陈爽,张志,肖锦初,胡家进,赵录冬
(江西理工大学 机电工程学院,江西 赣州 341000)
随着精密和超精密零件加工技术的飞速发展,零件的加工精度和表面质量成为衡量一个国家技术力量的重要标志。超声挤压加工作为现代制造业广泛应用的一种先进加工技术,具有高精度、高质量和高效率等优点[1]。在实际工程中,零件的表面粗糙度对零件的性能会产生很大的影响,例如耐腐蚀性、抗疲劳强度等,因此,在超声挤压加工前,对工件表面粗糙度进行预测不仅可以为参数的选择和表面质量的分析与控制设计提供依据,而且还可极大地减少材料加工时间、降低生产成本,具有重要的实际作用。
国内外学者对超声挤压加工的零件表面粗糙度作了大量的研究。张勤俭等[2]对车轴钢进行超声挤压强化,使表面粗糙度由原来的3.746μm降低到了0.2μm左右;王晓强等[3]对轴承套圈进行了超声挤压加工,并利用响应曲面法建立了工件转速、进给速度和预挤压力等参数与表面粗糙度之间的预测模型;崔凤奎等[4]在王晓强等研究的础上分别运用响应曲面和BP神经网络方法,建立超声挤压加工表面粗糙度的预测模型,结果表明响应曲面模型相对误差控制在6.5%,而BP神经网络相对误差为5.06%,与响应曲面预测模型相比较精度更高。
BP神经网络的初始权值和阈值不同容易导致计算不收敛或陷入局部极值,从而导致预测误差较大[5],为了提高预测模型的精确性和实用性,本文利用思维进化算法(MEA)的全局搜索能力对BP神经网络进行优化[6],并使用优化后的权值和阈值建立新的超声挤压加工工件表面粗糙度预测模型。……