渦旋盤側壁面表面粗糙度雙預測模型的建立

劉 濤，盧家俊，張文超

(蘭州理工大學機電工程學院，甘肅 蘭州 730050)

渦旋壓縮機作為技術最先進的第三代容積式壓縮機，因其具有體積小、質(zhì)量小、結構緊湊、運轉(zhuǎn)平穩(wěn)、噪聲低、效率高且節(jié)能等特點[1]，廣泛用于空調(diào)、制冷、氣體壓縮、發(fā)動機增壓以及用作真空泵等[2-3]。

作為渦旋壓縮機核心部件的變截面渦旋盤，是由復雜曲面構成的典型的壁厚變化、腔體變化復雜的零件，其側壁面表面加工質(zhì)量決定了渦旋壓縮機的性能[4-5]。目前，常用的渦旋盤側壁面表面粗糙度預測方法有人工神經(jīng)網(wǎng)絡法和回歸分析法[6]?；貧w分析法用于預測零件表面粗糙度較為成熟，但因為渦旋盤加工過程復雜，存在若干不確定因素，使用回歸分析法不能精準預測其表面粗糙度。而神經(jīng)網(wǎng)絡不僅是一個高度非線性的動態(tài)系統(tǒng)，而且是一個具有快速尋優(yōu)能力的自適應組織系統(tǒng)，可以用來描述任何非線性關系[7]。因此本文采用兩種方法建立了表面粗糙度的雙預測模型，可有效中和單一預測模型造成的誤差。

1 表面粗糙度雙預測模型

1.1 多元非線性回歸模型的建立

根據(jù)金屬銑削原理，在確定機床設備和刀具幾何參數(shù)的條件下，渦旋盤側壁面表面粗糙度值與銑削參數(shù)呈復雜的指數(shù)關系。假設三段基圓變截面渦旋盤側壁面的表面粗糙度模型為：

(1)

式中：Ra為表面粗糙度；C為常數(shù)；ap為吃刀深度；fz為進給量；n為刀具轉(zhuǎn)速；ae為側吃刀量；b1為吃刀深度指數(shù)；b2為進給量指數(shù)；b3為刀具轉(zhuǎn)速指數(shù)；b4為側吃刀量指數(shù)。對式(1)進行線性變化，等式兩邊取對數(shù)得：

lnRa=lnC+b1lnap+b2lnfz+b3lnn+b4lnae

(2)

設y=lnRa，b0=lnC，x1=lnap，x2=lnfz，x3=lnn，x4=lnae，則式(2)可轉(zhuǎn)化為線性方程：

y=b0+b1x1+b2x2+b3x3+b4x4

(3)

選擇實際加工實驗得到的變截面渦旋盤的銑削參數(shù)和粗糙度數(shù)據(jù)，采用SPSS軟件進行多元線性回歸分析，得到側壁面表面粗糙度多元非線性回歸模型中的各項系數(shù)，見表1。

表1 回歸參數(shù)的顯著性分析

根據(jù)表1中的常量和銑削參數(shù)的系數(shù)，變截面渦旋盤側壁面表面粗糙度的預測模型為；

(4)

1.2 多目標BP神經(jīng)網(wǎng)絡模型的建立

本文建立了3層的側壁面表面粗糙度神經(jīng)網(wǎng)絡預測模型，其中第1層選擇tansigmoid函數(shù)作為傳遞函數(shù)，第2層選擇purelin函數(shù)作為傳遞函數(shù)，采用Weinberg-Marquardt算法進行神經(jīng)網(wǎng)絡學習和訓練[8]。將訓練頻率設置為150次，將學習效率設置為0.002，將期望誤差設置為0.000 1。此時，4個銑削因子被確定為銑削參數(shù)變量，因此輸入層的節(jié)點數(shù)為4，而輸出層的粗糙度值只有一個因變量，輸出層的節(jié)點數(shù)為1。仿真結果表明，當隱層節(jié)點數(shù)為3時，網(wǎng)絡誤差最小。根據(jù)實際加工實驗，篩選20組樣本數(shù)據(jù)，進行歸一化處理后作為模擬訓練參數(shù)，見表2。

表2 歸一化處理數(shù)據(jù)

R是神經(jīng)網(wǎng)絡目標輸入輸出的相關系數(shù)，最理想狀態(tài)為R=1。神經(jīng)網(wǎng)絡的R=0.999 65，表明神經(jīng)網(wǎng)絡具有良好的性能。當神經(jīng)網(wǎng)絡訓練到第7次時，其收斂誤差是在設定的期望誤差范圍內(nèi)滿足要求，為4.986 9×10-5。

1.3 雙預測模型建立

變截面渦旋盤的優(yōu)點是用較少的圈數(shù)達到較高的氣體壓縮比，從而得到體積更小的渦旋壓縮機[9]。由于對渦旋盤的加工精度要求較高，因此采用多元非線性回歸預測模型對側壁面表面粗糙度的預測結果是唯一的，但預測精度不高。BP神經(jīng)網(wǎng)絡側壁面表面粗糙度預測模型具有較高的預測精度，但預測結果具有多方面性。結合兩種預測模型的優(yōu)缺點，將兩種模型預測結果的平均值作為最終預測結果，可以抵消單一預測模型帶來的誤差。為此，建立了三段基圓漸開線變截面渦旋盤側壁面表面粗糙度的雙預測模型，有效地減小了單預測模型中主觀缺陷造成的誤差。

2 渦旋盤高速銑削加工實驗

2.1 實驗條件

1)工件材料。為探討變截面渦旋側壁面表面粗糙度，以45鋼制作試件。選用毛坯的尺寸為φ130 mm×70 mm。

2)銑削加工設備。采用XK714三坐標聯(lián)動數(shù)控銑床對渦旋盤進行粗、精銑削。銑床主要技術參數(shù)見表3。

表3 XK714數(shù)控銑床主要技術參數(shù)

3)銑削刀具。在銑削過程中，用于粗加工的刀具是材質(zhì)為YG8的雙刃硬質(zhì)合金鍵槽刀具，該刀具強度高，抗沖擊性能好；精加工刀具為PCBN四刃平底銑刀，刀具直徑d=10 mm。

4)銑削方式。實驗中銑削方式為順銑。

2.2 實驗方案

根據(jù)實驗條件，將變截面渦旋盤的整個加工過程分為9個步驟[10]，見表4。

表4 渦旋盤的加工工藝

變截面渦旋盤的加工過程較為復雜，為消除因銑削參數(shù)的變化對變截面渦旋盤側壁表面質(zhì)量產(chǎn)生的影響，根據(jù)加工實驗參數(shù)選擇最佳銑削參數(shù)并設置為固定值(表5)。

表5 渦旋盤銑削加工參數(shù)的設置

2.3 實驗結果

本文采用英國Taylor Hobson發(fā)明的緊湊型Talysurf CLI 1000表面形貌測量儀，對變截面渦盤樣品進行測量，其中5組具體測量結果見表6。

3 預測結果分析與實驗驗證

選取渦旋盤的5組實際加工數(shù)據(jù)進行歸一化處理，作為側壁面表面粗糙度預測模型的驗證樣本，并將驗證樣本數(shù)據(jù)分別代入多元非線性回歸預測模型和改進的BP神經(jīng)網(wǎng)絡預測模型中，得到相同銑削參數(shù)下的粗糙度值和預測誤差，然后對兩種預測模型的結果進行平均，得到側壁面表面粗糙度的雙預測模型結果，由此得出側壁面表面粗糙度雙預測模型的預測誤差(見表7)。根據(jù)表7的數(shù)據(jù)，可以得到3種表面粗糙度預測模型的預測值與實測值的擬合曲線，如圖1所示。

表6 實際加工實驗粗糙度測量值

表7 預測結果及平均誤差

圖1 實測值與粗糙度預測值的擬合曲線

由表7可知，多元非線性回歸預測模型的平均誤差為1.13%，改進的BP神經(jīng)網(wǎng)絡粗糙度預測模型的平均誤差為0.686%，而雙預測模型的平均誤差為0.371%，由此可知雙預測模型的平均誤差明顯小于兩者任意預測模型的誤差。

從圖1擬合曲線的趨勢可以看出，多元非線性回歸預測模型和改進的BP神經(jīng)網(wǎng)絡粗糙度預測模型的預測值曲線與實測值曲線擬合不夠準確，存在不同的非擬合階段，而雙預測模型的預測值與實測值曲線吻合程度較高。

4 結束語

本文基于回歸分析方法和BP神經(jīng)網(wǎng)絡方法，分別建立了渦旋盤側壁面表面粗糙度的預測模型。結合兩種預測模型的優(yōu)缺點，將兩種模型預測結果的平均值作為最終預測結果，建立了表面粗糙度的雙預測模型，有效地避免了單一預測模型中主觀缺陷造成的誤差。對模型的預測精度進行了實驗驗證和對比分析，結果表明：在相同的樣本條件下，雙預測模型的預測精度和建模速度均優(yōu)于任何一種預測方法。預測模型內(nèi)列入了影響表面粗糙度的各項切削參數(shù)，減少了因參數(shù)改變需進行的實驗和建模次數(shù)，大大降低了成本，提高了模型適用性和加工效率，為實際生產(chǎn)加工和切削參數(shù)組合優(yōu)化提供了理論依據(jù)。