珩磨缸套表面粗糙度预测及多目标优化研究

作者：吕延军; 李杰; 强程; 李鹏洲; 张永芳^*; 常欢

来源：摩擦学学报, 2022, 42(04): 728-741.

DOI：10.16078/j.tribology.2021131

• 珩磨加工
• 粗糙度预测
• 神经网络
• 响应曲面法
• 多目标优化

为了对粗珩阶段缸套内孔表面粗糙度Rk粗糙度集中的Rk、Rpk和Rvk进行预测，进而对粗珩加工参数进行优化，以珩磨压力(P)、珩磨头旋转速度(VR)和往复速度(VRe)为决定因素，Rk粗糙度集为目标响应，进行多目标优化.建立基于广义回归神经网络(Generalized regression neural network, GRNN)与响应曲面法(Response surface methodology,RSM)的粗糙度预测模型，并采用三因素三水平的全因子珩磨试验进行验证，结果表明所建立模型的预测结果与试验结果具有很好的一致性. GRNN预测模型决定系数R2的均值为0.959,RSM多元回归预测模型决定系数R2的均值为0.963，与RSM所建立的多元回归预测模型相比，GRNN预测模型在预测Rk和Rpk时，预测精度更高，预测误差更小，R2分别提高了0.025和0.020，在预测Rvk时RSM多元回归模型更优，R2提高了0.057.进一步结合响应曲面法分析了3个决定因素对粗糙度的影响显著性并进行了排序，对于Rk:VRe>P>VR；对于Rpk:P>VRe>VR；对于Rvk:P>VRe>VR.结合多元回归模型与NSGA-Ⅱ(Non-dominated Sorting Genetic AlgorithmⅡ)优化算法进行多目标优化，获得Pareto最优解的Pareto前沿.

• 单位
  西安交通大学机械制造系统工程国家重点实验室; 西安理工大学