基于神经网络的高速铣削表面粗糙度预报

高速铣削变截面涡旋盘侧壁面表面粗糙度预测与实验验证高速铣削变截面涡旋盘侧壁面表面粗糙度预测与实验验证摘要:随着工业制造技术的不断发展，高速铣削作为一种先进的加工方法在汽车、航空航天等领域得到了广泛的应用。

然而，在高速铣削过程中，由于刀具与工件的相互作用，较高的切削速度和加工温度，以及困扰的切削力等因素，导致了工件表面的粗糙度产生。

因此，对高速铣削过程中涡旋盘侧壁面表面粗糙度的预测与实验验证具有重要意义。

关键词: 高速铣削，变截面，涡旋盘，侧壁面，表面粗糙度，预测，实验验证1 引言高速铣削是目前工业制造中常用的一种先进的加工方法。

它具有加工效率高、加工质量好、生产成本低等优点。

而在高速铣削过程中，涡旋盘作为关键零件之一，扮演着起到去除杂质、调整流动方向、提高效果的重要角色。

然而，由于工程加工的复杂性，涡旋盘侧壁面表面粗糙度的控制一直是一个难点。

2 高速铣削变截面涡旋盘侧壁面表面粗糙度的影响因素2.1 刀具参数刀具的几何形状和尺寸对铣削过程中涡旋盘侧壁面表面粗糙度起着重要作用。

如刀具的刃数、刃型、刃尖半径等直接影响切削力和工件表面质量。

2.2 铣削参数铣削参数包括切削速度、进给速度和切深等。

切削速度的选择直接影响涡旋盘侧壁面表面粗糙度，过高的切削速度容易导致热变形和表面质量下降。

2.3 切削力切削力是高速铣削中一个不可忽视的因素，它直接影响涡旋盘侧壁面表面粗糙度。

切削力由切削过程中的刀具与工件之间的相互作用引起，过大的切削力会导致工件表面粗糙度增加。

3 预测高速铣削变截面涡旋盘侧壁面表面粗糙度的方法3.1 数值模拟方法通过建立高速铣削的数值模型，利用有限元分析方法，可以预测涡旋盘侧壁面表面粗糙度。

数值模拟方法具有计算快、成本低的优点。

3.2 统计学模型采用统计学模型可以通过建立多元回归模型，选择合适的影响因素来预测涡旋盘侧壁面表面粗糙度。

4 实验验证方法为了验证数值模拟或者统计学模型的准确性和可靠性，可以进行实验验证。

基于进化神经网络的304不锈钢车削加工表面粗糙度预测马猛; 王明红【期刊名称】《《轻工机械》》【年(卷),期】2019(037)006【总页数】4页(P44-47)【关键词】金属切削; 表面粗糙度预测; 正交试验; 进化神经网络【作者】马猛; 王明红【作者单位】上海工程技术大学机械与汽车工程学院上海 201620【正文语种】中文【中图分类】TG51; TH161表面粗糙度会影响机械加工零件的疲劳强度、耐腐蚀性等，是评价加工表面质量的重要参数之一[1]，对304不锈钢切削加工表面粗糙度进行提前预测有利于提高加工质量，降低废品率。

X.J.Cai等[2]提出了一种平均误差为5.46%的神经网络预测表面粗糙度的最佳预测模型。

Rajora M等[3]采用性能更为优良的GA-LM混合神经网络用于车削加工过程中表面粗糙度的预测。

高世龙等[4]把正交试验和BP人工神经网络结合，应用人工智能神经网络方法建立了加工表面粗糙度预测模型。

莫蓉等[5]提出了一种BP+GA表面粗糙度预测模型，预测精度较高。

课题组利用遗传算法的全局搜索能力优化BP网络的结构和初始参数，提出了一种进化神经网络的表面粗糙度预测模型。

切削速度、进给量、背吃刀量和刀尖圆弧半径对304不锈钢车削加工表面粗糙度的影响显著 [6]。

为高效、经济地进行实验，课题组采用正交试验法，以切削速度、进给量、背吃刀量和刀尖圆弧半径为变量，得到不同切削条件下的表面粗糙度。

1 实验条件1.1 实验设备和材料车削实验采用沈阳机床厂生产的CA6140车床，刀具选用YG8硬质合金刀具，车刀前角15°，后角8°。

304不锈钢的化学成分及质量分数如表1所示，工件的尺寸为Φ60 mm×300 mm。

车削实验采用干式切削，车削加工现场如图1所示。

表1 工件材料化学成分Table 1 Chemical composition of workpiece materials %CSiSPMn0.061 610.351 180.024 460.021 411.76596NiCrMoCuFe8.249 5818.260 230.073 760.238 6170.956 20图1 车削加工现场Figure 1 Turning site1.2 正交实验实验变量为切削速度、进给量、背吃刀量和刀尖圆弧半径，采用L9(34)正交表进行实验，各实验变量的水平见表2。

基于神经网络的磨削工件表面质量的在线检测郭瑞鹏;陶正苏【摘要】精密磨削加工过程中,冷却液的使用给表面质量的在线检测带来了困难.借助特制的"透明窗"装置,可以创造出一块透明测量区域解决此问题.通过采集透明测量区域内的表面散射图像,提取特征参数,建立BP神经网络,预测表面粗糙度,从而实现表面质量的在线测量.网络的输入为表面散射光带主方向上的散射特征参数、散射光带长轴和短轴上灰度分布的标准差、散射图像灰度特征和透明流体层的液体流速,输出是粗糙度.使用训练好的神经网络对已知粗糙度数值的标准样块进行预测,预测的平均误差为1.018%.由此推断出,选择的输入参数和建立的神经网络是有效的,能够用来实现表面质量的在线检测.【期刊名称】《电子设计工程》【年(卷),期】2010(018)010【总页数】5页(P5-8,12)【关键词】神经网络;光学检测;光散射;表面粗糙度【作者】郭瑞鹏;陶正苏【作者单位】上海交通大学,仪器科学与工程系,上海,200240;上海交通大学,仪器科学与工程系,上海,200240【正文语种】中文【中图分类】TP183%TG84精密加工中，工件表面的实时检测，可以更主动地检测工件加工的质量情况，并反馈给控制系统，形成闭环系统，从而完全控制整个加工过程，极大地提高生产率，保证产品质量。

作为衡量表面形貌的特征参数，粗糙度的测量在工件表面检测中占据着重要的位置。

测量表面粗糙度的方法有很多种，光学方法以其非接触、精度高、测量速度快等优点，成为一种理想的在线测量方法，其中使用最广泛的是基于光散射原理的测量方法[1-4]。

然而，精密磨削加工中，由于冷却液覆盖工件表面，阻挡了测量光束的传播，使其在加工条件下的实时光学检测不可能实现。

Gao Y提出了建立“透明窗”的概念，利用特制的装置，借助透明液体，创造一块透明测量区域，使得激光束可以透过冷却液和磨削屑覆盖层，实现工件表面轮廓测量[5]。

基于BP神经网络的切削表面粗糙度预测方法张永顺;孙华;丁伟;黄雷【摘要】利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法.简单分析了粗糙度的影响因素及预测原理.介绍了BP神经网络的特点、原理、算法和公式.在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析.结果表明,该方法的预测误差小于3％.【期刊名称】《机械管理开发》【年(卷),期】2011(000)005【总页数】3页(P71-72,74)【关键词】BP神经网络;切削振动;Matlab;表面粗糙度预测【作者】张永顺;孙华;丁伟;黄雷【作者单位】西华大学机械工程及自动化学院,四川成都610039;西华大学机械工程及自动化学院,四川成都610039;西华大学机械工程及自动化学院,四川成都610039;西华大学机械工程及自动化学院,四川成都610039【正文语种】中文【中图分类】TP391.90 引言表面粗糙度是衡量工件加工质量的一个重要指标。

根据经验或试验选用合理切削参数是传统的切削加工中保证表面粗糙度要求的主要方法。

切削过程是动态的，材料的金相组织、硬度、韧性、切削振动等诸多影响表面粗糙度的因素在不断变化，在同一切削工序中采用统一的切削用量在兼顾加工质量和效率方面无法令人满意【1】。

如果数控系统能根据加工状况实时预测表面粗糙度值，就可在线自动优化切削用量，大大减少加工过程中财力、人力和时间的浪费。

高精度、柔性预测模型的建立是工件表面粗糙度趋势分析技术中的关键。

本文设计切削表面粗糙度预测系统时，采用了神经网络预测模型，目的是利用BP神经网络的非线性信息处理能力，将非线性预测和多因素预测技术引人工件表面粗糙度趋势分析，提高预测的精度和适应性。

1 表面粗糙度预测的原理表而粗糙度同加工中切削状态参数有直接关系。

因此，可以通过建立粗糙度与切削过程状态参数，如切削速度、进给量、背吃刀量等。

基于BP神经网络的高速磨削磨削力预测研究罗宁【摘要】A prediction model of grinding force per unit area of high-speed grinding is built,using the BP neural network paring the experiments results and predicted value,this model has certain prediction accuracy,and by increasing the learning samples or a modifying network model,the prediction accuracy can be further increased.%应用BP神经网络算法建立高速磨削单位面积法向磨削力的预测模型.对比实验结果和预测值,表明该模型有一定的预测精度,通过增加学习样本或采用改进型的神经网络模型,能够进一步提高预测精度,对于高速超高速磨削研究有一定的帮助.【期刊名称】《厦门理工学院学报》【年(卷),期】2011(019)003【总页数】4页(P44-47)【关键词】高速磨削;磨削力;BP神经网络;预测【作者】罗宁【作者单位】厦门大学物理与机电工程学院,福建厦门361005;厦门理工学院机械系,福建厦门361024【正文语种】中文【中图分类】TG580.614高速磨削能够大幅度提高磨削效率，明显降低磨削力，提高零件加工精度，降低加工表面粗糙度值，提高砂轮耐用度，能对脆硬材料实现延性域磨削，对高塑性等难磨材料也有良好的磨削表现，显示出了极大的优越性[1－2].高速磨削的磨削机理不同于普通磨削，由于高速磨削实验设备装置以及实验手段的限制，实验的成本很高，如何能够降低实验成本，提供符合要求的实验数据，进行高速磨削过程的仿真和控制是必须要解决的问题.但由于在磨削加工过程中参与切削工件材料的磨粒数量众多，并且影响磨粒性能的因素相互耦合[3]，一直以来，磨削加工过程的建模和仿真都是研究磨削过程的一大难题，所以到目前为止真正应用于工业中的各种计算公式大都属于经验公式，精度不是很高.随着计算机技术的不断发展，基于人工神经网络自适应性和学习能力的预测建模技术能较好地解决这个问题[3－4].在磨削研究中，磨削力反映磨削过程的基本特征，是研究磨削过程的重要参数，也是评价材料可磨削性优劣的一个重要指标，而且磨削力易于控制和测量，因此，磨削力研究有着重要的理论价值和实际意义.目前主要是通过对实验数据进行多元回归分析来预测磨削力，但精度受到回归模型的限制.本文应用BP神经网络对高速磨削单位面积法向磨削力进行了建模，并将网络训练后的输出值与实验结果进行了对比，证明了该网络模型的可行性.1 神经网络建模人工神经网络建模是一种复杂有效的建模方式，具有通过学习逼近任意非线性映射的能力，将神经网络应用于非线性系统的辨识和预测，可以不受非线性模型的限制，便于给出工程上易于实现的学习算法，即把实际系统看作是一个黑箱，仅在输入输出行为水平上认识系统，而在建模时不必了解系统内部的实际运行规律.因此，利用人工神经网络进行建模来解决高速磨削的问题是非常方便和有效的[5].只需用已有的高速磨削数据对系统进行训练，当达到给定的误差要求时，即可用该系统对高速磨削过程进行预测仿真.绝大部分的神经网络模型是采用BP网络和它的变化形式，它也是前向网络的核心，体现了人工神经网络最精华的部分，BP神经网络利用输出层的误差来估计输出层的直接前导层的误差，再利用这个误差估计更前一层的误差，如此下去，就获得了所有其它层的误差估计.这样就形成了由输出端表现出的误差沿着与输入信号相反的方向逐级向输入网络传播的过程，因此，人们将此算法称为向后传播算法.本文选择Cascade前向BP神经网络 (Cascade-forward backprop).该网络的隐含层选用正切S型神经元 (TANSIG)，输出层采用了线性神经元 (PURELIN).这样的BP神经网络可以逼近任何的连续函数，如果隐含层包含足够多的神经元，它还可以逼近任何具有有限个端点的非连续函数[6].根据影响磨削力的磨削参数建立BP神经网络模型，因为影响磨削力的因素有三个:砂轮线速度vs、工作台速度vw、磨削深度ap，所以在输入层有三个神经元.隐含层单元个数的选择是一个十分复杂的问题，目前没有解析式可以计算.一般而言，精度越高，要求隐含层个数越多，但网络收敛速度越慢.综合考虑网络的性能和速度，将隐含层神神经元的个数设定为20和2.输出为单位面积法向磨削力Fn'，输出层有一个神经元.根据影响磨削力的磨削参数建立的BP神经网络模型如图1所示.BP神经网络建好之后，对网络进行训练，选择动量批梯度下降函数traingdm作为训练函数，实现批处理的前馈神经网络训练算法.相比较其它训练函数，它不但具有更快的收敛速度，而且引入了一个动量项，有效地避免了局部最小问题在网络训练中的出现.2 实验数据及BP网络预测2.1 实验条件实验机床:150 m/s超高速平面磨削实验台;工件材料:45钢;砂轮型号:陶瓷结合剂CBN砂轮，标记为:∣A∣300×16×127×5 CBN80/100V200;测量仪器:YDM－III99型整体式三向压电磨削测力平台.2.2 实验方案及数据处理为了增加同其他工艺实验结果的可比性，用单位面积磨削力代替了磨削力，由实验测得法向磨削力值Fn之后，根据公式计算得出单位面积法向磨削力F'n.磨削实验中，采用了平面磨削方式及水基冷却液，顺磨时测量磨削力.具体磨削参数如表1所示.表1 磨削参数表Tab.1 Grinding parameters table工作台速度vw/(m·s－1) 4.5、9磨削深度ap/mm 0.02、0.05、0.10、0.15砂轮线速度vs/(m·s－1) 60、70、80、90、100、110、120三种参数各挑选一个进行实验，互相组合，共得到56组实验数值实验后经过计算共得到56组单位面积法向磨削力实验数据.为了提高预测精度，训练样本的数值采用各磨削参数最大或最小值时产生的实验数值，以及较均匀地间隔采用部分中间数值.本次实验中，采用40组数据对神经网络进行训练，用其余的16组进行预测检验.建好模型后，通过输入各磨削参数及相对应的单位面积法向磨削力输出数值对模型进行训练.模型经训练后，输入新的磨削参数时，可以输出预测的单位面积法向磨削力，所得的预测值和实验值对比结果如表2所示.表2 实验结果与神经网络预测结果对比表Tab.2 Comparison between experimental results and neural network predicted results样本工作台速度vw/(m·s－1)磨削深度ap/mm砂轮线速度vs/(m·s－1相对误差)实验结果F'n/(N·mm－2)预测结果F'n/(N·mm－2)/%1 4.5 0.02 70 9.49 8.813 1 7.13 2 4.5 0.05 70 10.4 9.533 6 8.33 3 4.5 0.1 70 13.04 14.520 4 11.35 4 4.5 0.15 70 13.65 14.291 2 4.7 5 4.5 0.15 80 12.74 14.095 8 10.64 6 4.50.05 90 8.34 8.954 5 7.37 7 4.5 0.1 90 11.04 11.356 2 2.86 8 4.5 0.1 110 7.81 7.083 7 9.3 9 9 0.05 70 17.04 17.812 8 4.53 10 9 0.15 70 28.37 26.458 6 6.74 11 9 0.1 80 16.69 16.481 3 1.25 12 9 0.02 906.887.217 8 4.9 13 9 0.05 90 13.94 12.547 7 10 14 9 0.1 90 15.33 14.437 9 5.82 15 9 0.1 100 12.4 11.220 4 9.51 16 9 0.05 1108.189.025 1 10.33由表2可以看出，网络预测的相对误差最大值为11.35%，最小值为1.25%，16组预测平均相对误差为7.172 5%，基本上能够反映实际值的大小，有一定的预测精度.其中，神经网络对样本数为3、5、16的样本预测值和实验结果数值相差较大，其原因除了模型本身预测精度之外，并且和训练样本有关，从预测参数可以看到，选取训练数据时此数据附近的训练数据选取较少，导致训练之后预测差别也大，如果能增加训练样本数，并且在选取训练数据时训练数据分布均匀，应该可以较好地避免此种情况的发生.另外，在进行下一轮的神经网络训练时，可以将这几组误差较大的数据加入训练数据组，将提高预测精度.如果想要获得更好的预测精度，可以采取增加学习样本的方式以及调整BP神经网络类型和参数，选用改进型的BP神经网络模型.3 结论针对高速磨削磨削力建立了BP神经网络进行预测，结果表明神经网络有较好的精度，能够达到一定的预测效果，如果能够有更多的实验组数，增加训练样本个数，调整训练数据结构或者选取改进型神经网络，BP神经网络的预测精度还可以进一步提高.这对于降低实验成本，研究高速磨削机理有很一定的帮助.[参考文献][1] 张洪波，石俊强，陈奕.超高速磨削加工及其关键技术 [J].机械工程师，2009(6):96-97.[2] 吴洪微，黄春元.超高速磨削加工的关键技术分析与展望 [J].黑龙江科技信息[J].2009(29):69-70.[3] 胡仲翔，滕家绪，钱耀川，等.用声发射信号和改进的BP神经网络预测磨削表面粗糙度 [J].装甲兵工程学院学报，2009，23(6):76-79.[4] 陆名彰，熊万里，黄红武，等.超高速磨削技术的发展及其主要相关技术 [J].湖南大学学报:自然科学版，2002，29(5):44-48.[5] 王珉，葛培琪，张磊.人工神经网络在磨削加工中的应用 [J].工具技术，2004，38(9):60-63.[6] 闻新，周露，李翔，等.Mtalab神经网络仿真与应用 [M].北京:科学出版社，2003.。

第３３卷第５期中国机械工程V o l ．３３㊀N o ．５２０２２年３月C H I N A M E C HA N I C A LE N G I N E E R I N Gp p．５８３Ｇ５８８T C １７钛合金低温铣削表面粗糙度预测雷㊀勇㊀赵㊀威㊀何㊀宁㊀李㊀亮南京航空航天大学机电学院,南京,２１００１６摘要:进行了T C １７钛合金低温铣削试验,研究了不同切削条件下的已加工表面粗糙度.采用回归分析方法建立了表面粗糙度经验模型,研究了射流温度㊁每齿进给量㊁铣削速度和径向切削深度对表面粗糙度的影响规律.基于B P 神经网络建立了表面粗糙度预测模型,并与经验模型进行了对比分析.研究结果表明,基于经验模型表面粗糙度值与参数间存在强相关性(R ２＝０．９２),对表面粗糙度影响最大的因素为每齿进给量,然后依次是射流温度㊁径向切削深度㊁铣削速度,预测值与试验值均方误差为１．７３ˑ１０－４μm ２,最大相对误差为８．８１％,误差变化幅度较大;而基于神经网络模型的预测值与试验值均方误差为３．５３ˑ１０－５μm ２,最大相对误差为３．６４％,误差变化幅度较小,与经验模型相比,神经网络模型的预测精度和泛化能力更高,可更好地实现各参数对表面粗糙度影响的预测.关键词:T C １７钛合金;低温铣削;表面粗糙度;经验模型;B P 神经网络模型中图分类号:T G ５０６．３D O I :１０．３９６９/j ．i s s n ．１００４ １３２X．２０２２．０５．００７开放科学(资源服务)标识码(O S I D ):P r e d i c t i o no f S u r f a c eR o u g h n e s s f o rC r y o g e n i cM i l l i n gT C １７T i t a n i u m A l l o ys L E IY o n g ㊀Z H A O W e i ㊀H E N i n g ㊀L IL i a n gC o l l e g e o fM e c h a n i c a l a n dE l e c t r i c a l E n g i n e e r i n g ,N a n j i n g U n i v e r s i t y ofA e r o n a u t i c s a n d A s t r o n a u t i c s ,N a n j i n g,２１００１６A b s t r a c t :T h e c r y o g e n i cm i l l i n g t e s t s o fT C １７t i t a n i u ma l l o y we r e c a r r i e d o u t t o e v a l u a t e t h em a Ｇc h i n e ds u rf a c er o ugh n e s su n d e rv a r yi n g c u t t i n g c o n d i t i o n s ．F i r s t l y ,t h er e g r e s s i o na n a l y s i s m e t h o d w a s u s e d t o e s t a b l i s h a n e m p i r i c a lm o d e l o f t h e s u r f a c e r o u g h n e s s ,t h e e f f e c t s o fj e t t e m pe r a t u r e ,f e e d p e r t o o t h ,m i l l i ng s p e e d ,a n dr a d i a l c u t t i n g w i d t ho nth es u r f a c er o u g h n e s sw e r ei n v e s t i ga t e d ．A n d t h e na p r e d i c t i o n m o d e lb a s e do nB Pn e u r a l n e t w o r ko f s u r f ac e r o u g h n e s sw a se s t a b l i s h e da n dc o m Ｇp a r e dw i t h t h e e m p i r i c a lm ode l ．T h e r e s u l t s s h o wt h a t t h e e m p i r i c a lm o d e l d e p i c t s a s t r o n g c o r r e l a t i o n (R ２＝０．９２)b e t w e e n s u rf a c e r o ugh n e s s a n d p a r a m e t e r s ．T h em o s ti n f l u e n t i a l f a c t o r o n s u r f a c e r o u gh Ｇn e s s i s f e e d p e r t o o t h ,f o l l o w e d b y t h e j e t t e m p e r a t u r e ,t h e r a d i a l c u t t i n g w i d t h a n d t h em i l l i n g s pe e d ,r e s p e c t i v e l y ．T h em e a ns q u a r ee r r o rb e t w e e nt h e p r e d i c t e da n dt h ee x p e r i m e n t a l v a l u e s i sa s１．７３ˑ１０－４μm ２,a n d t h em a x i m u mr e l a t i v e e r r o r i s a s ８．８１％,a n d t h e e r r o r v a r i a t i o n c h a n g e sm o r e s i gn i f i Ｇc a n t l y ．F o r t h e n e u r a l n e t w o r km o d e l ,t h em e a n s qu a r e e r r o r b e t w e e n t h e p r e d i c t e d a n d t h e t e s t v a l u e i s a s ３．５３ˑ１０－５μm ２,t h e m a x i m u m r e l a t i v ee r r o r i sa s３．６４％,a n dt h ee r r o rc h a n g e su n i f o r m l y．C o m p a r e dw i t ht h ee m p i r i c a lm o d e l ,t h en e u r a ln e t w o r k m o d e lh a sh i g h e r p r e d i c t i o na c c u r a c y an d g e n e r a l i z a t i o na b i l i t y ,a n dm a yp r e d i c t t h e e f f e c t s o f v a r i o u s p a r a m e t e r s o n s u r f a c e r o u g h n e s s b e t t e r ．K e y wo r d s :T C １７t i t a n i u ma l l o y ;c r y o g e n i cm i l l i n g ;s u r f a c e r o u g h n e s s ;e m p i r i c a lm o d e l ;B Pn e u Ｇr a l n e t w o r km o d e l收稿日期:２０２１０９０７基金项目:国家重点研发计划(２０１８Y F B ２００２２０２)０㊀引言钛合金具有比强度高㊁热强性好㊁耐腐蚀等优良性能,应用广泛[１Ｇ２],但弹性模量大㊁热导率小等特点导致其切削性能差㊁加工效率低以及表面质量差[３Ｇ４].采用液氮(l i q u i dn i t r o g e n ,L N ２)作为冷却润滑介质切削钛合金,可显著改善其加工性能与表面质量[５].表面粗糙度是衡量零件已加工表面质量的重要指标之一.为获得较好的表面质量,研究钛合金低温切削加工的已加工表面粗糙度并建立预测模型显得尤其重要,因此,建立精确的表面粗糙度预测模型,可实现对低温铣削钛合金表面粗糙度的优化控制,有助于在实际生产加工前对表面粗糙度进行预测,从而保证加工质量和效率,降低生产成本.近年来,许多专家学者对金属加工表面粗糙３８５ Copyright ©博看网. All Rights Reserved.度的预测进行了大量研究,预测方法有经验公式预测和神经网络预测等方法.在经验公式预测表面粗糙度的研究方面,刘文辉等[６]在探明铣削参数对７０５５ＧT６铝合金板表面粗糙度影响规律的基础上,结合经验公式,在MA T L A B中建立了表面粗糙度预测模型,结果表明,该模型能较好地预测７０５５铝合金高速铣削后的表面粗糙度.Y A N G 等[７]采用正交试验研究了钛合金T iＧ６A lＧ４V铣削过程中刀具微观织构参数和工件倾角对加工表面质量的影响,基于多元线性回归分析方法建立了考虑微观织构参数和工件倾角的表面粗糙度预测模型,F检验结果表明该多元线性回归方程高度显著.刘维伟等[８]基于标准粒子群算法建立了表面粗糙度经验公式并进行了实验验证,结果表明,该经验公式能有效预测G H４１６９高温合金高速铣削过程中的表面粗糙度,可为铣削参数优化㊁表面质量控制提供依据.N A T A R A J A N等[９]基于前向反馈传播方法在MA T L A B中设计了人工神经网络,用以预测车削C２６０００黄铜的表面粗糙度,研究发现,表面粗糙度的实际值与预测值分别为１．１９９９μm和１．１８５９μm,从而验证了人工神经网络预测的可靠性与准确性.在神经网络预测表面粗糙度的研究方面,庞桂兵等[１０]在电化学加工１C r１８N i９T i时基于B P 神经网络建立了加工参数与表面粗糙度间的数学模型,利用实验数据训练网络,结果表明该模型的预测误差较小,预测精度较高.胡敬文[１１]将B P 神经网络引入磨削表面偏斜度和表面峰度的预测建模中,建立了磨削参数对表面偏斜度S s k和表面峰度S k u影响的精确神经网络预测模型,为磨削工艺优化提供了指导.A S I L TÜR K等[１２]建立了基于人工神经网络和多元回归的A I S I１０４０钢车削表面粗糙度模型,以切削参数和刀尖半径为输入,以粗糙度值的平均值和总值为输出,结果表明人工神经网络的预测效果优于多元回归模型的预测效果.L I N等[１３]研究了A l６０６１铝合金铣削过程中铣削参数和振动对表面粗糙度的影响,对比分析了多元回归分析模型与神经网络模型对表面粗糙度的预测效果,结果表明神经网络模型的预测效果更好.B A N D A P A L L I等[１４]分别采用人工神经网络和多元回归分析方法对钛合金T iＧ６A lＧ４V高速微铣削表面粗糙度进行了预测与试验验证,研究了主轴转速㊁进给量和切削深度对表面粗糙度的影响,结果表明神经网络的预测精度高于多元回归分析方法的预测精度.上述研究为表面粗糙度的预测提供了很好的理论指导和借鉴意义,然而大部分金属表面粗糙度预测研究都集中在传统冷却方式下的加工过程,有关绿色清洁切削尤其是液氮射流低温加工方面的表面粗糙度预测研究鲜有报道,因此,本文在正交试验的基础上,基于多元回归分析方法和神经网络建立了表面粗糙度预测模型,分析了射流温度㊁每齿进给量㊁铣削速度㊁径向切削深度对表面粗糙度的影响规律和影响程度,并对比分析了两种模型的预测精度,可为低温铣削钛合金的工艺参数优化选用提供参考,从而实现对低温清洁切削表面质量的控制.１㊀试验条件１．１㊀工件材料及刀具试验材料为T C１７(T iＧ５A lＧ２S nＧ２Z rＧ４M oＧ４C r)钛合金,属于富β稳定元素的α＋β型两相钛合金,该合金具有强度高㊁断裂韧度好㊁淬透性高等优点,又称 三高 钛合金,已广泛应用于发动机风扇盘㊁压气机盘和离心叶轮等零部件.工件尺寸(长ˑ宽ˑ高)为２０mmˑ２０mmˑ２０mm,如图１所示,金相组织如图２所示,其主要化学成分及物理性能见表１和表２.图１㊀工件实物图(２０mmˑ２０mmˑ２０mm)F i g．１㊀P h y s i c a lm a p o fw o r k p i e c e(２０mmˑ２０mmˑ２０mm )图２㊀T C１７钛合金试样金相组织F i g．２㊀M e t a l l o g r a p h i c s t r u c t u r e o fT C１７t i t a n i u ma l l o y s a m p l e表１㊀T C１７化学成分(质量分数)T a b．１㊀C h e m i c a l c o m p o s i t i o no fT C１７(m a s s f r a c t i o n)％w(T i)w(A l)w(C r)w(S n)w(M o)w(Z r)余量４．５~５．５３．５~４．５１．６~２．４３．５~４．５１．５~２．５４８５中国机械工程第３３卷第５期２０２２年３月上半月Copyright©博看网. All Rights Reserved.表２㊀T C １７物理性能T a b ．２㊀P h y s i c a l p r o pe r t i e s o fT C １７参数数值参数数值密度(g/c m ３)４．５５抗拉强度(M P a )１９６０屈服强度(M P a )１８９０延伸率(％)２弹性模量(G P a)２３３硬度４１H R C 熔点(ħ)１６４０热导率(W /(m K ))７．２７㊀㊀刀片采用WA L T E R 硬质合金刀片,型号为Z D G T １５０４２０R ＧK ８５,其参数如表３所示.如图３所示,铣削方式为单齿顺铣,工件用虎钳装夹在工作台上.表３㊀刀片参数T a b ．３㊀C u t t e r p a r a m e t e r s刀片材料无涂层硬质合金WK １０前角(ʎ)５后角(ʎ)１５刀尖圆弧半径(mm )２刀柄直径(mm )２５图３㊀刀片及工件的装夹F i g ．３㊀C l a m p i n g o f t o o l a n dw o r k pi e c e １．２㊀试验方案铣削试验在M i k r o n U C P ７１０五轴加工中心上进行,机床加工速度最高为１８０００r /m i n .图４为低温铣削试验系统示意图.本试验中使用的低温冷却系统由自增压液氮罐㊁常温氮气罐㊁气液混合腔㊁保温管道㊁喷嘴及各种功能阀门组成.通过调节氮气和液氮的混合比例来调节喷嘴处射流温度t (以下简称 射流温度 ),射流温度采用手持式热电偶仪进行检测,铣削试验前需对射流温度进行标定,不同射流温度点对应的氮气和液氮的流量值如表４所示.为更好地表征工件表面粗糙图４㊀低温铣削试验系统F i g ．４㊀C r y o g e n i cm i l l i n g t e s t s ys t e m 度和反映已加工表面的形貌特征,采用面粗糙度S a 作为表面质量评价指标,采用B r u k e r 三维光干涉形貌仪测量S a 的值.表４㊀不同温度的氮气液氮混合比例T a b ．４㊀M i x i n g r a t i o o f n i t r o g e na n d l i q u i dn i t r o ge n a t d if f e r e n t t e m pe r a t u r e s 射流温度t (ħ)２０－４０－１２０－１９６液氮流量(L /m i n)００．５１１常温氮气流量(m ３/h)可调１８．６９．９０㊀㊀采用L １６(４４)正交试验方案进行钛合金低温铣削试验研究,以射流温度t ㊁每齿进给量f z ㊁铣削速度v c ㊁径向切削深度a e 四个影响因素作为正交因素,各因素分别选４个水平.所选试验参数以及对应的测量结果如表５所示.每组参数所对应的工件表面粗糙度测量３次,并记录其平均值.图５所示为铣削参数v c ＝９０m /m i n ㊁f z ＝０．１mm ㊁a e ＝１．４mm 和液氮射流(t ＝－１９６ħ)条件下的工件已加工表面三维形貌.表５㊀正交铣削试验方案及结果T a b ．５㊀O r t h o g o n a lm i l l i n gt e s t p l a na n d r e s u l t s 序号射流温度t(ħ)铣削速度v c (m /m i n)每齿进给量f z(mm )径向切削深度a e(mm )表面粗糙度S a(μm )１２０３００．０８０．８０．２２２３２２０６００．１０１．００．３３１６３２０９００．１２１．２０．５２５２４２０１２００．１４１．４０．６２２４５－４０３００．１０１．２０．２３８１６－４０６００．０８１．４０．２１０９７－４０９００．１４０．８０．３８０２８－４０１２００．１２１．００．３６８２９－１２０３００．１２１．４０．２９１４１０－１２０６００．１４１．２０．３４９２１１－１２０９００．０８１．００．２１４３１２－１２０１２００．１００．８０．２８０５１３－１９６３００．１４１．００．２２９１１４－１９６６００．１２０．８０．２１３３１５－１９６９００．１０１．４０．２２５６１６－１９６１２００．０８１．２０．１８４６图５㊀液氮射流条件下的加工表面形貌F i g ．５㊀M a c h i n e d s u r f a c em o r p h o l o g y un d e rL N ２J e t５８５ T C １７钛合金低温铣削表面粗糙度预测雷㊀勇㊀赵㊀威㊀何㊀宁等Copyright ©博看网. All Rights Reserved.２㊀表面粗糙度预测模型２．１㊀表面粗糙度经验模型的建立及验证为研究表面粗糙度S a受射流温度t㊁每齿进给量f z㊁铣削速度v c与径向切削深度a e四个参数影响的程度,本文将表面粗糙度S a的经验模型用指数函数形式表示,即S a＝C t b１v b２c f b３z a b４e(１)其中,系数C取决于铣削参数以及铣削条件;b１㊁b２㊁b３㊁b４为待求指数,指数值越大,表明所对应的参数对表面粗糙度的影响越大.对式(１)采用多元线性回归方法进行数据拟合,可得表面粗糙度经验公式为S a＝０．１４６t０．４０３v０．２２７c f１．０６０z a０．２５６e(２)为判断回归模型的可靠性并检验其拟合程度,利用上述数据对模型进行了F显著性检验,F 检验的计算结果见表６.表６㊀F检验结果T a b．６㊀F t e s t r e s u l t s方差来源偏差平方和自由度偏差均方和F F０．０１R２回归０．１８８６４０．０４７２３２．３１５．６７０．９２残差０．０１６１１１０．００１５总计０．２０４７１５㊀㊀查阅F检验表,对于给定的显著性水平α＝０．０１,分子自由度m＝４,分母自由度n＝１１,F检验标准值F０．０１(４,１１)＝５．６７,而统计量计算值F＝３２．３１远大于前者,表明表面粗糙度S a㊁射流温度t㊁每齿进给量f z㊁铣削速度v c㊁径向切削深度a e 之间的回归关系显著,回归系数R２＝０．９２表明拟合优度良好.２．２㊀表面粗糙度神经网络模型的建立及验证本文所建立的表面粗糙度B P神经网络模型采用３层网络结构(即输入层㊁隐藏层和输出层).以射流温度t㊁每齿进给量f z㊁铣削速度v c 与径向切削深度a e四个参数为输入样本,故输入层节点为４,以表面粗糙度S a为输出样本,故输出层节点为１.隐藏层节点计算经验公式为j＝i＋k＋b(３)其中,i㊁j㊁k分别为输入层㊁隐藏层和输出层的节点数,b为[０,１０]范围内的常数.根据式(３)及误差计算结果最终确定隐藏层节点数为５,即该B P神经网络结构为４Ｇ５Ｇ１,如图６所示.其中,w i j为输入层节点与隐藏层节点间的权值,w j k为隐藏层节点与输出层节点间的权值,隐藏层第１~５个神经元记作P１~P５,采用双正切函数t a n s i g( )作为隐藏层的传递函数,即图６㊀４Ｇ５Ｇ１神经网络结构F i g．６㊀４Ｇ５Ｇ１n e u r a l n e t w o r k s t r u c t u r et a n s i g(x)＝２１＋e－２x－１,其中x为隐藏层某节点输入值.采用线性函数p u r e l i n( )作为输出层传递函数.采用t r a i n l m( )函数作为训练函数.初始权值可以取较小的非零随机值,经验值在(－２．４/i,２．４/i)或(－３/i,３/i)范围内选取.在MA T L A B中编程建立B P神经网络预测模型,其基本参数和函数见表７,选择均方误差(m e a nＧs q u a r e e r r o r,M S E)作为性能函数,训练目标误差设为e M S E＝１ˑ１０－４μm２.B P神经网络模型的流程图见图７.表７㊀神经网络基本参数和函数T a b．７㊀B a s i c p a r a m e t e r s a n d f u n c t i on s o f n e u r a l n e t w o r k s 输入层节点数４隐藏层节点数５输出层节点数１传递函数t a n s i g( ),p u r e l i n( )训练函数t r a i n l m( )训练目标误差(μm２)０．０００１训练次数１０００图７㊀B P神经网络算法的建立F i g．７㊀B Pn e u r a l n e t w o r ka l g o r i t h me s t a b l i s h m e n t６８５中国机械工程第３３卷第５期２０２２年３月上半月Copyright©博看网. All Rights Reserved.㊀㊀采用正交试验数据作为B P 神经网络的样本数据,将编号为４㊁７㊁１０㊁１３四组试验作为验证所训练表面粗糙度B P 神经网络预测能力的样本,将其余１２组试验作为该B P 神经网络模型的学习样本.为消除输入输出样本参数之间量纲的影响,将输入输出参数数据样本归一化,其表达式为x N ＝X N －X m i nX m a x －X m i n(４)其中,X N 为初始数据,x N 为归一化之后的数据,N 为试验编号,X m a x ㊁X m i n 分别为初始数据中的最大值和最小值.图８为B P 神经网络的训练曲线,可知训练过程在迭代７次后达到了预测精度,由表８可以看出,B P 神经网络模型的预测值与试验值接近,计算B P 神经网络的预测误差在４％以内,平均相对误差为２．５２％,误差变化较为均匀.由此可知,B P 神经网络低温铣削钛合金表面粗糙度预测模型具有较高的预测精度,能够根据切削条件很好地对铣削表面粗糙度进行预测.图８㊀B P 神经网络训练曲线F i g ．８㊀B Pn e u r a l n e t w o r k t r a i n i n g c u r v e 表８㊀表面粗糙度预测结果及误差T a b ．８㊀P r e d i c t i o n r e s u l t s a n d e r r o r s o f S u r f a c e r o u gh n e s s 样本编号S a 试验值(μm )S a 预测值(μm )S a 绝对误差(μm )相对误差(％)１０．６２２４０．６３８５０．０１６１２．５９２０．３８０２０．３７４２０．００６１．５８３０．３４９２０．３５７６０．００８４２．４１４０．２２９１０．２３７１０．００８３．４９２．３㊀经验模型和神经网络模型的对比分析为进一步验证B P 神经网络预测方法在低温铣削钛合金表面粗糙度预测上的有效性与稳定性,本文通过改变射流温度和铣削速度开展了９组试验,其中每齿进给量f z ＝０．１mm ㊁径向切削深度a e ＝１mm 保持不变,试验方案如表９所示,将神经网络与经验公式的预测结果与测量值进行对比来验证两种方法的泛化能力.表１０客观地呈现了两种预测方法的性能与优劣.表９㊀试验方案T a b ．９㊀T e s t s c h e m e试验编号射流温度t (ħ)铣削速度v c (m /m i n )试验编号射流温度t (ħ)铣削速度v c (m /m i n )１０６０６－１６０９０２－８０６０７０１２０３－１６０６０８－８０１２０４０９０９－１６０１２０５－８０９０表１０㊀表面粗糙度预测值对比T a b ．１０㊀C o m p a r i s o no f p r e d i c t e d s u r f a c e r o u gh n e s s 试验编号S a 试验值(μm )经验公式B P 神经网络预测值(μm )相对误差(％)预测值(μm )相对误差(％)１０．２８３９０．３０８９８．８１０．２９０１２．１８２０．２５７９０．２６８７４．１９０．２５３４１．７４３０．２２５９０．２１６６４．１２０．２１９８２．７０４０．３２９９０．３３８７２．６７０．３４１９３．６４５０．２７７８０．２９４６６．０５０．２８１２１．２２６０．２４０１０．２３７５１．０８０．２４１００．３７７０．３５５５０．３６１６１．７２０．３４７９２．１４８０．２９６５０．３１４４６．０４０．２９６４０．０３９０．２５５２０．２５３５０．６７０．２５２２１．１８㊀㊀通过表１０能够分析得出,经验模型预测值与试验值的均方误差为１．７３ˑ１０－４μm ２,最大相对误差为８．８１％,平均相对误差为３．９３％,误差变化幅度较大.神经网络预测值与试验值的均方误差为３．５３ˑ１０－５μm ２,最大相对误差为３．６４％,平均相对误差为１．６９％,误差变化幅度较小.研究结果表明,在预测低温铣削T C １７钛合金表面粗糙度时,与经验模型相比,神经网络模型的预测精度和泛化能力更高,可更好地实现各参数对表面粗糙度影响的预测.在实际加工过程中,应用神经网络方法预测加工表面粗糙度可更好地指导实际生产.３㊀结论(１)射流温度和铣削参数对低温铣削T C １７钛合金表面粗糙度有显著影响,通过正交试验结果建立的表面粗糙度经验模型表明,各自变量对表面粗糙度影响大小的主次顺序依次为:每齿进给量,射流温度,径向切削深度,铣削速度.统计检验结果表明,此模型呈高度显著检验状态.(２)基于B P 神经网络建立了表面粗糙度的预测模型,分析比较经验公式和神经网络模型的预测结果可知,后者对表面粗糙度预测的精度更高,且泛化能力更强.因此,基于B P 神经网络建立低温铣削T C １７钛合金的表面粗糙度预测模型较经验模型能更好地反映表面粗糙度与铣削过程７８５ T C １７钛合金低温铣削表面粗糙度预测雷㊀勇㊀赵㊀威㊀何㊀宁等Copyright ©博看网. All Rights Reserved.中各参数的量化关系.参考文献:[１]㊀李毅,赵永庆,曾卫东．航空钛合金的应用及发展趋势[J]．材料导报,２０２０,３４(Z１):２８０Ｇ２８２．L IY i,Z HA O Y o n g q i n g,Z E N G W e i d o n g．A p p l i c aＧt i o na n dD e v e l o p m e n t o fA e r i a l T i t a n i u m A l l o y s[J]．M a t e r i a l sR e v i e w,２０２０,３４(Z１):２８０Ｇ２８２．[２]㊀宋德军,牛龙,杨胜利．船舶海水管路钛合金应用技术研究[J]．稀有金属材料与工程,２０２０,４９(３):１１００Ｇ１１０４．S O N GD e j u n,N I UL o n g,Y A N GS h e n g l i．R e s e a r c ho n A p p l i c a t i o n T e c h n o l o g y o f T i t a n i u m A l l o y i nM a r i n eP i p e l i n e[J]．R a r eM e t a lM a t e r i a l s a n dE n g iＧn e e r i n g,２０２０,４９(３):１１００Ｇ１１０４．[３]㊀徐九华．钛合金切削磨削加工技术研究进展[J]．金刚石与磨料磨具工程,２０２０,４０(５):１Ｇ４．X UJ i u h u a．R e s e a r c hP r o g r e s so fC u t t i n g o rG r i n dＧi n g T e c h n o l o g y f o rT i t a n i u m A l l o y[J]．D i a m o n d&A b r a s i v e sE n g i n e e r i n g,２０２０,４０(５):１Ｇ４．[４]㊀HO U R MA N D M,S A R HA N A AD,S A Y U T IM,e t a l．AC o m p r e h e n s i v eR e v i e wo nM a c h i n i n g o fT iＧt a n i u m A l l o y s[J]．A r a b i a nJ o u r n a l f o rS c i e n c ea n dE n g i n e e r i n g,２０２１,４６(８):１Ｇ３７．[５]㊀A B D E L R A Z E K A H,C HO U D HU R YIA,N U KＧMA N Y,e t a l．M e t a lC u t t i n g L u b r i c a n t sa n dC u tＧt i n g T o o l s:aR e v i e wo nt h eP e r f o r m a n c eI m p r o v eＧm e n t a n dS u s t a i n a b i l i t y A s s e s s m e n t[J]．T h e I n t e rＧn a t i o n a l J o u r n a lo fA d v a n c e d M a n u f a c t u r i n g T e c hＧn o l o g y,２０２０,１０６(９):４２２１Ｇ４２４５．[６]㊀刘文辉,杨迅雷,张平,等．７０５５铝合金高速铣削表面粗糙度预测模型研究[J]．兵器材料科学与工程,２０１５,３８(６):１Ｇ４．L I U W e n h u i,Y A N G X u n l e i,Z HA N G P i n g,e t a l．P r e d i c t i o nM o d e l o f S u r f a c eR o u g h n e s s o f７０５５A l uＧm i n u m A l l o y a f t e r H i g h S p e e d C u t t i n g[J]．O r dＧn a n c e M a t e r i a lS c i e n c ea n d E n g i n e e r i n g,２０１５,３８(６):１Ｇ４．[７]㊀Y A N GS h u c a i,H E C h u n s h e n g,Z H E N G M i n l i．A P r e d i c t i o n M o d e l f o r T i t a n i u m A l l o y S u r f a c eR o u g h n e s s W h e n M i l l i n g w i t h M i c r oＧt e x t u r e dB a l lＧe n dC u t t e r sa tD if f e r e n t W o r k p i e c e I n c l i n a t i o n A nＧg l e s[J]．L o n d o n:S p r i n g e r,２０１９,１００(５):２１１５Ｇ２１２２．[８]㊀刘维伟,李锋,任军学,等．基于标准粒子群算法的G H４１６９高速铣削表面粗糙度研究[J]．中国机械工程,２０１１,２２(２２):２６５４Ｇ２６５７．L I U W e i w e i,L IF e n g,R E N J u n x u e,e ta l．R eＧs e a r c ho n S u r f a c e R o u g h n e s s B a s e d o n S P S O i nH i g h M i l l i n g o fG H４１６９[J]．C h i n a M e c h a n i c a lE nＧg i n e e r i n g,２０１１,２２(２２):２６５４Ｇ２６５７．[９]㊀N A T A R A J A N C,M U T H U S,K A R U P P U S W A M Y P．P r e d i c t i o n a n d A n a l y s i so fS u r f a c e R o u g h n e s sC h a r a c t e r i s t i c s o f a N o nＧf e r r o u s M a t e r i a l U s i n gA N Ni nC N CT u r n i n g[J]．T h e I n t e r n a t i o n a l J o u r n a lo fA d v a n c e d M a n u f a c t u r i n g T e c h n o l o g y,２０１１,５７(９/１２):１０４３Ｇ１０５１．[１０]㊀庞桂兵,李殿明,张利萍,等．基于神经网络的电化学加工表面粗糙度预测与加工参数正交优化[J]．中国机械工程,２０１３,２４(９):１１９１Ｇ１１９４．P A N GG u i b i n g,L I D i a n m i n g,Z HA N GL i p i n g,e ta l．S u r f a c eR o u g h n e s sP r e d i c t i o no fE l e c t r o c h e m iＧc a l M a c h i n i n g a nd O r t h o g o n a l O p t i m i z a t i o n o fP r o c e s s i n g P a r a m e t e r sB a s e do n N e u r a lN e t w o r k s[J]．C h i n aM e c h a n i c a lE n g i n e e r i n g,２０１３,２４(９):１１９１Ｇ１１９４．[１１]㊀胡敬文．基于B P神经网络的表面偏斜度和峰度预测建模[J]．表面技术,２０１７,４６(２):２３５Ｇ２３９．HU J i n g w e n．P r e d i c t i v e M o d e l i n g o f S u r f a c eS k e w n e s s a n d K u r t o s i sB a s e do nB P N e u r a lN e tＧw o r k[J]．S u r f a c eT e c h n o l o g y,２０１７,４６(２):２３５Ｇ２３９．[１２]㊀A S I L TÜR K I ．P r e d i c t i n g S u r f a c e R o u g h n e s so fH a r d e n e dA I S I１０４０B a s e do nC u t t i n g P a r a m e t e r sU s i n g N e u r a l N e t w o r k sa n d M u l t i p l e R e g r e s s i o n[J]．T h e I n t e r n a t i o n a l J o u r n a l o fA d v a n c e d M a n uＧf a c t u r i ng T e ch n o l o g y,２０１２,６３(１/４):２４９Ｇ２５７．[１３]㊀L I N YC,WU K D,S H I H W C,e t a l．P r e di c t i o n o f S u r f a c eR o u g h n e s sB a s e d o nC u t t i n g P a r a m e t e r sa n d M a c h i n i n g V ib r a t i o n i nE n dM i l l i n g U s i n g R eＧg r e s s i o nM e t h o d a n dA r t i f i c i a l N e u r a l N e t w o r k[J]．A p p l i e dS c i e n c e s,２０２０,１０(１１):３９Ｇ４１．[１４]㊀B A N D A P A L L IC,S U T A R I A B M,B HA T T D V,e ta l．E x p e r i m e n t a l I n v e s t i g a t i o na n d E s t i m aＧt i o no f S u r f a c eR o u g h n e s sU s i n g A N N,GM D H&M R A M o d e l s i nH i g hS p e e d M i c r oE n d M i l l i n g o fT i t a n i u m A l l o y(G r a d eＧ５)[J]．M a t e r i a l s T o d a y:P r o c e e d i n g s,２０１７,４(２):１０１９Ｇ１０２８．(编辑㊀胡佳慧)作者简介:雷㊀勇,男,１９９８年生,硕士研究生.研究方向为先进切削技术.EＧm a i l:３１５２３２６７９４＠q q．c o m.赵㊀威(通信作者),男,１９７７年生,教授㊁博士研究生导师.研究方向为高性能加工技术与装备㊁可持续制造技术.EＧm a i l:n u a a z w＠n u a a．e d u．c n.８８５中国机械工程第３３卷第５期２０２２年３月上半月Copyright©博看网. All Rights Reserved.。