珩磨缸套表面粗糙度预测及多目标优化研究

为了对粗珩阶段缸套内孔表面粗糙度R_k粗糙度集中的R_k、R_pk和R_vk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,R_k粗糙度集为目标响应,进行多目标优化. 建立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,并采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R_k和R_pk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R_vk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3个决定因素对粗糙度的影响显著性并进行了排序,对于R_k:V_Re>P>V_R;对于R_pk:P>V_Re>V_R;对于R_vk:P>V_Re>V_R. 结合多元回归模型与NSGA-Ⅱ (Non-dominated Sorting Genetic Algorithm Ⅱ)优化算法进行多目标优化,获得Pareto最优解的Pareto前沿.