基于神經(jīng)網(wǎng)絡(luò)的電化學(xué)加工表面粗糙度預(yù)測與加工參數(shù)正交優(yōu)化

龐桂兵 李殿明 張利萍 趙秀君 彭彥平

大連工業(yè)大學(xué)，大連，116034

0 引言

現(xiàn)代工業(yè)的發(fā)展對零件表面質(zhì)量的要求越來越高，表面質(zhì)量不僅影響零部件的外觀，還直接影響零部件的使用性能和使用壽命［1］。表面粗糙度特性是表面質(zhì)量的重要組成部分，它直接影響零件的摩擦磨損、接觸剛度、疲勞特性、潤濕性等多方面性能［1］，以表面潤濕性為例，在自清潔材料、微流體裝置、生物材料、食品制藥等領(lǐng)域經(jīng)常需要零件表面形成預(yù)期的粗糙度以滿足特定潤濕性能［2］。

電化學(xué)加工具有不受材料硬度制約、工具無損耗、對零件幾何形狀適應(yīng)性廣等特點，作為光整加工工藝已廣泛應(yīng)用于各類金屬零件的表面加工［3］。在電化學(xué)加工過程中，影響零件表面粗糙度的工藝參量主要包括：電解液成份、加工濃度、加工溫度、加工間隙、加工電流、加工時間等，通過調(diào)整電化學(xué)加工參數(shù)，使零件表面形成不同的粗糙度，以滿足特定的使用要求，對提高零件使用性能、豐富表面加工技術(shù)具有重要意義。但電化學(xué)加工工藝參數(shù)與加工結(jié)果之間為復(fù)雜的非線性關(guān)系，采用傳統(tǒng)數(shù)學(xué)建模方法進(jìn)行表面粗糙度的預(yù)測比較困難，而人工神經(jīng)網(wǎng)絡(luò)模仿人腦思維方式，對復(fù)雜非線性問題具有很強的輸入—輸出映射能力［4］。在電化學(xué)加工方面，翟小兵等［5］建立了脈沖電化學(xué)光整加工表面質(zhì)量的神經(jīng)網(wǎng)絡(luò)模型，易建軍等［6］用神經(jīng)網(wǎng)絡(luò)控制電化學(xué)齒輪修形過程。本文基于電化學(xué)加工實驗數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)建立電化學(xué)加工工藝參數(shù)與表面粗糙度間的關(guān)系模型，實現(xiàn)電化學(xué)加工表面粗糙度的預(yù)測。在此基礎(chǔ)上，對實驗數(shù)據(jù)進(jìn)行正交分析，獲得影響表面粗糙度參數(shù)的工藝參量的重要性排序，為調(diào)控表面粗糙度特征奠定基礎(chǔ)。

1 基于神經(jīng)網(wǎng)絡(luò)的電化學(xué)加工表面粗糙度預(yù)測

1.1 神經(jīng)網(wǎng)絡(luò)模型的建立

本文采用BP神經(jīng)網(wǎng)絡(luò)建立電化學(xué)加工表面粗糙度參數(shù)與加工參量之間的數(shù)學(xué)模型，實現(xiàn)表面粗糙度參數(shù)的預(yù)測。網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)包括輸入層、輸出層和中間隱含層。以加工電流（密度）、加工電壓、加工時間、加工溫度、加工間隙、溶液配比作為輸入層，以表面粗糙度參數(shù)Ra、Rz、S和RSm值作為輸出層，以30個神經(jīng)元作為中間隱含層，建立網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示。

圖1 BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

1.2 訓(xùn)練樣本的獲取

通過變化輸入?yún)⒘浚M(jìn)行了143組實驗，并將獲得的表面粗糙度參數(shù)作為網(wǎng)絡(luò)模型的輸出訓(xùn)練樣本。

1.2.1 實驗條件

電解液主要成份為H3PO4＋H2SO4，靜止?fàn)顟B(tài)；實驗中陰極尺寸為50mm×50mm×1mm，試件尺寸為20mm×50mm×1mm，主要實驗參數(shù)取值范圍如表1所示，試件和陰極材質(zhì)均為1Cr18Ni9Ti，成份見表2。

表1 主要實驗條件

表2 1Cr18Ni9Ti材料成份

表面粗糙度參數(shù)采用SurfcorderSE－3H型輪廓儀測量。

1.2.2 實驗設(shè)計

在表1所示的參數(shù)范圍內(nèi)，改變電流密度、電解液溫度、加工時間、加工間隙、電解液配比等加工參數(shù)，設(shè)計了143組實驗，測量了表面粗糙度參數(shù)，結(jié)果見表3。

表3 實驗結(jié)果

1.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

以表3列出的實驗數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。計算時，采用標(biāo)準(zhǔn)梯度下降算法，標(biāo)準(zhǔn)誤差設(shè)定為0.001，經(jīng)過637次迭代，訓(xùn)練誤差小于預(yù)設(shè)值。

1.4 實驗驗證神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差

為了驗證網(wǎng)絡(luò)模型的預(yù)測能力，采用20組實驗所得數(shù)據(jù)進(jìn)行驗證，得到表面粗糙度的預(yù)測值與實際值的對比情況，見表4。

采用計算平均百分誤差方法計算系統(tǒng)的預(yù)測誤差，計算公式如下：

式中，y為實際測量值；yi為模型預(yù)測值；l為驗證數(shù)據(jù)個數(shù)。

表5列出了計算結(jié)果，可以看出神經(jīng)網(wǎng)絡(luò)的計算結(jié)果與實際值比較接近。

2 工藝參數(shù)的反計算

在實際應(yīng)用中，很多情況是已知加工要求和一些工藝參量，要求求出其他工藝參量。因此，在確定部分工藝參量的情況下，根據(jù)工件加工要求通過工藝參量的網(wǎng)絡(luò)反計算可求出其他工藝參量，這可以減少試驗次數(shù)，節(jié)約實驗費用。例如，已知表面預(yù)期的粗糙度參數(shù)Ra、Rz、S和RSm值以及部分工藝參量如電流密度、加工時間、電解液配比，需要求出加工間隙、電解液溫度，可將表面粗糙度Ra、Rz、S、RSm值和電流密度、加工時間、電解液配比作為輸入量，而將加工間隙、電解液溫度作為輸出量進(jìn)行網(wǎng)絡(luò)計算，通過調(diào)整其網(wǎng)絡(luò)參數(shù)建立起表面粗糙度、電流密度、加工時間和加工間隙、電解液溫度之間的本構(gòu)關(guān)系，從而實現(xiàn)在已知表面粗糙度和電流密度、加工時間的條件下反求加工間隙和電解液溫度。同理，可求得其他工藝參量。

表4 實驗數(shù)據(jù)與預(yù)測數(shù)據(jù)μm

表5 實驗值與預(yù)測值的平均百分誤差

3 電化學(xué)加工參數(shù)的正交優(yōu)化配置

電化學(xué)加工作為零件表面光整工藝時，工藝參數(shù)的優(yōu)化是以獲得光滑表面粗糙度的參數(shù)組合為目標(biāo)的。本文目的是要預(yù)測和控制表面粗糙度，使表面形成特定的粗糙度特征，因此需要獲得影響表面粗糙度參數(shù)工藝參量的重要性排序。對實驗數(shù)據(jù)采用正交方法分析工藝參數(shù)的不同配置對表面粗糙度特征參數(shù)的影響情況，實驗數(shù)據(jù)及極差分析如表6所示。

從正交分析結(jié)果可以看出，影響表面粗糙度高度方向參數(shù)Ra的因素的強弱排序為電解液溫度、溶液配比、反應(yīng)時間、加工電流；影響表面粗糙度寬度方向參數(shù)RSm的因素的強弱排序為反應(yīng)時間、溶液配比、電解液溫度、加工電流。

4 結(jié)論

（1）基于電化學(xué)加工實驗數(shù)據(jù)，建立了預(yù)測電化學(xué)加工表面粗糙度參數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)果表明，通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測電化學(xué)加工表面粗糙度參數(shù)是可行的。

（2）通過正交實驗分析獲得了電化學(xué)加工各工藝參量對表面粗糙度影響的強弱排序，結(jié)果表明，影響表面粗糙度高度方向參數(shù)Ra的因素強弱排序為電解液溫度、溶液配比、反應(yīng)時間、加工電流；影響表面粗糙度寬度方向參數(shù)RSm的因素強弱排序為反應(yīng)時間、溶液配比、電解液溫度、加工電流。

［1］楊世春.表面質(zhì)量與光整技術(shù)［M］.北京：機械工業(yè)出版社，2000.

［2］朱亮，馮焱穎，葉雄英，等.粗糙表面的可控潤濕性研究［J］.傳感技術(shù)學(xué)報，2006，19（5）：1709－1712.

Zhu Liang，F(xiàn)eng Yanying，Ye Xiongying，et al.Study on Controllable Wettability of Roughness Surfaces［J］.Chinese Journal of Sensors and Actuators，2006，19（5）：1709－1712.

［3］王建業(yè)，徐家文.電解加工原理及應(yīng)用［M］.北京：國防工業(yè)出版社，2001.

［4］朱凱，王正林.精通MATLAB神經(jīng)網(wǎng)絡(luò)［M］.北京：電子工業(yè)出版社，2010.

［5］翟小兵，王輝，周錦進(jìn).脈沖電化學(xué)光整加工表面質(zhì)量的神經(jīng)網(wǎng)絡(luò)模型研究［J］.佛山科學(xué)技術(shù)學(xué)院學(xué)報（自然科學(xué)版），2006，24（3）：11－16.

Zhai Xiaobing，Wang Hui，Zhou Jinjin.The Application of Neural Networks to the Prediction of Surface Quality under Pulse Electrochemical Finishing［J］.Journal of Foshan University（Natural Science Edition），2006，24（3）：11－16.

［6］易建軍，楊濤，周錦進(jìn)，等.用神經(jīng)網(wǎng)絡(luò)求實時控制的電化學(xué)齒輪修形過程的施電規(guī)律［J］.機械科學(xué)與技術(shù)，2001，20（1）：102－105.

Yi Jianjun，Yang Tao，Zhou Jinjin，et al.A Method for Solving the Control Law for Electrochemical Gear－tooth Profile Modification by ANN［J］.Mechanical Science and Technology，2001，20（1）：102－105.