电火花加工8418钢的工艺预测模型

doi:10.3901/JME.2016.11.207

机械工程学报 ›› 2016, Vol. 52 ›› Issue (11): 207-212.doi: 10.3901/JME.2016.11.207

• 制造工艺与装备 • 上一篇

电火花加工8418钢的工艺预测模型

余剑武^{1, 2}, 何利华¹, 段文¹, 沈湘², 易成¹

1. 湖南大学机械与运载工程学院长沙 410082;
2. 湖南大学国家高效磨削工程技术研究中心长沙 410082

出版日期:2016-06-05 发布日期:2016-06-05
作者简介:余剑武,男,1968年出生,博士,教授,博士研究生导师。主要研究方向为特种加工技术,数字化设计与制造技术,先进材料复杂曲面精密加工技术及数控装备。E-mail：yokenbu@yahoo.com;何利华(通信作者),男,1987年出生,博士研究生。主要研究方向为特种加工技术,超硬磨料砂轮数控精密修整技术与装备。E-mail：helihua0617@yahoo.com
基金资助:
国家科技重大专项资助项目(2012ZX04003-101)

Prediction Model of Technological Indexes in EDM of 8418 Steel

YU Jianwu^{1, 2}, HE Lihua¹, DUAN Wen¹, SHEN Xiang², YI Cheng¹

1. College of Mechanical &
Vehicle Engineering, Hunan University, Changsha 410082;
2. National Engineering Research Center for High Efficiency Grinding, Hunan University, Changsha 410082

Online:2016-06-05 Published:2016-06-05

摘要/Abstract

摘要： 在电火花加工中,加工工艺指标的结果与工艺参数的设置密切相关。一般情况下,操作者在进行实际执行之前,只能根据以往的加工规律以及经验手段对其结果进行预判,达到预先评估加工结果的目的。针对这一情况,提出一种适用于电火花加工工艺指标结果预测的模型,该模型的建立是基于支持向量回归理论的数学方法,并利用遗传算法优化该方法中的各参数。以电火花加工8418模具钢为例,结合正交试验方法和经验加工方法选取加工工艺参数,并记录工艺指标结果。为保证EDM工艺指标预测模型的准确性,将试验数据随机分成训练集和测试集,利用训练集训练EDM工艺指标预测模型,可得加工时间模型均方误差T_MSE=0.95×10^-4,平方相关系数T_R₂=0.99 1;工件去除率模型均方误差MRR_MSE=1.02×10^-4,平方相关系数MRR_R₂ =0.999 3;电极损耗率模型均方误差EWR_MSE =1.11×10^-4,平方相关系数EWR _R₂=0.998 9。再利用测试集验证该模型,可见预测结果与试验结果之间的误差在5%以内,从而证明电火花加工8418钢工艺预测模型的准确性和有效性。

关键词: 电火花加工, 工艺模型, 过程参数, 遗传算法, 支持向量回归

Abstract: The technological indexes are closely related to processing parameters in electrical discharge machining (EDM). In general, the output objectives only can be predicted with the help of the past processing laws and empirical methods before actually executing. In view of this situation, a prediction model is presented and established on the base of mathematical method of support vector regression to determine the technological indexes in EDM. The genetic algorithm (GA) is adopted as an optimization solver to seek the best variables in this model. In the case of processing 8418 steel, the proper process parameters are selected by orthogonal experimental method and empirical method, and the results are recorded. To ensure accuracy of prediction models of technological indexes in EDM, the experimental data are divided into a training set and a test set. The prediction model is trained through the training data set. The results show that the model of machining time has the mean squared error T_MSE of 0.95×10^-4 and the correlation coefficient T_R₂of 0.999 1; the model of material removal rate has the mean squared error MRR_MSEof 1.02×10^-4 and the correlation coefficient MRR_R₂ of 0.999 3; the model of electrode wear rate has the mean squared error EWR_MSE of 1.11×10^-4 and the correlation coefficient EWR _R₂of 0.998 9. Then those models are proved by the test samples, and the relative error is less than 5%. Thus the accuracy and effectiveness for the present models are verified.

Key words: EDM, genetic algorithm, prediction model, process variables, support vector regression

中图分类号:

TG661

余剑武, 何利华, 段文, 沈湘, 易成. 电火花加工8418钢的工艺预测模型[J]. 机械工程学报, 2016, 52(11): 207-212.

YU Jianwu, HE Lihua, DUAN Wen, SHEN Xiang, YI Cheng. Prediction Model of Technological Indexes in EDM of 8418 Steel[J]. Journal of Mechanical Engineering, 2016, 52(11): 207-212.

参考文献

[1] 刘志东. 特种加工[M]. 北京：北京大学出版社, 2013. 12-16
LIU Zhidong. Non-traditional Machining [M]. Beijing： Peking University Press,2013.
[2] SAMEH S. H. Study of the parameters in electrical discharge machining through response surface methodology approach[J]. Applied Mathematical Modelling,2009,33(12)：4397-4407.
[3] TZENG C J,CHEN R Y. Optimization of electric discharge machining process using the response surface methodology and genetic algorithm approach[J]. Int. Journal of Precision Engineering and Manufacturing,2013,14(5)：709-717.
[4] 杨晓冬,赵万生,刘光壮,等. 基于神经网络的型腔电火花加工工艺效果预测模型[J]. 航空制造技术,2001(3)：41-43.
YANG Xiaodong,ZHAO Wansheng,LIU Guangzhuang,et al. Forecasting model of technological effect for die sinking EDM based on ANN [J]. Aeronautical Manufacturing Technology,2001(3)：41-43.
[5] GAO Qing,ZHANG Qinhe,SU Shupeng,et al. Parameter optimization model in electrical discharge machining process[J]. Journal of Zhejiang University Science A,2008,9(1)：104-108.
[6] 瓦普尼克. 统计学习理论的本质[M].北京：清华大学出版社,2000.
VAPNIK. The nature of statistical learning theory [M].
7 Beijing：Tsinghua University Press,2000.
[7] SMOLA A J,BERNHARD S. A tutorial on support vector regression[J]. Statistics and Computing,2004,14(3)：199-222.
[8] JIANG Zhuoda. Intelligent prediction of surface roughness of milling aluminium alloy based on least square support vector machine [C]// Control and Decision Conference (CCDC),America： IEEE,2010. 2872-2876.
[9] WANG Peigong,MENG Qingfeng,ZHAO Jian,et al. Prediction of machine tool condition using support vector machine [J]. Journal of Physics：Conference Series,2011,305(1)：1-9.
[10] 张玲瑄. 高效微细电火花加工若干关键技术研究[D]. 辽宁：大连理工大学,2012.
ZHANG Lingxuan. Key technology study on high efficiency micro EDM [D]. Dalian：Dalian University of Technology,2012.
[11] 雷英杰,张善文,李续武,等. MATLAB遗传算法工具箱及应用[M]. 陕西：西安电子科技大学出版社,2014.
LEI Yingjie,ZHANG Shanwen,LI Xuwu,et al. Genetic algorithm toolbox and applications [M]. Xi’an： Xidian University Press,2014.

[1]	黄瑞宁, 熊小刚, 朱二磊. 基于液相电极的微细电火花加工方法研究[J]. 机械工程学报, 2019, 55(9): 176-182.
[2]	石小秋, 李炎炎, 邓丁山, 龙伟. 基于自适应变级遗传杂草算法的FJSP研究[J]. 机械工程学报, 2019, 55(6): 223-232.
[3]	刘秀全, 姬景奇, 郑健, 王向磊, 陈国明, 张浩. 基于涡激抑制的深水钻井隔水管系统浮力块配置智能优化[J]. 机械工程学报, 2019, 55(4): 164-171.
[4]	朱茂桃, 吴新佳, 郑国峰, 李利平, 韩鹏飞, 上官文斌. 基于短时傅里叶变换的汽车零部件耐久性载荷信号编辑方法[J]. 机械工程学报, 2019, 55(4): 126-134.
[5]	谢延敏, 张飞, 王子豪, 黄仁勇, 杨俊峰, 胡云川. 基于渐变凹模圆角半径的高强钢扭曲回弹补偿[J]. 机械工程学报, 2019, 55(2): 91-97.
[6]	杨志军, 陈超然, 黄观新. 面向机器人优化设计的GA-非均匀Kriging-梯度投影混合全局优化算法[J]. 机械工程学报, 2019, 55(11): 61-68.
[7]	李明龙, 杨文婧, 易晓东, 王彦臻, 王戟. 面向灾难搜索救援场景的空地协同无人群体任务规划研究[J]. 机械工程学报, 2019, 55(11): 1-9.
[8]	姜兴宇, 王蔚, 张皓垠, 张凯, 李丽. 考虑质量、成本与资源利用率的再制造机床优化选配方法[J]. 机械工程学报, 2019, 55(1): 180-188.
[9]	魏鑫, 张泽群, 唐敦兵, 杨长祺, 金永乔, 秦威. 面向节能的导弹结构件混线生产作业车间多目标调度研究[J]. 机械工程学报, 2018, 54(9): 45-54.
[10]	赵宏晨,王刚,刘晓明. 多种群遗传算法与截断奇异值分解法在开关电弧反演中的应用[J]. 电气工程学报, 2018, 13(6): 14-19.
[11]	周生海,尹航,顾颖,王翀,柏峰. 基于POP NSGA-Ⅱ的配电网故障恢复重构[J]. 电气工程学报, 2018, 13(6): 28-35.
[12]	崔健,王久和. 基于最优阻尼注入的Buck变换器无源控制研究[J]. 电气工程学报, 2018, 13(6): 7-13.
[13]	常予, 焦敬品, 李光海, 何存富, 吴斌. 漏磁传感器励磁结构影响因素分析及优化设计[J]. 机械工程学报, 2018, 54(24): 7-17.
[14]	夏毅敏, 林赉贶, 贺飞, 吴遁, 李正光, 暨智勇. 盘形滚刀刀圈结构地质适应性设计方法[J]. 机械工程学报, 2018, 54(1): 10-17.
[15]	康守强, 叶立强, 王玉静, 谢金宝,MIKULOVICH V I. 基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法[J]. 机械工程学报, 2017, 53(8): 201-208.

电火花加工8418钢的工艺预测模型

Prediction Model of Technological Indexes in EDM of 8418 Steel

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价