王小刚，邱 磊

(1.扬州工业职业技术学院交通工程学院，江苏 扬州 225127; 2.宁波工程学院机械工程学院，浙江 宁波 315336)

0 引言

在铣削加工过程中，必须有效确定切削速度和进给速度等工艺参数，以及切削宽度和切削深度等几何参数。计算机辅助制造(CAM)系统可以根据这些参数和零件模型，从而为机床生成一条刀具路径。然而，在随后的铣削加工过程中，由于切削条件不恒定，例如刀具的接近和后退、零件的轮廓[1]和机床轴的物理限制[2]等原因，不可避免地会出现非恒定的切削条件，导致刀具挠度发生变化。但是，真实制造环境中制定切削工艺和验证的成本均较高，尤其是进行单件生产和小批量生产时。

因此，为了分析和计划切削过程，研究人员开发了许多经验和分析模型[3-8]。杨军等[9]使用了刀触点综合离散方法,解决了环曲面金刚石切削加工困难的问题，有效减少了离散误差，改善了工件的加工质量。但是这种基于模型和经验的方法大都存在适用性、鲁棒性不强的问题。针对上述问题，García-Ordás M T等[10]开发了一种使用前馈人工神经网络的方法，该方法能够根据切削模拟的结果进行训练。并使用训练后的模型预测当前加工工艺过程的稳定性，实现了用于切割过程的实时稳定性监控系统。

随着人工智能技术的发展，机器学习技术及其各种结合应用层出不穷。杨光美等[11]采用机器学习技术中的支持向量机方法，建立了超声振动磨削放电加工预测模型，其工艺指标预测值与试验值具有较好的一致性。……