超声挤压轴类零件表面粗糙度预测模型分析.pdf

摘要院 为实现对超声挤压轴类零件表面粗糙度的合理预测，采用多元回归法、MLP神经网络法以及支持向量机回归法进行预测分析研究。将模型预估时所得数值与实际检测值进行比较分析，结果表明：相比于其他学者借助径向基神经网络构建的模型，其预测的相对误差为 5.2%；借助多元回归法构建的模型具有更高的预测准确度，其预测的平均相对误差最小，最小值为 4.92%。该预测模型可以进行不同参数下零件表面粗糙度的预测。关键词院 超声挤压曰正交试验曰MLP 神经网络曰支持向量机曰多元回归法中图分类号院 TG663文献标识码院 A文章编号院 2095 原 0926（圆园23）02 原 园园37 原 园5Analysis of surface roughness prediction model for ultrasonic extrusion shaft partsJIA Haili袁 CHANG Jinxin袁 ZHANG Lulu渊 1.School of Mechanical Engineering袁 Tianjin University of Technology and Education袁 Tianjin 300222袁 China曰2.First Division袁 Beijing Aerospace Xinli Science and Technology Co.Ltd.袁 Beijing 100039袁 China冤Abstract院Multiple regression袁 MLP neural network and support vector machine regression were used to predict thesurface roughness of ultrasonic extrusion shaft parts.The estimated value of the model and the actual detection valueare compared,and the analysis shows that the relative mistake of the model is 5.2%compared with that of the modeldeveloped by other scholars with the help of RBF neural network,and the model constructed by multiple regressionmethod has higher prediction accuracy袁 and its average relative mistake is small,the minimum value is 4.92%.Themodel can be used to predict the surface roughness of parts with different parameters.Key words院 ultrasonic extrusion曰 orthogonalexperiment曰 MLPneural network曰 support vectormachine曰 multiple regression超声挤压轴类零件表面粗糙度预测模型分析贾海利1，常金鑫1，张璐璐2（1.天津职业技术师范大学机械工程学院，天津300222；2.北京航天新立科技有限公司第一事业部，北京100039）收稿日期院 2023-02-16基金项目院 2021 年天津市新一代人工智能科技重大专项（21ZXJBGX00020）.作者简介院贾海利（1979），女，副教授，硕士生导师，研究方向为先进制造技术，.超声振动挤压加工技术实际上是在传统挤压加工技术的基础上将传统振动挤压加工技术以及超声技术联合应用发展得到的，通过该技术进行零件加工时，在工具头处会施加一个高频纵向冲击力以及静挤压力，推动工具头撞击工件表面，通过这种处理可以使工具表面更加平整，并且在表层金属处形成晶粒细化现象和变形强化作用，使得其耐久度和使用寿命都得到显著提高，具有更好的耐疲劳强度1。而对轴类零件而言，其表面性能会直接影响到零件的性能及使用寿命，所以应用超声振动挤压工艺具有重要意义。ZHANG 等2此前进行轴类零件工艺的研究与优化时在 30CrMoA 车轴的生产中使用超声表面强化技术，所得结果显示，在应用该技术后工件表面硬度相较于未采用该技术时增强了 24%，并且残余应力深度也得到增大，可以达到 2 mm。曹丽茹等3在进行金属表面残余应力、粗糙度以及硬度和制造工艺参数之间的相关性方面的研究时，通过设计正交试验和构建研究模型对其进行预测分析，并借助非支配排序遗传算法优化所构建的回归分析模型，明确 Pareto 最优解集和遗传代数之间的关系，并找到多组最优加工参数，该研究表明在设计超声滚挤压工艺时应用 NSGA域算法极为有效，能够迅速找到最佳参数集，并可应用于实际生产中。牛赢等4利用 BP 神经网络建立了求解应用问题的非线性模型，实现了表面粗糙度的智能预测。闫鹏5在进行该方面研究分析时，以多因素方差分析法对零件表面粗糙度受到加工过程中超声振动辅第 33 卷第 2 期圆园23 年 6 月天 津 职 业 技 术师 范 大 学 学 报允韵哉砸晕粤蕴 韵云 栽陨粤晕允陨晕 UNIVERSITY OF TECHNOLOGY AND EDUCATIONVol.33No.2Jun.2023DOI：10.19573/j.issn2095-0926.202302007天 津 职 业 技 术 师范 大 学 学 报第 33 卷助磨削脉冲放电复合加工参数的影响情况进行分析，并构建了表面粗糙度的二次研究模型。王晓强等6在进行研究时，选择通过超声挤压加工技术生产轴承套圈，为确定最佳工艺参数，通过响应曲面法构建工件表面粗糙度和进给速度、工件转速以及预挤压力等工艺参数之间的关系以及相应预测模型。崔凤奎等7则基于王晓强的研究，引入了 MLP 神经网络法，对两种建模方法进行比较分析，确定其预测误差度，分析结果表明，响应曲面模型和 MLP 神经网络法的相对误差分别为 6.5%和 5.06%，后者预测性能更好。朱其萍等8在选择 BP 神经网络模型进行研究时，为进一步提高模型准确度，先通过粒子群优化算法优化其阈值和权值，发现优化后能够很好解决局部最优的问题，表现出更好的预测准确度和泛化能力，相对误差能够控制在0.5%以下，平均绝对百分比误差较优化前降低了 0.378%。姚国林等9借助 GA+BP 神经网络模型也进行了该方面的探索。徐红玉等10构建工件表面残余应力和超声滚挤压工艺参数之间的回归关系模型，并明确其存在的影响规律，模型预测的相对误差可以控制在 3.78%。基于上述内容，目前国内外研究者在改善工件表面质量方面进行积极探索，并且逐步开始研究超声挤压强化技术，很少通过对比预测模型找出最优预测模型。小批量生产零件的企业就不同的粗糙度指标要求不统一，使用较为精准的预测模型可以快速地为不同粗糙度选定提供合适的工艺参数选择。本文以超声挤压轴类零件为研究对象，将 MLP 神经网络模型、支持向量机模型和多元回归模型进行对比，以此找出最优模型，提高零件表面性能。1超声挤压强化试验1.1试验材料及设备研究选用 304 不锈钢为试验材料进行超声挤压表面强化加工。304 不锈钢凭借其环保卫生、耐磨损、热膨胀性能优良、韧性高等特点在超声挤压实验中被广泛应用。304 不锈钢材料具体成分如表 1 所示。整个试验设备为自主研制的超声系统装置（主要是超声电源、超声换能器）及数控车床，采用时代 TR300 高精度表面粗糙度形状测量仪测量表面粗糙度。1.2试验方案及结果本试验采取四因素五水平且无交互作用的正交试验法11，基于超声振动挤压强化的相关原理，在探索表面粗糙度时选择主轴转速、挤压深度、进给量以及超声功率为影响因素进行分析。具体试验因素水平如表 2 所示，各工艺参数组合经强化后的表面粗糙度值如表 3 所示。2超声挤压轴类零件表面粗糙度预测模型2.1基于MLP神经网络的粗糙度预测模型为实现轴类零件表面性能的合理控制，得到最佳表 1304 不锈钢化学成分化学成分CSiNiMn质量分数0.071.08.010.02.0化学成分质量分数Cr18.020.0S0.03P0.045表 2试验因素水平表因素水平主轴转速 n/（r min-1）进给量 f/（r min-1）挤压深度 d/滋m超声功率/W11000.01301021600.03401532000.05502042400.07602553000.17030表 3各工艺参数组合经强化后的表面粗糙度值11000.0130100.18421000.0340150.14231000.0550200.22141000.0760250.29151000.170300.24361600.0140250.31771600.0350300.18681600.0560100.23891600.0770150.287101600.130200.272112000.0150150.243122000.0360200.368132000.0570250.293142000.0730300.132152000.140100.203162400.0160300.279172400.0370100.358182400.0530150.155192400.0740200.201202400.150250.249213000.0170200.395223000.0330250.231233000.0540300.256243000.0750100.128253000.160150.315主轴转速 n/（r min-1）进给量 f/（mm r-1）挤压深度 d/滋m超声功率/W粗糙度值/滋m组38第 2 期表面粗糙度值，构建预测模型极为关键。MLP 神经网络为当前常用的一种多层前馈网络，对涉及隐含单元的多层网络中的学习问题具有良好处理性能12。其基本结构如图 1 所示。对试验数据进行归一化处理x忆i=xi-x滓（1）式中：x忆i为归一化处理后所得数值；xi为起始数值；x为超声挤压工艺参数的平均值；滓 为标准差。为确保网络化分析时，其泛化能力以及性能均处于较好状态，首先选择一个较为适宜的隐含层节点，从而得到具有较高性能的 MLP 神经网络模型。选择隐含层节点数要适宜，如果数量过多可能会使模型的灵敏度高，此时极易发生过拟合。若节点数量较少，则会使系统容错性不佳。因此，确定适宜隐含层神经元个数，需通过经验公式13试算。根据计算可知其数量等于9 时，性能最好。输入层为工件转速、进给量、挤压深度和功率，输出层为表面粗糙度。隐含层节点数由式（2）确定。y=x+a姨+n（2）式中：x 为输入层神经元个数；a 为输出层神经元个数；n 为常数，n=1耀10。本研究选用 Traingd 训练函数，训练函数的误差在 0.02%耀25%范围内波动，训练得到的粗糙度预测值和试验值曲线如图 2 所示。采用正交试验对样本进行训练分析，本次共 25组试验，直接取用 25 组试验进行训练样本来预测表面粗糙度不够真实可靠，因此选取5 组试验数据作为预测数据验证训练精度，剩下 20 组作为训练组，对其进行反复训练 100 次。通过 Python 软件对其进行表面性能的预测。经过 MLP 神经网络预测，比较结果如表4 所示。根据表 4 可以看出，实际检测值和预测值之间的最大相对误差可以达到 14.8%。因此，可以确定MLP 神经网络模型对于此研究可靠性较低，不适用于本研究。2.2基于支持向量机回归的粗糙度预测模型支持向量机回归法指在对无法进行线性划分的样本进行分类处理时，通过非线性函数对原空间样本进行处理，使其能够在高维特征空间即核空间中得到对应映射结果，该结果能够实现线性可分的一种非线性算法。设训练样本集为（x1，y1）（x2，y2），（xn，yn），x沂Rn，