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(VR)和往复速度(VRe)为决定因素,Rk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3个决定因素对粗糙度的影响显著性并进行了排序,对于Rk:VRe>P>VR;对于Rpk:P>VRe>VR;对于Rvk:P>VRe>VR.结合多元回归模型与NSGA-Ⅱ(Non-dominated Sorting Genetic AlgorithmⅡ)优化算法进行多目标优化,获得Pareto最优解的Pareto前沿.