文章摘要: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(V_R)和往复速度(V_Re)为决定因素，Rk粗糙度集为目标响应，进行多目标优化。建立了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，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三个决定因素对粗糙度的影响显著性并进行了排序，对于Rk：V_Re > P > V_R；对于Rpk：P > V_Re > V_R；对于Rvk：P > V_Re > V_R。结合多元回归模型与NSGA-Ⅱ（non-dominated Sorting Genetic Algorithm Ⅱ）优化算法进行了多目标优化，获得了Pareto最优解的Pareto前沿。

文章关键词:珩磨加工,粗糙度预测,神经网络,响应曲面法,多目标优化,

项目基金:国家自然科学基金(51775428，52075438),陕西省重点研发计划(2020GY-106),机械制造系统工程国家重点实验室开放课题(sklms2020010), 上一篇： 互联网技术论文_浅谈计算机网络安全管理 下一篇：没有了