文献类型：期刊文章

作　　者：陈超逸[1] 鲁娟[1,2] 陈楷[1] 黎宇嘉[1] 马俊燕[1] 廖小平[1]

CHEN Chaoyi;LU Juan;CHEN Kai;LI Yujia;MA Junyan;LIAO Xiaoping(Guangxi Key Laboratory of Manufacturing Systems and Advanced Manufacturing Technology,Guangxi University,Nanning 530004;Department of Mechanical and Marine Engineering,Beibu Gulf University,Qinzhou 535011)

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

出　　处：《机械工程学报》

基　　金：国家自然科学基金(51665005);广西自然科学基金(2019JJB160048、2020JJD160004);广西高校中青年教师基础能力提升(2020KY10014)资助项目。

年　　份：2021

卷　　号：57

期　　号：13

起止页码：262-272

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：在车削加工中,零件质量是生产者需要密切关注的问题。表面粗糙度作为评价零件质量的一项重要指标,选择满意的切削参数来提高表面粗糙度可有效提高零件质量。为提高表面粗糙度的预测精度,在现有研究基础之上提出一种分段的表面粗糙度理论解析模型对表面粗糙度进行预测。同时尝试采用双深度Q网络(DDQN)优化支持向量回归(SVR)提高数据驱动模型的预测性能,探寻DDQN优化SVR内部参数的环境设计,并且与其他算法对比了其优化效果与稳定性。基于45钢的车削试验,验证分段的表面粗糙度理论模型和DDQN-SVR预测模型的有效性,为基于表面粗糙度的切削参数选择提供了较好的技术支持。

关 键 词：车削加工 表面粗糙度  理论模型  支持向量回归 深度强化学习  

分 类 号：TG261]