法的表面粗糙度预测模型与应用
为便于选取合适的切削参数,以满足期望的加工表面质量要求,提出一种最小二乘支持向量机(LSSVM)和粒子群优化(PSO)相结合的表面粗糙度预测模型。以预测精度和收敛速度为指标,对比PSO-LSSVM模型与支持向量机、人工神经网络和遗传算法优化BP神经网络模型的优劣。结果表明:PSO-LSSVM模型具有较高的预测精度和较快的收敛速度。基于MATLAB GUI搭建了表面粗糙度预测与参数优化应用系统。该系统具有较好的实用性,可实现简单、快速预测表面粗糙度,帮助决策人员灵活选取切削参数。
-
共1页/4条