文献类型：期刊文章

作　　者：鲁娟[1,2] 张振坤[2] 吴智强[2] 马俊燕[2] 廖小平[3] 胡珊珊[2]

LU Juan;ZHANG Zhen-kun;WU Zhi-qiang;MA Jun-yan;LIAO Xiao-ping;HU Shan-shan(Department of Mechanical and Marine Engineering,Beibu Gulf University,Qinzhou 535011,China;Department of Mechanical Engineering,Guangxi University,Nanning 530004,China;Guangxi Key Laboratory of Manufacturing Systems and Advance Manufacturing Technology,Nanning 530004,China)

机构地区：[1]北部湾大学机械与船舶海洋工程学院,广西钦州535011 [2]广西大学机械工程学院,南宁530004 [3]广西制造系统与先进制造技术重点实验室,南宁530004

出　　处：《表面技术》

基　　金：国家自然科学基金项目（51665005,51565006）;广西研究生教育创新计划项目（YCBZ2017015）;广西高校临海机械装备设计制造及控制重点实验室课题（GXLH2016ZD-06）;广西制造系统与先进制造技术重点实验室项目（17-259-05S008）;广西自然科学基金（2016GXNSFBA380214)~~

年　　份：2020

卷　　号：49

期　　号：2

起止页码：339-346

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目的准确预测蠕墨铸铁加工过程中的表面质量,指导加工参数调整,保证加工过程中加工质量的稳定,运用差分进化算法优化的SVM模型(DE-SVM)构建蠕墨铸铁表面粗糙度(Ra)预测模型和加工参数选择方法。方法采用DE-SVM提高支持向量机回归模型的预测精度,建立针对实际加工材料的表面粗糙度预测模型,基于构建的预测模型,挖掘表面粗糙度与加工参数之间的关系,从而获得较优的加工参数。结果结合蠕墨铸铁的铣削加工实验数据,对比DE-SVM与常用优化算法(粒子群优化算法(PSO)和遗传算法(GA))优化的SVM模型,DE-SVM模型获得的MAPE(0.122)和R2(0.9559)值均优于粒子群和遗传算法优化的支持向量模型获得MAPE和R2值。在给定的加工参数范围内,切削速度和进给速度对表面粗糙度的影响较大,且表面粗糙度与切削速度成正比关系,与进给速度成反比,而切削深度对表面粗糙度影响不显著。结论由实验的对比结果可知,采用DE-SVM模型建立的蠕墨铸铁表面粗糙度模型具有更高的预测精度,基于DE-SVM获得的加工参数对表面粗糙度的影响,可有效指导加工参数的选择与调整,对保持蠕墨铸铁优良的加工质量具有较好的指导意义。

关 键 词：差分进化算法 支持向量机回归 蠕墨铸铁 切削表面粗糙度  加工参数

分 类 号：TG143.49[材料类]